Przykladowe pytania/zadania:

Podzial zadan w uczeniu maszynowym: wyjasnic co to znaczy z nadzorem, bez nadzoru, podac przyklady.

Elementy algebry liniowej: Iloczyn skalarny wektorow, prostopadlosc, dlugosc wektora, odleglosc euklidesowa, hiperplaszczyzna.

Problemy, Metody i miary ewaluacji klasyfikatorow: przetrenowanie, precyzja, pelnosc, f-miara, wariancja, interpretowalnosc modelu, zlozonosc. Walidacja krzyzowa.

Rownanie regresji liniowej, jak sie szuka wspolczynnikow.

Co to jest p-wartosc, jak oceniac istotnosc zmiennych w modelu regresji liniowej.

Rozklad normalny (wzor i interpretacja), metody LDA, QDA - rownania, jak sie je wyznacza, czym sie roznia

Niezaleznosc zdarzen i zmiennych losowych, prawdopodobienstwo warunkowe, wzor Bayesa.

Regresja logistyczna - rownanie, metoda wyznaczania, interpretacja

Wartosc oczekiwana i Wariancja zmiennej losowej oraz probki danych (umiec podac wzory i obliczyc)

Perceptron, dzialanie, wzory, interpretacja geometryczna

1-warstwowy klasyfikator z wielu perceptronow, reprezentacja lokalna i globalna, funkcje aktywacji

Metoda konstrukcji drzew decyzyjnych i mierzenia bledu kazdego z podzialow (a) regresja b) klasyfikacja)

Zespoly drzew decyzyjnych: bagging, boosting, random forests - na czym polega + wzory obliczajace odpowiedz

Grupowanie k-means (algorytm + miara jaka minimalizuje)

(KLasyfikator maksymalnego marginesu, klasyfikator wektorow podpierajacych, maszyna wektorow podpierajacych (opis zalozen, pomyslu dzialania, glowne wzory, umiejetnosc obliczenia na kartce dla prostych danych))

Majac dane kilka wektorow z etykietami, zaklasyfikuj nowy wektor zgodnie z algorytmem k-NN

Majac podane niewielkie dane, wykonaj obliczenia zgodnie z klasyfikatorem Bayesowskim (lub naiwnym Bayesowskim) aby zaklasyfikowac dany przypadek do jednej z klas.

Majac dana macierz omyłek oblicz miary: TP, TN, FN, FP, Accuracy, P, R, F.

Majac danych kilka wektorow, poczatkowe centroidy i liczbe k, wykonaj na kartce obliczenia zgodnie z algorytmem k-means, tak aby obliczyc koncowe przyporzadkowanie wektorow do grup i ich centroidy.

Majac danych kilka wektorow, wykonaj obliczenia zgodnie z jednym z wariantow hierarchicznego algorytmu grupowania aglomeracyjnego tak aby stworzyc koncowy dendrogram.

Majac dany wektor i wektor wag oblicz wyjscie perceptronu oraz wykonaj obliczenia zgodnie z regula delta perceptronu aby podac nowy wektor wag.