Sztuczna inteligencja

Test wielokrotnego wyboru. Zaznacz prawidłowe odpowiedzi w kółka.

P- prawda F- fałsz

P/F	Treść	wykład	strona
	Definicja pojęcia sztucznej inteligencji
P	Abstrakcja/konkretyzacja to jedna z dziedzin transmutacji wiedzy	1	5
P	Adaptacyjność to cecha systemów sztucznej inteligencji	1	2
P	Inteligencja obliczeniowa i soft computing to pojęcia synonimiczne	1	2
F	Istotą maszynowego uczenia się jest pozyskiwanie dużych i aktualnych zbiorów informacji	1	9
F	Kognitywistyka zajmuje się metodami automatycznego wnioskowania	1	2
P	Metody heurystyczne są metodami sztucznej inteligencji	1	7
F	Odkrywanie wiedzy w bazach danych jest dziedzina sztucznej inteligencji	1	9
P	Stosowanie heurystyk jest metodą sztucznej inteligenci	1	3
F	Systemy sztucznej inteligencji w znacznym stopniu symulują działanie mózgu	1	10
F	Sztuczne sieci neuronowe to dziedzina tzw. silnej sztucznej inteligencji	2	3
F	Teoria automatów jest działem sztucznej inteligencji	1	3
	Sztuczne sieci neuronowe 1
P	Ciągi uczące można wykorzystać wielokrotnie tworząc tzw. epoki	2	8
P	Nieliniowe nieciągłe funkcje aktywacji zwykle generują bardzo proste sygnały wyjściowe	2	5
P	Perceptron klasyfikuje wektory wejściowe do jednej z dwóch klas, ale tylko wtedy, gdy są to wektory dwuelementowe	2	6
P	Suma wszystkich wartości wejściowych neuronu jest argumentem funkcji aktywacji	2	3
P	Sieci neuronowe mogą przetwarzać dane w sposób równoległy	2	3
P	Sieci neuronowe potrafią poradzić sobie z zaszumionymi danymi	2	3
P	Sieci neuronowe przetwarzają dane w sposób równoległy	2	3
P	Uczenie sieci neuronowej sprowadza się do modyfikacji wag na wszystkich wejściach wszystkich neuronów sieci	2	3
P	Uczenie sieci sprowadza się do zmiany siły połączeń między neuronami	2	2
F	Wartości wag na wejściach neuronowych są wartościami całkowitymi	2	8
P	Wartości progu pobudzenia neuronu też podlega uczeniu	2	3
	Sztuczne sieci neuronowe 2
F	Metoda wstecznej propagacji błędów wymaga przepływu pobudzenia w kierunku odwrotnym do pobudzenia pierwotnego	2	14
P	Nabywanie wiedzy przez poszczególne neurony sieci zależy od architektury sieci	2	10
F	Nabywanie wiedzy przez poszczególne neurony sieci NIE zależy od architektury sieci	2	10
F	jest pojedynczym neuronem z sigmoidalną funkcją aktywacji	2	6
P	Przed rozpoczęciem nauki wagom nadaje się losowe wartości początkowe	2	8
P	Sieci uczone bez nadzoru doskonale nadają się do grupowania danych	2	14
P	Wartości początkowe wag neuronów mają wpływ na czas uczenia	2	14
F	Wartości początkowe wag neuronów NIE mają wpływu na czas uczenia	2	14
P	W sieciach rekurencyjnych na wejścia wszystkich neuronów mogą być podawane sygnały wyjściowe wszystkich neuronów	2	12
P	W sieciach rekurencyjnych spotykamy się z chwilowymi niestabilnościami działania sieci	2	12-13
F	W uczeniu sieci jednokierunkowych zasadniczą rolę odgrywa warstwa ukryta.	2	11
	Wykorzystanie teorii zbiorów rozmytych
P	Dane lingwistyczne można opisać za pomocą funkcji przynależności do zbioru rozmytego	3	1
F	Klasyczny schemat wnioskowania typu modus tollens nie może być uogólniony do rozmytego schematu wnioskowania	3	12
F	Określenie "x jest znacznie większe od y" nie może być opisane za pomocą relacji rozmytej	3	6
F	Operacja koncentracji zbioru rozmytego zwiększa stopień przynależności danej wartości do zbioru rozmytego	3	10
P	Rozmyta implikacja A->B jest opisana za pomocą funkcji przynależności relacji rozmytej, zależnej od funkcji przynależności obu zbiorów: A oraz B	3	7
P	Sumą zbiorów rozmytych A i B jest zbiór rozmyty określony funkcją przynależności zależną od obu funkcji przynależności	3	5
F	Sterowanie rozmyte nie wymaga bazy reguł rozmytych	2	12-13
P	Uogólnione wnioskowanie rozmyte nie wymaga, aby zbiory rozmyte przesłanki i konkluzji były tymi samymi zbiorami	3	10
F	W rozmytych regułach decyzyjnych nie wykorzystuje się danych lingwistycznych	3	8
P	Wybór funkcji przynależności, opisującej zbiór rozmyty, odbywa się w sposób subiektywny	3	4