L12

Question 1

Šta predstavlja veštačka inteligencija?

Answer 1

VI je nauka koja se bavi konstruisanjem inteligencije korišćenjem hardverskih i softverskih rešenja - automatizovanje ljudske inteligencije na osnovu načina na koji ljudi obrađuju informacije.

Question 2

Koje su oblasti veštačke inteligencije?

Answer 2

Mašinsko učenje (deep, unsupervised, supervised), procesuiranje ljudskog jezika, govor, prepoznavanje objekata, robotika, zaključivanje i planiranje.

Question 3

Kako glasi definicija mašinskog učenja (po Mitchell-u)?

Answer 3

Za računarski program kaže se da uči da rešava određeni zadatak T, iz iskustva E i mrežom performansi P, ukoliko se njegove performanse zadatka T, merene prema P poboljšavaju iz iskustva E.

Question 4

Kako se dele algoritmi mašinskog učenja? Opisati osnovne karakteristike jednog od algoritma.

Answer 4

Nadgledano učenje, nenadgledano učenje i pojačano učenje. Kod nadgledanog učenja algoritmu se pružaju ulazni i izlazni istorijski podaci iz kojih on uči kako da od ulaznih podataka dođe do izlaznih.

Question 5

Koji su algoritmi iz nadgledanog/nenadgledanog/pojačanog učenja?

Answer 5

Algoritmi regresije (linearna regresija, višestruka linearna regresija, polinomna regresija) i algoritmi klasifikacije (logistička regresija, naive bayes, stablo odlučivanja, slučajne šume…).

Question 6

Koje su glavne karakteristike linearne regresije?

Answer 6

Kod linearne regresije, na osnovu već postojećih ulaznih i izlaznih podataka. Postoji m trening primera, od kojih svaki sadrži x ulaznih i y izlaznih promenljivih. Funkcija h mapira x na y.

Question 7

Koje su glavne karakteristike logističke regresije?

Answer 7

Kod logističke regresije, na osnovu postojećih ulaznih i izlaznih podataka, algoritam treba da predvidi izlaz za nove podatke koje su u opštem slučaju diskretne vrednosti, najčešće 0 i 1.

Question 8

Opisati algoritam opadajućeg gradijenta kod linearne/logističke regresije.

Answer 8

Algoritam opadajućeg gradijenta je jedan od najčešće korišćenih algoritama za minimiziranje funkcije greške. Koraci ovog algoritma su:

1. Polazi se od početne vrednosti parametara theta0 i theta1
2. parametri se menjaju da se smanji funkcija greške J dok se ne dođe do minimuma

Question 9

Izvesti izraze izvoda funkcije greške kod linearne regresije sa jednom promenljivom.

Answer 9

??

Question 10

Kako izgleda hipozeta kod logističke regresije? Skicirati sigmoidnu funkciju (sa osama)

Answer 10

Hipoteza logičke regresije je oblika hθ(x) = g(θ^Tx) [theta je ideks, ali ne mogu da formatiram] U prethodnoj jednačini funkcija g() je sigmoidna funkcija.