Intelligenza artificiale e machine learning - Saperi essenziali #608335

Intelligenza artificiale e machine learning - Matrice di correlazione

In una matrice di correlazione c’è una forte relazione tra una feature ed il target quando il coefficiente di correlazione è

A:

vicino a +1 o a -1

B:

vicino a +1

C:

vicino a -1

D:

vicino a 0

Scelta multipla

Intelligenza artificiale e machine learning - Algoritmi di machine learning

Per ciascuna delle seguenti affermazioni, indica se è vera o falsa.

A:

Il classificatore è un modello supervisionato.

B:

Il regressore predice l’appartenenza di un dato a una categoria.

C:

L’algoritmo di clustering predice un valore numerico a partire dalle features.

D:

Il classificatore scopre gruppi di dati con caratteristiche comuni.

Vero o falso

Intelligenza artificiale e machine learning - Apprendimento supervisionato

Nell’apprendimento supervisionato un modello viene addestrato fornendogli

A:

dati di test e dati di training.

B:

dati di training e relative etichette (target).

C:

dati di training.

D:

dati di test e relative etichette (target).

Scelta multipla

Intelligenza artificiale e machine learning - Algoritmo K-Means

a. L’algoritmo K-Means è un algoritmo di .
b. In questo algoritmo effettuata la suddivisione tra dati di training e dati di test.
c. Una volta addestrato, l’algoritmo assegna a un nuovo dato un .
d. La lettera K indica il numero .

Completamento chiuso

Intelligenza artificiale e machine learning - Sigle

a. AI
b. ANN
c. ML
d. DNN
e. GenAI
f. LLM

Completamento aperto

Reti neurali - Caratteristiche delle reti

Per ciascuna delle seguenti affermazioni sulle reti neurali, indica se è vera o falsa.

A:

Ciascun layer è suddiviso tra nodi di input e nodi di output.

B:

Il termine deep è riferito alla presenza di molti strati nascosti.

C:

L’addestramento di una rete neurale consiste nel modificare il numero di nodi e le connessioni tra i layer.

Vero o falso

Intelligenza artificiale e machine learning - Scikit-Learn

a. Divisione dei dati in training e test
b. Preprocessing dei dati
c. Valutazione del modello di ML
d. Predizione dei dati
e. Importazione del dataset
f. Creazione del modello di ML

Completamento aperto