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 się bez nadzoru.
D) Uczenie ze wzmocnieniem.

2. Do czego służy sieć neuronowa?

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

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

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

4. Który algorytm jest powszechnie używany do zadań klasyfikacji?

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

5. Jaki jest cel uczenia się ze wzmocnieniem?

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

6. Co mierzy "test Turinga"?

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

7. Jaka jest główna zaleta głębokiego uczenia?

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

8. Który z poniższych algorytmów jest algorytmem klastrowania?

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

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

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

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

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

11. Co jest głównym wyzwaniem w sztucznej inteligencji?

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

12. Jaka jest zasada działania maszyn wektorów nośnych?

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

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

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

14. Jaki jest przykład uczenia się bez nadzoru?

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

15. Które pojęcie jest kluczowe dla zrozumienia uczenia maszynowego?

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

16. Który algorytm jest powszechnie stosowany w uczeniu nadzorowanym?

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

17. Co robi "transfer learning"?

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

18. Który algorytm jest często używany do zadań klasyfikacji?

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

19. Jaka jest kluczowa zasada działania algorytmów genetycznych?

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

20. Jaka jest korzyść z używania zestawu walidacyjnego?

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

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

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

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

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

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

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

24. Które z poniższych jest powszechnym zastosowaniem sztucznej inteligencji?

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

25. Jaki jest wspólny miernik oceny modeli klasyfikacji?

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

26. Który z nich jest frameworkiem głębokiego uczenia?

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

27. Czym jest sztuczna sieć neuronowa?

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

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