Untitled Quiz

Podcast

Play an AI-generated podcast conversation about this lesson

Download our mobile app to listen on the go

Get App

Questions and Answers

اگر در یک مسئله طبقه بندی باینری از یک شبکه MLP با یک لایه خروجی سیگموئید استفاده شود، کدام تابع هزینه (Cost Function) مناسب تر است؟

Binary Cross-Entropy (correct)
Categorical Cross-Entropy
MSE
Hinge Loss
MAE

روش منظم سازی L2 در شبکه های عصبی چه تأثیری دارد؟

دودویی کردن خروجی
حذف نورون‌های غیرضروری با تنظیم خروجی آن‌ها به صفر
نرمال‌سازی خروجی
اعمال جریمه (penalty) برای بزرگ بودن مقادیر وزن‌ها (correct)
اضافه کردن نویز نرمال به ورودی‌ها

کدام یک از عوامل زیر می‌تواند باعث بروز مشکل Vanishing Gradient در شبکه‌های عصبی عمیق شود؟

وزن‌های مدل در طول فرایند یادگیری به سمت بی‌نهایت میل کنند.
کاهش سرعت یادگیری در وزن‌ها و بایاس‌های مدل. (correct)
توقف یادگیری در نورون‌های خروجی.
وزن‌های مدل در طول فرایند یادگیری به سمت صفر میل کنند.
Overfitting مدل بر روی داده‌های آموزش.

در یک شبکه multi-class classification، کدام تابع فعال‌سازی معمولاً در لایه خروجی استفاده می‌شود؟

Softmax (D) Signup and view all the answers

در یک شبکه عصبی با تابع فعال‌سازی سیگموئید و تابع هزینه Cross-Entropy، اگر مقدار خروجی نورون برابر 0.6 و مقدار برچسب واقعی 1 باشد، مقدار به روزرسانی بایاس این نورون را بعد از یک دور یادگیری محاسبه کنید.

0.16 Signup and view all the answers

در یک مجموعه داده بسیار نامتوازن که نمونه‌های مثبت به ندرت یافت می‌شوند، دو مدل A و B آموزش داده شده‌اند. مدل A دارای recall بالا و precision نسبتاً پایین است، در حالی که مدل B دارای نمودار ROC با AUC=0.95 است، اما نمودار precision-recall آن پایین‌تر از مدل A است. کدام مدل برای این مسئله مناسب‌تر است و چرا؟

مدل A، به دلیل recall بالاتر. (B) Signup and view all the answers

جدول زیر نتایج اعتبارسنجی متقابل 10-fold یک مدل یادگیری ماشین را نشان می‌دهد. کدام تفسیر برای این نتایج صحیح‌تر است؟

گزینه‌های ۱ و ۳ محتمل هستند. (A) Signup and view all the answers

یک مدل رگرسیون خطی برای پیش‌بینی احتمال درخواست وام بر اساس ویژگی‌های سن (بین 20 تا 70) و درآمد (بین 20k تا 100k) طراحی شده است. کدام روش مهندسی ویژگی (Feature Engineering) می‌تواند عملکرد مدل را به طور قابل توجهی افزایش دهد؟

اضافه کردن ضرب سن در درآمد به عنوان یک ویژگی جدید. (E) Signup and view all the answers

در یک مجموعه داده شامل 2000 نمونه، که در سه دسته مثبت (800 نمونه)، نامشخص (700 نمونه) و منفی (500 نمونه) قرار دارند، از دو درخت تصمیم‌گیری برای دسته‌بندی استفاده شده است. در اولین سطح تقسیم (عمق اول)، توزیع نمونه‌ها در گره‌های فرزند به شرح زیر است:

درخت ۱:

گره راست: مثبت 600، نامشخص 200، منفی 200

گره چپ: مثبت 200، نامشخص 500، منفی 300

درخت ۲:

گره راست: مثبت 500، نامشخص 400، منفی 300

گره چپ: مثبت 300، نامشخص 300، منفی 200

با توجه به توضیحات داده شده، کدام گزینه صحیح است؟

درخت ۱ هم در Gini Index و هم در Entropy بهتر است. (B) Signup and view all the answers

در یک مسئله طبقه بندی (classification) با داده‌های نامتوازن (۵٪ مثبت)، ماتریس درهم‌ریختگی (confusion matrix) به صورت زیر بدست آمده است:

Predicted 1 Predicted 0

Actual 1 10 5

Actual 0 20 1000

کدام معیار ارزیابی برای این مدل ارجحیت دارد؟

	Predicted 1	Predicted 0
Actual 1	10	5
Actual 0	20	1000

F1-Score (D) Signup and view all the answers

با توجه به اطلاعات ماتریس درهم ریختگی سوال قبل، مقدار عددی F1-Score مناسب برای ارزیابی مدل چند است؟

0.44 Signup and view all the answers

کدام گزاره در مورد معیارهای تقسیم گره (node splitting criteria) در یک درخت تصمیم (Decision Tree) برای مسائل رگرسیون (Regression) صحیح است؟

از معیار کاهش واریانس یا کاهش SSR (Sum of Squared Residuals) استفاده می‌شود. (B) Signup and view all the answers

کدام گزاره در مورد Gini Index و Entropy در درخت تصمیم (Decision Tree Classifier) صحیح است؟

وقتی توزیع کلاس‌ها کاملاً متوازن باشد، مقدار Entropy برابر ۱ است. (B) Signup and view all the answers

یک مدل رگرسیون خطی روی مجموعه داده اعتبارسنجی، نتایج زیر را نشان می‌دهد:

# True Value Predicted Value

1 200 210

2 150 160

3 300 280

4 250 240

5 100 130

مقدار ضریب تعیین ($R^2$) برای این مدل چقدر است؟

#	True Value	Predicted Value
1	200	210
2	150	160
3	300	280
4	250	240
5	100	130

0.53 Signup and view all the answers

در آموزش یک مدل Logistic Regression، جدول زیر شامل مقادیر واقعی و احتمالات پیش‌بینی شده برای هر نمونه است:

# True Label Predicted Probability

1 1 0.9

2 0 0.3

3 1 0.6

مقدار میانگین Log Loss را محاسبه کنید.

#	True Label	Predicted Probability
1	1	0.9
2	0	0.3
3	1	0.6

0.32 Signup and view all the answers

در یک الگوریتم یادگیری تقویتی (Reinforcement Learning)، تابع ارزش (Value Function) نشان دهنده تخمینی از مجموع پاداش‌های دریافتی در آینده بر اساس دنبال کردن یک سیاست خاص از یک حالت خاص است.

True (A) Signup and view all the answers

در یادگیری ماشین، فرآیند انتخاب زیرمجموعه‌ای از ویژگی‌های موجود در داده‌ها به منظور کاهش ابعاد و بهبود عملکرد مدل، به عنوان __________ شناخته می‌شود.

انتخاب ویژگی Signup and view all the answers

هر یک از الگوریتم‌های یادگیری ماشین زیر را با نوع مسئله‌ای که بیشتر برای حل آن مناسب است، مطابقت دهید:

رگرسیون خطی (Linear Regression) = مسائل پیش‌بینی مقادیر پیوسته ماشین بردار پشتیبان (Support Vector Machine) = مسائل طبقه‌بندی و رگرسیون با ابعاد بالا خوشه‌بندی K-میانگین (K-Means Clustering) = مسائل گروه‌بندی داده‌ها بدون برچسب شبکه‌های عصبی کانولوشن (Convolutional Neural Networks) = مسائل پردازش تصویر و ویدیو Signup and view all the answers

کدام یک از روش‌های زیر برای مقابله با مشکل عدم تعادل کلاس‌ها (class imbalance) در یک مجموعه داده مناسب‌تر است، اگر هدف اصلی، حفظ دقت (precision) بالا در کلاس اقلیت باشد؟

استفاده از یک آستانه (threshold) بالاتر برای طبقه‌بندی نمونه‌ها به کلاس اقلیت. (D) Signup and view all the answers

در یک مسئله یادگیری نیمه‌نظارتی (semi-supervised learning)، کدام یک از روش‌های زیر می‌تواند به بهبود عملکرد مدل کمک کند، اگر اطلاعات بدون برچسب (unlabeled data) دارای ساختار خوشه‌بندی مشخصی باشند؟

استفاده از روش pseudo-labeling برای تولید برچسب‌های مصنوعی برای داده‌های بدون برچسب (E) Signup and view all the answers

در روش انتقال یادگیری (Transfer Learning)، فریز کردن لایه‌های ابتدایی یک شبکه عصبی از پیش آموزش‌دیده (pre-trained network) و آموزش تنها لایه‌های انتهایی، به منظور انتقال دانش از یک مسئله به مسئله دیگر، همیشه منجر به بهبود عملکرد مدل می‌شود.

False (B) Signup and view all the answers

در یادگیری عمیق، به فرایند تنظیم دقیق (fine-tuning) یک مدل از پیش آموزش‌دیده (pre-trained model) بر روی یک مجموعه داده جدید، با هدف انطباق مدل با ویژگی‌های خاص آن مجموعه داده، __________ گفته می‌شود.

انتقال یادگیری Signup and view all the answers

هر یک از مفاهیم زیر در یادگیری عمیق را با تعریف مربوط به آن مطابقت دهید:

Dropout = یک تکنیک منظم‌سازی که با حذف تصادفی برخی از نورون‌ها در طول آموزش، از overfitting جلوگیری می‌کند. Batch Normalization = یک تکنیک که با نرمال‌سازی ورودی هر لایه، سرعت آموزش را افزایش می‌دهد و به مدل اجازه می‌دهد که از نرخ یادگیری بالاتری استفاده کند. Residual Connection = یک اتصال مستقیم بین لایه‌های غیر مجاور که به گرادیان‌ها اجازه می‌دهد به طور مستقیم به لایه‌های قبلی منتقل شوند و مشکل vanishing gradient را کاهش می‌دهد. Attention Mechanism = یک روشی است که به مدل اجازه می‌دهد تمرکز خود را بر روی بخش‌های مهم‌تر ورودی‌ها در یک توالی گذاشته و آن ها را با اهمیت بیشتری در نظر بگیرد. Signup and view all the answers

Flashcards

Binary Cross-Entropy

تابع هزینه ای که برای طبقه بندی دودویی با MLP و لایه خروجی Sigmoid مناسب تر است.

روش همگن سازی L2

روش همگن سازی L2 روی شبکه های عصبی، روی بزرگی وزن های مدل پنالتی می گذارد.

Vanishing Gradient

پدیده vanishing gradient موجب می شود فرایند یادگیری در وزن ها و بایاس های مدل کُند شود.

Softmax

تابع فعال سازی Softmax اغلب در لایه خروجی شبکه های عصبی برای multi-class classification استفاده می شود.