Интеллектуальные информационные системы (ИИС) - ответы на вопросы

• ИС обработки и поиска информации.
• ИС автоматизированного проектирования.
• ИС прогнозирования.
• ИС управления.

• Мышление
• Знание
• Интеллект

• Количество объектов в каждом классе
• Обучающую выборку
• Критерии отнесения объектов классам
• Центры классов
• Количество классов, к которым относятся объекты

• 1
• 2
• 3

• все объекты обучающей выборки описываются наборами числовых признаков
• всем объектам обучающей выборки приписаны имена классов
• все объекты обучающей выборки первоначально не отнесены к конкретным классам
• классы объектов формируются по признаку сходства объектов между собой
• критерием сходства объектов является мера близости, определяющая расстояние между объектами

• все три свойства верны.
• только свойство 1 верно для этих двух алгоритмов.
• 1 и 2 свойства верны для двух алгоритмов.
• 1 и 3 свойства верны для двух алгоритмов.
• все три свойства верны только для MAXMIN и не верны для порогового алгоритма

• первая формула является произвольной, вторая общезначима;
• обе общезначимы;
• первая общезначима, вторая противоречива;
• первая противоречива, вторая общезначима;
• обе противоречивы;
• первая формула противоречива, вторая является произвольной;
• правильного ответа нет.

• Все формулы представлены в ССФ
• Все формулы, кроме первой (она содержит импликацию)
• Ни одна из формул не представлена в ССФ
• Все формулы, кроме первых двух (в них есть кванторы 3)

1. это бесконечное (счётное) множество объектов, принадлежащих точно двум классам
2. это конечное множество объектов - примеров нескольких классов
3. это конечное множество объектов, принадлежащих точно одному классу

Дерево решений построено алгоритмом ID3. Дерево решений используется:

• для классификации примеров обучающей выборки.

• для модификации дерева решений и получения нового, улучшенного варианта дерева решений.

• для классификации новых примеров, ранее не входящих в обучающую выборку.

• 2014 г.
• 2018 г.
• 2022 г.
• 2023 г.

• В ПНФ представлены формулы 2 и 3
• Ни одна из формул не представлена в ПНФ
• Все формулы представлены в ПНФ
• Все формулы, кроме первой, представлены в ПНФ

• ∃y D(Петр, y)
• D(Петр, Иван)
• ∃x ∀y D(x, y)
• ∀x ∃y D(x, y)

• Для разделения классов возможно использовать алгоритм построения нелинейной решающей функции (метод потенциалов).
• Возможно применить совместно оба алгоритма одновременно.
• Возможно несколько раз применить алгоритм построения линейной решающей функции и построить кусочно-линейную функцию, разделяющую объекты двух классов и состоящую из нескольких линейных отрезков.

• Утверждение 1 неверно.
• Утверждение 2 неверно.
• Все утверждения верны.
• Утверждение 3 неверно.
• Утверждение 4 неверно.

• Необходимо провести экзамен повторно на новой тестовой выборке, отличной от первоначальной.
• Необходимо удалить из тестовой выборки те примеры, на которых классификатор дал неверные ответы, и повторить процедуру экзамена.
• Необходимо провести обучение заново. В качестве обучающего множества будем использовать экзаменационную (тестовую) выборку. Затем повторяем процедуру экзамена.
• Необходимо провести обучение заново. При этом к исходной обучающей выборке добавляем те примеры из тестового множества, на которых классификатор дал неверные ответы. Затем повторяем процедуру экзамена.

• S=[ A(a) & C(a), S(a, y) v A(y) }
• S=[A(a) & C(a) & (S(a, y) v A(y)) ]
• S=[ A(a), C(a), S(a, y), A(y) ]
• S=[ A(a), C(a), S(a, y) V A(y)}

1. Логическая функция, использующая операции И ИЛИ НЕ.
2. Набор продукционных правил.
3. Дерево решений.
4. Двудольный граф.

• ИС обработки и поиска информации.
• ИС автоматизированного проектирования.
• ИС поддержки принятия решений.
• ИС управления.

• Все формулы представлены в ПНФ
• Все формулы, кроме первой, представлены в ПНФ
• Ни одна из формул не представлена в ПНФ
• 
  

• дерево решений правильно классифицирует все примеры обучающей выборки.
• дерево решений правильно классифицирует примеры из любых наборов данных, в которых объекты отличаются от объектов обучающей выборки и имеют другие атрибуты.
• дерево решений правильно классифицирует новые примеры, аналогичные примерам обучающей выборки, но ранее не входящие в обучающую выборку.
• дерево решений может быть преобразовано в набор продукционных правил.

• Если Петя не весел, то, если на него нельзя положиться, то он не принадлежит к нашей компании.
• Если неверно, что Петя весел, или на него можно положиться, то он не принадлежит к нашей компании.
• Если на Петю нельзя положиться, то он не весел и не принадлежит к нашей компании.
• Выберите правильную фразу, сопоставленную этой формуле:
• Либо Петя не весел, либо, на него нельзя положиться и он не принадлежит к нашей компании.
• Если Петя не принадлежит нашей компании, то он не весел и на него нельзя положиться.

• все три свойства верны.
• только свойства 2 и 3 верны для этих двух алгоритмов.
• все три свойства верны только для алгоритма К-средних и не верны для алгоритма MAXMIN

• Обязательно будет бинарным.
• В корне дерева находится наиболее информативный признак.
• Конечные вершины дерева (листья) могут быть взвешены именами двух и более классов.
• Каждый путь от корня дерева к листу не содержит повторных проверок уже использованных атрибутов.

• Все конечные вершины бинарного дерева (листья) взвешены именами точно двух классов.
• Все промежуточные вершины дерева, а также корневая вершина, имеют точно двух потомков.
• Корневая вершина дерева имеет точно двух потомков.
• В каждом узле дерева, который не является листом, выполняется проверка значений нескольких атрибутов.

• Обучающая выборка при обучении «с учителем» существенно больше обучающей выборки при обучении «без учителя».
• При обучении «с учителем» объекты обучающей выборки снабжены атрибутом, указывающим класс каждого объекта; при обучении «без учителя» такой атрибут отсутствует.
• При обучении «с учителем» объекты обучающей выборки имеют атрибуты точно одного типа; при обучении «без учителя» объекты обучающей выборки описываются атрибутами разного типа (числовые, символьные, логические).

• Хранилище данных
• Витрины данных
• Многомерный куб данных

• ⱯX (R(x) & -A(x) ->D(x))
• ⱯX (R(x) & D(x)) -> vx (A(x)&-D(x))
• ⱯX (R(x)V-A(x)vD(x))
• 3x R(x) & - A(x)&D(x)
• ⱯX (R(x) -> ∃x (-D(x)&A(x))

• - приписывание конкретных значений (0, 1) атомам A, B, C, D;
• - преобразование формулы F к более простому виду.
• - все возможные значения формулы F;
• - построенная таблица истинности;

• О хранилищах данных.
• О витринах данных.
• Об инструментах OLAP.
• О средствах обнаружения знаний (Data Mining).

• все проблемы с 1) по 5)
• проблемы 1) 4) и 5)
• проблемы 2) и 3)
• все эти проблемы не решаются с помощью человека – эксперта

• А, Б и В
• А и Б
• Все фразы - высказывания
• Б, В и Г
• Б, Г и Д

• Прав только студент Иванов.
• Прав только студент Сидоров.
• Правы студенты Иванов и Петров.

• Противоречивость S еще не доказана, продолжаем вывод, используем при этом дизъюнкт QvQ для получения новых резольвент.
• Противоречивость S еще не доказана, продолжаем вывод, но использовать дизъюнкт QV-Q для получения новых резольвент нельзя, так как Qv-Q=И
• Противоречивость S доказана, больше не нужно продолжать вывод.

• 1, 4, и 5
• Все пары формул равносильны
• 2 и 3
• 3 и 5
• 1 и 5

• P(g(y)) ∨ ¬R(x) ∨ Q(g(y), z)
• P(x) ∨ ¬R(x) ∨ Q(g(y), z)
• P(x) ∨ ¬R(g(y)) ∨ Q(x, z)
• P(x) ∨ P(g(y)) ∨ ¬R(x) ∨ Q(x, z)

• Большие данные
• Сквозные технологии
• Экспертные системы.

• бесконечное число примеров
• бесконечное, но обязательно счётное число примеров
• счётное число примеров
• конечное число примеров

• Стратегия 1 правильная.
• Стратегия 2 правильная.
• Обе стратегии допустимы.

• Пороговый алгоритм.
• Алгоритм MAXMIN.
• Алгоритм «K средних».
• Алгоритм построения линейной разделяющей функции.
• Алгоритм построения нелинейной разделяющей функции.

• 1, 3 и 6.
• все, кроме №3;
• все, кроме №5;
• все формулы;

1. Необходимо провести экзамен повторно на новой тестовой выборке, отличной от первоначальоe
2. Необходимо удалить из тестовой выборки те примеры, на которых классификатор дал неверные ответы, и повторить процедуру экзамена.
3. Необходимо провести обучение заново. В качестве обучающего множества будем использовать экзаменационную (тестовую) выборку. Затем повторяем процедуру экзамена.
4. Необходимо провести обучение заново. При этом к исходной обучающей выборке добавляем те примеры из тестового множества, на которых классификатор дал неверные ответы. Затем повторяем процедуру экзамена.

• Экосистема
• Ассоциация
• Аналитика

• противоречивы 1, 2, 3
• Все формулы противоречивы
• противоречивы 1 и 4
• противоречивы 3 и 4
• противоречивы 2 и 5

Обучающая выборка разбита на классы с помощью одного из алгоритмов обучения «без учителя». Какие объекты называются объектами -прототипами классов?

• Объект - прототип класса - это наиболее характерная точка класса (возможно, его геометрический центр).

• Объект - прототип класса это точка, принадлежащая классу и максимально близкая к границе, разделяющей классы.

• Объект - прототип класса это точка, наиболее удалённая от всех объектов, принадлежащих другим классам.

Выберите верные для алгоритмов обучения «с учителем» утверждения.

В интеллектуальных системах машинным обучением называется процесс создания и оптимизации классификационного правила, которое разделяет предъявленные объекты на классы.

В алгоритмах обучения «с учителем» такой классификатор представляет: ...

• границы между классами, заданные в виде функций

• набор логических функций

• дерево решений

• множество продукционных правил

• набор логических функций
• множество продукционных правил
• дерево решений
• границы между классами, заданные в виде функций

• реальная таблица, хранящиеся в распределенной БД
• фрагмент реальной таблицы, хранящейся в распределённой БД
• фрагмент реальной таблицы, хранящейся в распределённой БД, где один из атрибутов выбран в качестве решающего атрибута
• качестве решающего атрибута

• тестовым множеством
• обучающим множеством или обучающей выборкой
• приближённым множеством
• мягким множеством

• 8
• Бесконечно много
• 4
• 32
• 16
• 2

• один из столбцов (А, В или С) таблицы.
• последний столбец таблицы (F);
• вся таблица;
• одна из строк таблицы;

1. Дерево решений - это дерево, внутренние узлы которого представляют собой проверки для входных примеров из обучающего множества, а вершины-листы взвешены именами классов (решений).
2. Дерево решений каждому входному примеру ставит в соответствие номер класса путем фильтрации этого примера через промежуточные узлы дерева сверху вниз. Результаты каждой проверки являются взаимоисключающими и исчерпывающими.
3. Проверки для каждого входного примера начинаются с корня дерева. Проверка заканчивается, когда достигнут лист дерева.
4. Каждая проверка - это проверка значения одного из признаков, описывающих входной пример. Проверки могут приводить к двум результатам, или более, чем к двум.
5. Все утверждения верны.

• Да
• Нет

• Обучающая выборка, из которой удалены те примеры, для которых классификация была ошибочна
• Обучающая выборка, к которой добавлены несколько новых примеров
• Множество примеров, ни один из которых не входил в исходную обучающую выборку
• Обучающая выборка полностью

• Сверточная нейронная сеть.
• Рекуррентная нейронная сеть.
• Многослойный персептрон.

1. В каждом узле дерева, который не является листом, выполняется проверка значений точно двух атрибутов.
2. Корневая вершина дерева имеет точно двух потомков.
3. Все конечные вершины бинарного дерева (листья) взвешены именами точно двух классов.
4. Все промежуточные вершины дерева, а также корневая вершина, имеют точно двух потомков.

• D(Петр, Иван)
• Ǝx Ɐy D(x, y)
• Ǝу D(Пeтp, y)
• Ɐx Ǝy D(x, y)

• Правильным является определение В)
• Правильным является определение А)
• Правильным является определение Б)
• Все определения верны.
• Правильными являются определения Б) и В)

• Все, кроме 1)
• Все, кроме 2)
• Все, кроме 3)
• Все, кроме 4)
• Все, кроме 5)
• Все пять свойств

• Б)
• Д)
• B)
• А)
• Г)

• О хранилищах данных.
• О витринах данных.
• Об инструментах оперативной аналитической обработки (OLAP)
• О средствах обнаружения знаний (Data Mining)

• неполнота
• изменчивость
• многозначность
• недостоверность
• качественность оценок

• инженер по знаниям – активную, эксперт – пассивную
• оба играют активную роль
• оба играют пассивную роль
• инженер по знаниям – пассивную, эксперт – активную

• ИС обработки и поиска информации.
• ИС автоматизированного проектирования.
• ИС прогнозирования.
• ИС управления.

1. Логическими выражениями
2. Упорядоченным набором линейных функций
3. Упорядоченным набором признаков
4. В виде ориентированного графа

• Эквивалентность
• Сложение по модулю 2
• Конъюнкция
• Дизъюнкция
• Отрицание

• OLAP-системы
• системы бизнес-интеллекта (BI)
• Data Mining

• Расстояние D(X, Y) равно 4
• Расстояние D(X, Y) равно 5
• Расстояние D(X, Y) равно 3

Наиболее простой способ оценить, насколько хорошо построенная решающая функция (такая, как система решающих правил, или дерево решений) работает это проверить её на тестовом множестве (экзамен).

Какое из утверждений верно?

В качестве экзаменационного множества при этом используется: ...

• Обучающая выборка, из которой удалены те примеры, для которых классификация была ошибочна.

• Множество примеров, ни один из которых не входил в исходную обучающую выборку.

• Обучающая выборка полностью.

• Часть обучающей выборки (например, половина).

• Обучающая выборка, к которой добавлены несколько новых примеров.

• D(Петр, x)
• ∀x ∃y D(x, y)
• ∃x D(x, y)
• ∃x ∀y D(x, y)
• ∃y D(Петр, y)

• Иерархия «класс – подкласс» (ISA иерархия)
• Отношение «объект – часть объекта»
• Отношение «класс – пример класса»
• Отношение «объект – свойство объекта»
• Логические отношения

• Объект – прототип класса - это точка, наиболее удалённая от всех объектов, принадлежащих другим классам.
• Объект – прототип класса – это наиболее характерная точка класса (возможно, его геометрический центр).
• Объект – прототип класса – это точка, принадлежащая классу и максимально близкая к границе, разделяющей классы.

• первая общезначима, вторая противоречива;
• первая формула противоречива, вторая является произвольной;
• обе противоречивы;
• первая противоречива, вторая общезначима;
• правильного ответа нет.
• обе общезначимы;
• первая формула является произвольной, вторая общезначима;

• Отношение «объект часть объекта»
• Иерархия «класс - подкласс» (IЅА иерархия)
• Отношение «класс - пример класса»
• Логические отношения
• Отношение «объект - свойство объекта»

• регрессия
• кластеризация
• ассоциация
• PRA

• разработка неформального описания знаний о предметной области в виде графа, таблицы, диаграммы или текста
• получение инженером по знаниям наиболее полного из возможных представлений о предметной области и способах принятия решения в ней
• создание прототипа ЭС
• разработка БЗ на языке представления знаний

1. Конечные вершины дерева (листья) могут быть взвешены именами двух и более классов.
2. В корне дерева находится наиболее информативный признак.
3. Обязательно будет бинарным.
4. Каждый путь от корня дерева к листу не содержит повторных проверок уже использованных атрибутов.