Sie befinden sich hier: Termine » Prüfungsfragen und Altklausuren » Hauptstudiumsprüfungen » Lehrstuhl 2 » Introduction to Machine Learning   (Übersicht)

Introduction to Machine Learning

Vorlesung: Introduction to Machine Learning, WS 2006/2007
Prüfer: Gabriella Kókai

Januar 2008

Bemerkungen zu Prüfung und Prüfer:

  • Benotete Scheinprüfung
  • Lockere Atmosphäre, freundliche Prüferin

Fragen

  • Wie unterscheidet sich Clustering von anderen Lernverfahren?
    • unsupervised learning, man hat kein Wissen über Zielkonzepte (Klassen), sondern sucht erst nach diesen.
  • Was wäre eine Anwendung für Clustering?
    • Ich hatte da ein recht schwaches Beispiel über medizinische Bilddaten, eventuell wäre folgendes besser: Herausfinden von Konsumentengruppen zu Werbezwecken.
  • Such dir einen Algorithmus zum Erklären aus!
    • Genetic algorithms: siehe Skript ;)
  • Wofür sind genetic algorithms?
    • Bilderkennung aus der Vorlesung, es ist egal wie das Ergebnis berechnet wird!
  • In welchen Fällen kann es Probleme bei genetic algorithms geben?
    • globales Maximum/Minimum, komplexe domain theory → verhindert sinvolles crossing, mutation
  • Wie kann man Lernverfahren einteilen?
    • knowledge poor; inductives/analytisches Lernen
  • Erklären von induktivem und deduktivem Lernen
    • induktiv: von einem Beispiel auf das Allgemeine schliessen
    • deduktiv: Ableitung einer Hypothese von der domain theory durch Logik
  • Andere evolutionary learning Verfahren
    • genetic programming: Programm als Baum darstellen + mutation + crossover
    • Bemerkung von ihr: Probleme bei Zyklen…
  • Was ist inductive logic programming?
    • Kommt von induktivem Lernen und Logikprogrammierung; Hypothese + Beispiele + domain theory in logischen Formeln, versucht neue logische Regeln zu lernen.
  • Unterschied top-down, bottom-up inductive logic programming
    • Spezifizieren einer allgemeinen Regel und Generalisieren aus einem Beispiel.
  • Erkläre foil:
    • innere + äußere Schleife:
      • außen: Generalisieren, durch jede neue Regeln werden positive Beispiele entfernt bis alle abgedeckt sind.
      • innen: Solange negative Beispiele vorhanden sind, die mit der Regel übereinstimmen, wird ein neues Literal zur Hypothese hinzugefügt, Literal wird durch foilgain bestimmt.
  • Was sind neuronale Netze? Erklären!
    • Idee kommt vom Gehirn; Versuch durch Hintereinanderschalten kleiner Lerneinheiten, die nur Eingabewerte + Gewicht und einen Threshold besitzen, komplexe Funktionen zu lernen.
  • Was wäre ein Anwendungsgebiet?
    • Erkennen, in welche Richtung jemand auf dem Foto sieht (Beispiel aus den Folien)