Интеллектуальные информационные системы (ИИС) - ответы на вопросы от автора meimei1337

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

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

• 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)

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.

• 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.

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

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

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.

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

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

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

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.

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

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

• 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)

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.

• 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

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

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)

• 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

• Если дед посадил репку, то она выросла, а если дед не посадил репку, то репка не выросла.
• Дед посадил репку и репка выросла, или дед не сажал репку, а репка выросла.
• Дед посадил репку и она выросла, или дед не сажал репку и она не выросла.
• Репка выросла тогда и только тогда, когда дед её посадил.
• Дед посадил репку и она выросла или если репка не выросла, то дед её не сажал.

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

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

• 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.

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

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

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

• 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.

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.

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

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

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

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

• 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;

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

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

• ∃x (A(x) & C(x) & (S(x, a) ∨ ¬A(a)))
• ∀у (A(x) & C(x) & (S(x, b) ∨ ¬A(b)))
• ∀y ∃x (A(x) & C(x) & (S(x, y) ∨ ¬A(y)))
• A(a) & C(a) & (S(a, b) ∨ ¬A(b))
• ∀y (A(a) & C(a) & (S(a, y) ∨ ¬A(y)))

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

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

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.

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.

• 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.

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

• неполнота
• изменчивость
• многозначность
• недостоверность
• качественность оценок

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

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

• A&¬B и ¬(¬B & ¬A)
• A⟶B и ¬( A&¬B )
• A⟶B и ¬(A ⟶ B)
• A⟶¬B и ¬(¬B ⟶A)
• ¬A&B и (¬B ∨ ¬A)

• Да
• Нет

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

• Три дизъюнкта
• Четыре дизъюнкта
• Два дизъюнкта
• Один дизъюнкт

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

• в иерархических структурах для сохранения существенной и отбрасывания несущественной информации
• в простейших нейронных сетях
• в популяциях одноклеточных организмов

• числа нейронов в промежуточном слое
• числа нейронов во всей сети
• весов связей нейронов
• числа входных сигналов (признаков)

• Да
• Нет

• идентификация знаний
• реализация
• формализация знаний
• концептуализация знаний

• 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.

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

• 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.

• При обучении «с учителем» объекты обучающей выборки снабжены атрибутом, указывающим класс каждого объекта; при обучении «без учителя» такой атрибут отсутствует.
• Обучающая выборка при обучении «с учителем» существенно больше обучающей выборки при обучении «без учителя».
• 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).

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

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

• да
• нет

• тождественными;
• теоремами.
• выводимыми;
• общезначимыми;
• равносильными;

• инженеры по знаниям
• пользователи
• эксперты

• семантическая сеть
• дерево решений
• дерево целей

• обработке неопределенности знаний
• использовании множества источников знаний
• реакции на события

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

• 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.

• признаки классификации, использующиеся для описания возможных вариантов развития событий
• примеры реальных ситуаций, накопленных за некоторый исторический период, описывающиеся множеством признаков классификации
• примеры искусственных ситуаций, сгенерированных путем перебора всех возможных вариантов развития событий, описывающиеся множеством признаков классификации
• нет правильного ответа

• всегда равна 100
• всегда меньше 100
• всегда больше 100
• может быть различной

1. Числовые интервалы
2. Логические значения
3. Вещественные числа
4. Целочисленные признаки
5. Наборы символов
6. Графические изображения

• 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

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

• 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))

Обучение на основе примеров является типичным случаем индуктивного обучения и широко используется в системах искусственного интеллекта. На основе предъявленных примеров (и, возможно, контрпримеров) интеллектуальная система должна сформировать общее понятие, охватывающее примеры и исключающее контрпримеры.

Как представляются примеры объекты в системах машинного обучения?

• упорядоченным набором линейных функций

• логическими выражениями

• упорядоченным набором признаков

• в виде ориентированного графа

• «с учителем»
• «без учителя»
• нет правильного ответа

• · моделирование (построение модели окружающей среды)
• · формирование рефлексов
• · планирование действий
• · распознавание сложных ситуаций

• реализация
• формализация знаний
• идентификация знаний
• концептуализация знаний

• ориентированный граф, вершины которого – понятия, а дуги – отношения между ними
• модель, позволяющая представить знание в виде предложений типа «ЕСЛИ (условие), ТО (действие)»
• структура данных с присоединенными процедурами
• совокупность классов и объектов предметной среды

• системой с индуктивным выводом
• нейронной сетью
• системой, основанной на прецедентах

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

• интеллектуального интерфейса
• базы знаний
• механизма вывода заключений
• интеллектуального интерфейса, базы знаний и механизма вывода заключений

• Да
• Нет

• настройке и доработке программного инструмента
• наполнении базы знаний
• настройке и доработке программного инструмента, наполнении базы знаний
• нет правильного ответа

• 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)]

• 1,3, и 5
• 2,3, и 4
• 1, 2, и 3
• 2,3 и 5
• 2,4, и 5

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

• заказчик
• пользователь
• эксперт
• инженер по знаниям
• заказчик и эксперт
• эксперт и инженер по знаниям
• заказчик, эксперт и инженер по знаниям

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

• Нет
• Да