Интеллектуальные информационные системы (ИИС) - ответы на вопросы

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

• 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

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

• 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.

• 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).

• 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

• 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

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

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.

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

• 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.

• 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.

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.

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

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

• 1
• 2
• 3

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

В интеллектуальных системах Data Mining (добыча данных) и Knowledge Discovery in Databases (обнаружение знаний в базах данных) обучающая выборка — это некоторый фрагмент таблицы, хранящейся в распределённой БД. Известно, что такие таблицы могут содержать очень много атрибутов различного типа. Как определяется решающий атрибут для формирования обобщенных понятий?

• Решающий атрибут определяется на основе эвристических критериев.

• Решающий атрибут указывает эксперт.

• Решающий атрибут находится на основе оценки информативности.

• первый
• второй
• третий
• четвёртый
• все варианты верны

• содержат неопределённую информацию
• содержат противоречивую информацию
• содержат неполную информацию
• содержат неточную информацию

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

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

• Алгоритм MAXMIN.
• Пороговый алгоритм.
• Алгоритм «К средних».
• Алгоритм построения линейной разделяющей функции.
• Алгоритм построения дерева решений ID3.

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

• вещественные числа
• изображения
• наборы символов
• целочисленные значения
• логические значения

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

• Мышление
• Знание
• Интеллект

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

• алгоритм RЅ1 построения приближённого множества
• ID3
• MaxMin
• алгоритм построения дерева решений, использующий метрику Хемминга

• Все конечные вершины бинарного дерева (листья) взвешены именами более, чем двух классов.
• Атрибут, размещённый в корне дерева, может использоваться повторно при движении от корневой вершины к листу дерева.
• Выбор очередного атрибута для размещения в узле дерева делается на основе метрики Хемминга.

• 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.

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

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

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

• Решающий атрибут обязательно будет бинарным.
• Решающий атрибут может иметь произвольное числовое значение.
• Решающий атрибут может иметь произвольное число символьных значений.
• Решающий атрибут имеет ограниченное количество значений (числовых или символьных) либо является бинарным.

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

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

• Хранилище данных
• Витрины данных
• Многомерный куб данных

• 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)

Какие свойства объектов, хранящихся в реальных базах данных, затрудняет их использование для машинного обучения в системах

Data mining и в экспертных системах:

1) Базы данных создаются из расчета требований конкретных приложений, а не специально для машинного обучения.

2) Информация, содержащаяся в базах данных, как правило, неполна. Свойства объектов, необходимые для корректной классификации, не обязательно представлены в базе данных.

3) Отдельные значения могут содержать ошибки или вовсе отсутствовать.

4) Базы данных очень велики.

5) Базы данных изменяются со временем.

Варианты ответов

• Все, кроме 1)

• Все пять свойств

• Все, кроме 2)

• Все, кроме 5)

• Все, кроме 3)

• Все, кроме 4)

• Какой из двух векторов: X или Y ближе к вектору Z?
• Расстояние D(X, Z) больше D(Y, Z)
• Расстояние D(X, Z) меньше D(Y, Z)
• Расстояния одинаковы

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

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

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.

• Нет
• Да

• 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.

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

• изображения
• логические значения
• наборы символов
• целочисленные значения
• вещественные числа

Изучение и компьютерное моделирование процесса обучения является предметом исследования в области искусственного интеллекта, называемой машинным обучением (Machine Learning). Как правило, система машинного обучения пользуется не единичными наблюдениями, а целыми (конечными) множествами наблюдений сразу. Такое множество называется:

• мягким множеством

• тестовым множеством

• обучающим множеством или обучающей выборкой

• приближённым множеством

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

• Набор продукционных правил.
• Дерево решений.
• Двудольный граф.
• Логическая функция, использующая операции И ИЛИ НЕ.

• 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)

• Р(х)& ¬Ɐх L(х)
• P(x)→¬Ɐx L(х)
• Р(х)&¬L(х)
• ¬Ɐx(P(x) → L(х))
• Ǝx(Р(x)→ L(х))
• ¬Ǝх(Р(х) → L(x))

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

• алгоритмом обучения «с учителем»
• алгоритмом обучения «без учителя»

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

• Расстояние D(X, Z) меньше D(Y, Z)
• Расстояние D(X, Z) больше D(Y, Z)
• Расстояния одинаковы

• Решающий атрибут указывает эксперт.
• Решающий атрибут находится на основе оценки информативности.
• Решающий атрибут определяется на основе эвристических критериев.

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.

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.

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

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

• 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.

• 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 может быть преобразовано в набор продукционных правил.
• дерево решений правильно классифицирует новые примеры, аналогичные примерам обучающей выборки, но ранее не входящие в обучающую выборку.

• 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

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

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

• 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.

• Пороговый алгоритм.
• Алгоритм построения линейной разделяющей функции.
• Алгоритм «K средних».
• Алгоритм построения дерева решений ID3.
• Алгоритм MAXMIN.

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.

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

• A&(-B v.C)
• (Av-B&C)
• (AvB v C)
• (AV-B)&(AvC)

• - 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;

• все варианты верны
• четвёртый
• третий
• Второй
• первый

• 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.

• целочисленные значения
• вещественные числа
• логические значения
• наборы символов
• изображения

• 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)}