Informatyka sztucznej inteligencji

1. Informatyka sztucznej inteligencji (AI) obejmuje rozległą i skomplikowaną dziedzinę poświęconą rozwojowi algorytmów i systemów, które umożliwiają maszynom naśladowanie ludzkich funkcji poznawczych. U swoich podstaw sztuczna inteligencja czerpie z różnych dyscyplin, w tym matematyki, statystyki, informatyki i psychologii poznawczej, aby tworzyć systemy, które mogą się uczyć, rozumować i dostosowywać. Fundamentalne koncepcje, takie jak uczenie maszynowe, w którym algorytmy są szkolone na danych w celu przewidywania lub podejmowania decyzji, oraz sieci neuronowe, które są inspirowane strukturą i funkcją ludzkiego mózgu, służą jako kamienie węgielne współczesnych badań nad sztuczną inteligencją. Ponadto przetwarzanie języka naturalnego pozwala komputerom rozumieć i generować ludzki język, ułatwiając interakcje między ludźmi a maszynami. Dziedzina ta bada również robotykę, w której sztuczna inteligencja jest zintegrowana z systemami fizycznymi w celu autonomicznego wykonywania zadań, oraz wizję komputerową, umożliwiając maszynom interpretowanie i podejmowanie decyzji na podstawie danych wizualnych. Wykorzystując techniki takie jak głębokie uczenie, uczenie ze wzmocnieniem i uczenie nadzorowane, naukowcy nadal przesuwają granice tego, co jest możliwe, prowadząc do postępów w obszarach od autonomicznych pojazdów po diagnostykę opieki zdrowotnej. W miarę jak systemy sztucznej inteligencji stają się coraz bardziej złożone i zintegrowane z różnymi aspektami życia społecznego, coraz większą uwagę zwraca się również na kwestie etyczne dotyczące uczciwości, odpowiedzialności i przejrzystości, zapewniając, że rozwój technologii sztucznej inteligencji przynosi korzyści całej ludzkości.

Który rodzaj uczenia się obejmuje trenowanie modelu na oznaczonym zbiorze danych?

A) Uczenie nadzorowane.
B) Pół-nadzorowane uczenie się.
C) Uczenie ze wzmocnieniem.
D) Uczenie się bez nadzoru.

2. Do czego służy sieć neuronowa?

A) Przechowywanie danych.
B) Pisanie kodu.
C) Rozpoznawanie wzorców i klasyfikacja.
D) Bezpieczeństwo sieci.

3. Co oznacza "nadmierne dopasowanie" w kontekście uczenia maszynowego?

A) Model, który jest zbyt złożony i działa słabo na nowych danych.
B) Model, który dobrze generalizuje.
C) Model, który uczy się szybciej.
D) Model bez parametrów.

4. Który algorytm jest powszechnie używany do zadań klasyfikacji?

A) Maszyny wektorów nośnych.
B) Grupowanie K-średnich.
C) Algorytmy genetyczne.
D) Zejście gradientowe.

5. Jaki jest cel uczenia się ze wzmocnieniem?

A) Klasyfikowanie danych w kategorie.
B) Bezpośrednie mapowanie wejść na wyjścia.
C) Optymalizacja równań liniowych.
D) Uczenie się zachowań metodą prób i błędów.

6. Co mierzy "test Turinga"?

A) Pojemność pamięci masowej komputera.
B) Zużycie energii przez system.
C) Zdolność maszyny do wykazywania inteligentnego zachowania równoważnego ludzkiemu.
D) Szybkość przetwarzania komputera.

7. Jaka jest główna zaleta głębokiego uczenia?

A) Łatwiejsze do wdrożenia niż standardowe algorytmy.
B) Wymaga mniejszej ilości danych niż tradycyjne metody.
C) Możliwość automatycznego uczenia się funkcji na podstawie danych.
D) Działa lepiej z małymi zestawami danych.

8. Który z poniższych algorytmów jest algorytmem klastrowania?

A) Lasy losowe.
B) Regresja liniowa.
C) Drzewa decyzyjne.
D) K-średnich.

9. Czym jest "eksploracja danych" w kontekście sztucznej inteligencji?

A) Czyszczenie danych do analizy.
B) Przechowywanie dużych ilości danych w bazach danych.
C) Wyodrębnianie wzorców i informacji z dużych zbiorów danych.
D) Szyfrowanie danych dla bezpieczeństwa.

10. Który typ sieci neuronowej jest najlepszy do rozpoznawania obrazów?

A) Sieci neuronowe typu feedforward.
B) Sieci radialnych funkcji bazowych.
C) Rekurencyjne sieci neuronowe (RNN).
D) Konwolucyjne sieci neuronowe (CNN).

11. Co jest głównym wyzwaniem w sztucznej inteligencji?

A) Zbyt duże zainteresowanie opinii publicznej.
B) Stronniczość w danych i algorytmach.
C) Ograniczenia sprzętowe.
D) Jednolite standardy kodowania.

12. Jaka jest zasada działania maszyn wektorów nośnych?

A) Minimalizacja odległości między wszystkimi punktami.
B) Maksymalizacja objętości zbioru danych.
C) Znalezienie hiperpłaszczyzny, która najlepiej oddziela punkty danych.
D) Wykorzystanie głębokiego uczenia do klasyfikacji.

13. Jaka jest popularna biblioteka do uczenia maszynowego w Pythonie?

A) Kolba.
B) Scikit-learn.
C) Pygame.
D) Piękna zupa.

14. Jaki jest przykład uczenia się bez nadzoru?

A) Klastrowanie
B) Regresja
C) Przewidywanie
D) Klasyfikacja

15. Które pojęcie jest kluczowe dla zrozumienia uczenia maszynowego?

A) Opóźnienie
B) Przepustowość
C) Przepustowość
D) Overfitting

16. Który algorytm jest powszechnie stosowany w uczeniu nadzorowanym?

A) Grupowanie K-średnich.
B) Uczenie ze wzmocnieniem.
C) Algorytmy genetyczne.
D) Regresja liniowa.

17. Co robi "transfer learning"?

A) Wykorzystuje wiedzę zdobytą podczas wykonywania jednego zadania, aby poprawić wyniki w powiązanym zadaniu.
B) Przesyła dane między różnymi użytkownikami.
C) Przenosi aplikacje między platformami.
D) Przenosi modele z jednego zestawu danych do innego bez zmian.

18. Który algorytm jest często używany do zadań klasyfikacji?

A) Gradient zejścia
B) Symulacja Monte Carlo
C) Drzewa decyzyjne
D) Algorytmy genetyczne

19. Jaka jest kluczowa zasada działania algorytmów genetycznych?

A) Sortowanie za pomocą quicksort.
B) Iteracja poprzez losowe pobieranie próbek.
C) Przetrwanie najlepiej przystosowanych poprzez ewolucję.
D) Przybliżenie funkcji.

20. Jaka jest korzyść z używania zestawu walidacyjnego?

A) Aby modele były szczęśliwsze.
B) Aby zwiększyć rozmiar danych treningowych.
C) Ocena wydajności modelu podczas treningu.
D) Wymiana zestawów testowych.

21. Który z tych algorytmów jest algorytmem uczenia ze wzmocnieniem?

A) Regresja liniowa.
B) Q-learning.
C) Grupowanie K-średnich.
D) Maszyna wektorów nośnych.

22. Do czego odnosi się termin "Big Data"?

A) Prywatne dane użytkowników gromadzone przez aplikacje.
B) Dane przechowywane w relacyjnej bazie danych.
C) Duże i złożone zbiory danych, które wymagają zaawansowanych narzędzi do przetwarzania.
D) Dane, które są zbyt małe do analizy.

23. Który z poniższych jest popularnym językiem programowania dla sztucznej inteligencji?

A) Python.
B) HTML.
C) Montaż.
D) C++.

24. Które z poniższych jest powszechnym zastosowaniem sztucznej inteligencji?

A) Przetwarzanie tekstu.
B) Arkusze kalkulacyjne.
C) Podstawowe obliczenia arytmetyczne.
D) Przetwarzanie języka naturalnego.

25. Jaki jest wspólny miernik oceny modeli klasyfikacji?

A) Dokładność
B) Wariancja
C) Entropia
D) Przepustowość

26. Który z nich jest frameworkiem głębokiego uczenia?

A) TensorFlow
B) Windows
C) Git
D) MySQL

27. Czym jest sztuczna sieć neuronowa?

A) Struktura i funkcje ludzkiego mózgu.
B) Internet.
C) Przekształcenia geometryczne.
D) Modele statystyczne.

Test utworzony z That Quiz — tu znajdziesz testy matematyczne dla uczniów na różnym poziomie.