زبان تخصصی کامپیوتر و مهارت درک متون فنی: واژگان تخصصی یادگیری ماشین - کوییز

1. Unsupervised Learning
2. Reinforcement Learning
3. Supervised Learning
4. Semi-supervised Learning

گزینه صحیح: 3

توضیح: Supervised Learning به معنای یادگیری نظارت شده است که در آن مدل با استفاده از داده هایی که دارای ورودی و خروجی (برچسب) مشخص هستند، آموزش می بیند.

1. انتخاب بهترین الگوریتم برای یک مسئله خاص.
2. ساخت و انتخاب ویژگی های مفید از داده های خام برای بهبود عملکرد مدل.
3. ارزیابی نهایی دقت مدل پس از آموزش.
4. تنظیم پارامتر های یک مدل برای دستیابی به بهترین نتیجه.

گزینه صحیح: 2

توضیح: Feature Engineering فرآیند تبدیل داده های خام به ویژگی هایی است که مدل بتواند بهتر از آن ها یاد بگیرد و عملکرد بهتری داشته باشد.

1. Mean Squared Error (MSE)
2. R-squared
3. Accuracy
4. Root Mean Squared Error (RMSE)

گزینه صحیح: 3

توضیح: Accuracy (دقت) یکی از رایج ترین معیار های ارزیابی برای مدل های دسته بندی است که نسبت پیش بینی های صحیح را نشان می دهد.

1. مدل به خوبی روی داده های آموزشی یاد نگرفته است.
2. مدل روی داده های آموزشی عالی عمل می کند اما روی داده های جدید (تست) ضعیف عمل می کند.
3. مدل خیلی ساده است و قادر به یادگیری الگو های پیچیده نیست.
4. داده های آموزشی دارای نویز زیادی هستند.

گزینه صحیح: 2

توضیح: Overfitting زمانی رخ می دهد که مدل به جای یادگیری الگو های کلی، جزئیات و نویز موجود در داده های آموزشی را حفظ می کند و در نتیجه روی داده های جدید عملکرد ضعیفی دارد.

1. Linear Regression
2. K-Means
3. Decision Tree
4. Support Vector Machine (SVM)

گزینه صحیح: 2

توضیح: K-Means یک الگوریتم محبوب برای خوشه بندی است که داده ها را به K خوشه مجزا تقسیم می کند.

1. یک بار عبور کل مجموعه داده از الگوریتم.
2. یک مرحله پردازش یک نمونه داده.
3. تعداد لایه های شبکه عصبی.
4. نرخ یادگیری مدل.

گزینه صحیح: 1

توضیح: یک Epoch به یک چرخه کامل آموزش اشاره دارد که در آن کل مجموعه داده آموزشی یک بار از الگوریتم یادگیری عبور داده می شود.

1. تنظیم پارامتر های مدل که در طول آموزش یاد گرفته می شوند (مانند وزن ها).
2. انتخاب معماری شبکه عصبی.
3. تنظیم پارامترهایی که قبل از شروع آموزش تنظیم می شوند و بر فرآیند آموزش تأثیر می گذارند.
4. پیش پردازش داده ها.

گزینه صحیح: 3

توضیح: Hyperparameter Tuning به فرآیند یافتن بهترین مقادیر برای هایپرپارامتر های مدل (مانند نرخ یادگیری، تعداد لایه ها، تعداد نورون ها در هر لایه) اشاره دارد که مستقیماً توسط الگوریتم یادگیری تنظیم نمی شوند.

1. Training Set
2. Validation Set
3. Test Set
4. Development Set

گزینه صحیح: 3

توضیح: Test Set (مجموعه تست) برای ارزیابی بی طرفانه عملکرد نهایی مدل بر روی داده هایی که مدل هرگز ندیده است، استفاده می شود.

1. توازن بین پیچیدگی مدل و پیچیدگی داده ها.
2. توازن بین خطای ناشی از فرضیات ساده سازانه مدل (Bias) و خطای ناشی از حساسیت مدل به نوسانات داده ها (Variance).
3. توازن بین سرعت آموزش و دقت مدل.
4. توازن بین مقدار داده های آموزشی و تعداد ویژگی ها.

گزینه صحیح: 2

توضیح: Bias-Variance Tradeoff یک مفهوم اساسی در یادگیری ماشین است که نشان می دهد چگونه کاهش Bias (خطای ناشی از ساده انگاری) معمولاً منجر به افزایش Variance (حساسیت به داده ها) و بالعکس می شود.

1. Classification
2. Clustering
3. Regression
4. Dimensionality Reduction

گزینه صحیح: 3

توضیح: Regression (رگرسیون) برای پیش بینی مقادیر پیوسته به کار می رود، در حالی که Classification برای پیش بینی مقادیر دسته ای استفاده می شود.