ML

Question 1

Ce e AI?

Answer 1

Sisteme care imită comportamentul uman

Question 2

Exemplu de AI

Answer 2

Siri sau Google Assistant care înțeleg comenzi vocale și răspund inteligent.

Question 3

Ce e ML?

Answer 3

Subdomeniu al IA în care sistemele învață din date fără să fie programate explicit.

Question 4

Exemplu ML

Answer 4

Netflix îți recomandă filme pe baza preferințelor tale anterioare.

Question 5

Ce e DL?

Answer 5

Subdomeniu al ML, folosește rețele neuronale cu multe straturi pentru a rezolva probleme complexe

Question 6

Exemplu DL

Answer 6

Recunoașterea feței pe Facebook sau Google Photos.

Question 7

Ce e supervised learning

Answer 7

Modelul este antrenat pe un set de date etichetate, adică datele de intrare vin împreună cu răspunsurile corecte. Modelul învață să facă predicții corecte pentru datele noi pe baza acestor etichete

Question 8

Ce e unsupervised learning

Answer 8

Modelul este antrenat pe date care nu sunt etichetate, adică nu are răspunsuri corecte asociate. Scopul este să descopere structuri sau tipare în date.

Question 9

Exemplu supervised learning

Answer 9

Recunoașterea automată a e-mailurilor de tip spam. Sistemul este antrenat pe e-mailuri etichetate ca “spam” sau “non-spam”.

Question 10

Exemplu unsupervised learning

Answer 10

Exemplu: Gruparea clienților în funcție de comportamentul lor de cumpărare (clustering), fără să știm în avans ce grupuri există.

Question 11

Clasificare

Answer 11

supervised - Modelul învață să atribuie o etichetă unei noi instanțe de date.Clasificarea imaginilor de pisici și câini, unde fiecare imagine este etichetată fie ca „pisică”, fie ca „câine”.

Question 12

Regresie

Answer 12

supervised-Modelul învață să prezică o valoare numerică continuă.

Exemplu: Prezicerea prețului unei case pe baza caracteristicilor sale (dimensiune, locație, număr de camere).

Question 13

Recunoaștere de text (NLP)

Answer 13

supervised - Clasificarea sau etichetarea textului pe baza unor categorii.

Exemplu: Analiza sentimentului, unde se stabilește dacă o recenzie de produs este pozitivă sau negativă.

Question 14

Detectia obiectelor

Answer 14

supervised - Identificarea și clasificarea obiectelor într-o imagine.

Exemplu: Un sistem care detectează și etichetează semnele de circulație într-o imagine de pe o cameră auto.

Question 15

învățarea nesupervizată

Answer 15

modelul lucrează cu date neetichetate, încercând să descopere tipare sau structuri în date

Question 16

Clusterizare

Answer 16

nesupervizat- Gruparea datelor în funcție de similarități, fără a avea etichete prestabilite.

Exemplu: Gruparea clienților unui magazin online în funcție de comportamentul lor de cumpărare, pentru a descoperi segmente de marketing.

Question 17

Reducerea dimensionalității

Answer 17

nesupervizat - Simplificarea datelor complexe păstrând cât mai multă informație relevantă.

Exemplu: Algoritmi precum PCA (Principal Component Analysis) reduc numărul de variabile necesare pentru a descrie o imagine, dar mențin cele mai importante caracteristici pentru recunoașterea unui obiect.

Question 18

Detecția de anomalii

Answer 18

nesupervizat- Identificarea elementelor care nu se conformează tiparelor normale din date.

Exemplu: Detectarea tranzacțiilor frauduloase într-un set de date financiare, unde majoritatea tranzacțiilor sunt legitime, dar câteva sunt anormale.

Question 19

Asociere

Answer 19

nesupervizt- Descoperirea de relații sau reguli între variabilele dintr-un set de date.

Exemplu: Algoritmul „Market Basket Analysis” care găsește tipare în coșurile de cumpărături, cum ar fi faptul că persoanele care cumpără lapte au tendința să cumpere și pâine.

Question 20

Reinforcement learning

Answer 20

este un tip de învățare automată în care un agent învață cum să se comporte într-un mediu prin efectuarea de acțiuni și primirea de feedback sub formă de recompense sau penalizări. Scopul agentului este să învețe o politică (strategie) care să maximizeze suma totală a recompenselor pe termen lung.

Question 21

Agent

Answer 21

Entitatea care ia decizii și învață din interacțiunea cu mediul (ex.: un robot sau un jucător într-un joc).

Question 22

Mediu

Answer 22

Tot ce înconjoară agentul și cu care acesta interacționează. Mediul răspunde la acțiunile agentului.

Question 23

Stare

Answer 23

Reprezentarea situației actuale în care se află agentul.

Question 24

Acțiune

Answer 24

Deciziile sau mișcările pe care agentul le poate face în funcție de starea curentă.

Question 25

Recompensă

Answer 25

Feedback-ul primit de la mediu pe baza acțiunii efectuate. Recompensa poate fi pozitivă (pentru acțiuni bune) sau negativă (pentru acțiuni rele).

Question 26

Politică

Answer 26

Strategia urmată de agent pentru a decide ce acțiune să ia în fiecare stare.

Question 27

Funcția de valoare

Answer 27

Estimează cât de „bună” este o anumită stare în funcție de recompensele viitoare așteptate. Ajută agentul să determine care stări sunt mai avantajoase pe termen lung.

Question 28

Explorare vs. Exploatare:

Answer 28

Echilibrul dintre explorarea acțiunilor noi, care ar putea aduce recompense mai mari (explorare), și folosirea acțiunilor cunoscute care deja oferă recompense bune (exploatare).

Question 29

Reinforcement learning exemplu

Answer 29

Mașini autonome: Agentul (mașina) interacționează cu mediul (drumurile, traficul) prin efectuarea de acțiuni (accelerare, virare, frânare) pe baza stării sale curente (poziția, viteza, condițiile de trafic). Primește recompense pentru menținerea pe drumul corect și evitarea obstacolelor și penalizări pentru accidente sau decizii greșite. În timp, mașina învață care sunt acțiunile cele mai bune pentru a maximiza recompensele (conducere sigură și eficientă).

Question 30

Shallow Learning (Învățare Superficială)

Answer 30

Se referă la utilizarea de modele simple sau cu un număr redus de straturi.
Aceste modele au, de obicei, una sau foarte puține straturi ascunse pentru prelucrarea datelor.

Question 31

Shallow Leanrning exemple

Answer 31

Exemple comune de algoritmi de shallow learning includ:
Regresie liniară/logistică
SVM (Support Vector Machines)
K-NN (K-Nearest Neighbors)
Random Forest

Question 32

Shallow learning caracteriscit

Answer 32

Caracteristici:
Modelul nu poate învăța reprezentări complexe ale datelor.
Necesită adesea preprocesare manuală și extragerea caracteristicilor pentru a obține rezultate bune.
Performanța poate scădea atunci când se lucrează cu date mari sau foarte complexe, cum ar fi imagini sau limbaj natural.

Question 33

Shallow learning exemplu

Answer 33

Exemplu: Prezicerea prețului unei case pe baza unor variabile simple, precum suprafața, numărul de camere și locația, folosind o regresie liniară.

Question 34

deep learning

Answer 34

Se bazează pe utilizarea de rețele neuronale cu multe straturi (numite și straturi “profunde”).
Modelul construiește reprezentări din ce în ce mai abstracte ale datelor pe măsură ce trec prin multiple straturi ascunse.

Question 35

deep learning exemple

Answer 35

Exemple de arhitecturi de deep learning includ:
Rețele Neuronale Convoluționale (CNN): folosite pentru imagini.
Rețele Neuronale Recursivă (RNN) și LSTM: folosite pentru secvențe de date, cum ar fi text sau video.
Rețele Neuronale Generative Adversariale (GANs): folosite pentru generarea de date noi, cum ar fi imagini sau sunete.

Question 36

deep learning caracteristic

Answer 36

Caracteristici:
Poate învăța automat caracteristicile relevante din datele brute, fără a necesita o preprocesare manuală intensă.
Este extrem de eficient în probleme complexe, cum ar fi recunoașterea de imagini, procesarea limbajului natural și analiza video.
Necesită seturi mari de date și putere de calcul ridicată pentru antrenare

Question 37

După Complexitatea Modelului

Answer 37

Shallow Learning vs. Deep Learning

Question 38

Shallow Learning:

Answer 38

Modele mai simple, cu mai puține straturi sau niveluri de procesare.
Exemple: Regresie liniară, K-NN, Decission Trees, Random Forest, SVM

Question 39

Deep Learning:

Answer 39

Modele complexe, de obicei cu rețele neuronale adânci, care au multiple straturi ascunse și învață reprezentări complexe din date.
Exemple: Rețele neuronale (CNN, RNN, LSTM, GANs).

Question 40

După Tipul de Învățare

Answer 40

Supervised, Unsupervised, Reinforcement

Question 41

Supervised Learning (Învățare Supervizată)

Answer 41

Modelul este antrenat cu date etichetate.
Exemple: Regresie liniară, SVM, Random Forest, Rețele Neuronale

Question 42

Unsupervised Learning (Învățare Nesupervizată):

Answer 42

Modelul este antrenat cu date neetichetate.
Exemple: K-Means, PCA, Autoencodere, Modelarea amestecurilor Gaussiene.

Question 43

Reinforcement Learning (Învățare prin Recompensă):

Answer 43

Modelul învață prin interacțiunea cu mediul și prin recompense sau penalizări.
Exemple: Q-Learning, Deep Q Networks (DQN), SARSA.

Question 44

După Tipul de Date Gestionate

Answer 44

Structurate vs. Nestructurate

Question 45

Algoritmi pentru Date Structurate:

Answer 45

Folosesc date organizate în tabele sau baze de date, cu un set clar de variabile.
Exemple: Regresie Liniară, SVM, Random Forest.