Zpracování informací a znalostí

Který z následujících termínů nesouvisí s problematikou PageRanku?

Jaká je správná syntaxe pro pole obsahující pět čísel 1,2,3,4,5 v JSON?

Diagonála matice bude vždy obsahovat pouze nulové hodnoty

Pravděpodobnost přechodu do kteréhokoliv uzlu je pro každý uzel stejná; tedy matice bude obsahovat pouze hodnoty 1/n, kde n je počet všech uzlů

Jak bude vypadat Google matice při dumping faktoru 1?

Normalizovaná term frekvence může nabývat hodnot?

informační zisk preferuje atributy s vysokým počtem hodnot, poměrný informační člen má normalizační člen, který to řeší

Poměrný informační zisk vyjadřuje poměr informačního zisku kořenového atributu a informačního zisku cílového atributu

Na rozdíl od informačního zisku, který je heuristikou, zaručuje poměrný zisk optimální řešení

Jak se liší poměrný informační zisk použitý v algoritmu C4.5 od informačního zisku ID3?

Algoritmus vybere jako kořenový uzel stromu atribut s nejpříznivější hodnotou použité míry dobroty (Goodness)

Algoritmus negarantuje nalezení optimálního řešení

Algoritmus je postaven na žravém principu, pokud je jednou do stromu přidán atribut jako rozhodovací uzel, algoritmus se k němu již nemůže vrátit a změnit ho.

Algoritmus může provádět „backtracking“ (pokud je jednou do stromu přidán atribut jako rozhodovací uzel, algoritmus se k němu může vrátit a změnit ho)

minimalizují vnitroshlukové vzdálenosti a maximalizují mezishlukové vzdálenosti

maximalizují vnitroshlukové i mezishlukové vzdálenosti

maximalizují vnitroshlukové vzdálenosti a minimalizují mezishlukové vzdálenosti

Při shlukové analýze (clusterování) jsou objekty seskupovány tak, že:

Shlukování spadá pod klasifikační data-miningovou úlohu

Principem je maximalizace vnitroshlukové vzdálenosti a minimalizace mezishlukové vzdálenosti

Jedním z používaných algoritmů je algoritmus apriori

Uvažujme shluk obsahující A=[4,6,50] B=[7,9,4] C=[1,0,0]. Jaký bude centroid tohoho shluku?

Uvažujme shluk obsahující A=[4,6,5] B=[7,9,4] C=[1,0,0] Jaký bude centroid tohoho shluku?

K definici vizuální reprezentace informací obsažených v XML dokumentu

K definici omezení na obsah elementů v XML dokumentu

K definici povolených elementů v XML dokumentu

XML Schema umožňuje kontrolovat obsah libovolných strukturovaných dokumentů

XML Schema slouží ke stejnému účelu jako JSON, ale má více možností

XML Schema slouží ke stejnému účelu jako CSV, ale má více možností

Jaké tvrzení o XML Schema je pravdivé?

vyhrazené znaky uvnitř elementu, např.. <text> < </text>

Jaká z následujících syntaxí je v XML povolena:

Uvažujte element „produkt“, který je definován v XML Schema pomocí xs:element. V definici je uvedena hodnota atributu maxOccurs „unbounded“ a hodnota minOccurs není uvedena. Kolikrát se element produkt musí dle této definice na patřičném místě dokumentu vyskytnout?

Každý záznam obsahuje stejné pole ve stejném pořadí

Je možno použít libovolné kódování

Obsahuje záznamy, jeden záznam může být na více řádcích

Není možné vyjádřit relace mezi záznamy

Které tvrzení o formátu CSV není pravdivé?

Hodnota PR se použije jako jediná míra relevance stránky na daný dotaz. Nejvyšší PR je první ve výsledcích

Výsledná relevance stránky vznikne zkombinováním hodnoty PR s hub score

Hodnota PR pro danou stránku se zkombinuje s dalšími měrami relevance stránky na daný dotaz

Hodnota PR se použije jako jediná míra relevance stránky na daný dotaz. Nejvyšší PR je Google poslední ve výsledcích

Pro jaký způsob využití v procesu hodnocení webové stránky na určitý dotaz byl algoritmus PageRank navržen?

Matice G může být v některých případech řidší než matice H, jindy hustší

Označme symbolem G Google matici a symbolem H příslušnou H matici celého internetu. Jaké tvrzení je pravdivé?

Řazení vybraných dokumentů podle důležitosti nepatří mezi důvody rozšiřování Booleovského modelu

Rozlišení důležitosti deskriptorů v dotazu nepatří mezi důvody rozšiřování Booleovského modelu

Odstranění tvrdosti booleovských operací patří mezi důvody rozšiřování Booleovského modelu

Pro rozšiřování Booleovského modelu vyhledávání dokumentů platí:

Odstranit tvrdost booleovských operací (AND)

Rozlišit důležitost deskriptorů v dotazu

Řadit vybrané dokumenty podle důležitosti

Rozšíření booleovského modelu vyhledávání dokumentu pomocí fuzzy logiky neumožňuje:

Rozlišit důležitost deskriptorů v dokumentu

Geometrické rozšíření booleovského modelu vyhledávání dokumentu neumožňuje:

Jaký je název pro syntaktický konstrukt (?=b)?

Co nesouvisí s algoritmy pro rozhodovací stromy?

Výsledkem algoritmu je přiřazení do právě tří shluku

Na začátku výpočtu je nutné zvolit počet clusterů

Výsledek je vždy jednoznačný, nezáleží na volbě počátečních centroidů

Euklidovská vzdálenost je jednou z možných metrik, kterou algoritmus využívá pro přiřazení instance nejbližšímu centroidu.

Shlukování probíhá v prostoru dimenze d, kde každý atribut (sloupec/rys) tvoří právě jednu dimenzi.

Jaké tvrzení o Lloydově algoritmu pro k-means shlukování je nepravdivé?

Logistická regrese nepracuje přímo s vícehodnotovými kategoriálními proměnnými, ale pro využití takových proměnných lze využít transformaci na dummy proměnné.

Logistická regrese nepracuje přímo s vícehodnotovými numerickými  proměnnými, ale pro využití takových proměnných lze využít transformaci na dummy proměnné.

Parametry modelu logistické regrese je možné získat pomocí́ metody nejmenších čtverců (normální rovnice).

Parametry modelu logistické regrese je možné získat pomocí́ algoritmu největšího spádu.

Které tvrzení vztahující se k logistické regresi je pravdivé?

Predikát tvrzení musí být identifikován pomocí URL adresy.

RDF tvrzení se sestávají ze subjektu, objektu a předmětu.

Předmět tvrzení může být identifikován pomocí URL adresy.

Subjekt tvrzení musí být identifikován pomocí URL adresy.

Jaký dotazovací jazyk se používá pro datový formát RDF? (multiple choice?)

Preferovaným formátem pro propojená data je XML Schema.

Preferovaným formátem pro propojená data je JSON.

Preferovaným formátem pro propojená data je CSV.

Použitá adresa je pouze identifikátorem, neposkytuje popis zdroje přes HTTP protokol (naopak ano)

Které z uvedených patří mezi zásady pro zveřejňování propojených dat? (asi)

Který z uvedených CSV dokumentů je syntakticky správně?

V úloze lineární regrese je výstupní proměnná kvantitativní, v úloze logistické regrese je výstupní proměnná kvantitativní.

V úloze lineární regrese je výstupní proměnná kvantitativní, v úloze logistické regrese je výstupní proměnná kategoriální.

V úloze lineární regrese je výstupní proměnná kategoriální, v úloze logistické regrese je výstupní proměnná kategoriální.

V úloze lineární regrese je výstupní proměnná kategoriální, v úloze logistické regrese je výstupní proměnná kvantitativní.

Vyberte jen jednu z následujících možných odpovědí:

Co rozpozná regex výraz ^ pokud je aktivován režim multiline?

Co rozpozná regex výraz $ pokud je aktivován režim multiline?

Při prořezávání na zadržených (hold-out) datech se pro prořezávání stromu nepoužijí trénovací data.

Všechna níže uvedená tvrzení jsou pravdivá

Přeučení se řeší pomocí prořezávání rozhodovacího stromu

„Resubstitution erorr“ je zvýšení chyby stromu na trénovacích datech.

Jedním z algoritmů pro prořezávání je Reduced Error Pruning

Které tvrzení o přeučení není pravdivé?

Strom klasifikuje trénovací instance s výrazně menší chybou než testovací instance.

Který z uvedených popisů necharakterizuje přeučený rozhodovací strom?

existuje taková matice dat, pro kterou platí L < 1

Nechť S je spolehlivost, P je podpora a L je lift asociačního pravidla φ ≈  v matici dat D. Potom obecně platí:

Koeficienty v lineární regresi lze přesně odhadnout pouze pomocí metody největšího spádu, metoda nejmenších čtverců dává pouze aproximativní řešení.

Metoda největšího spádu vždy nalezne exaktní řešení.

Metoda nejmenších čtverců může být na velkých datech rychlejší než metoda největšího spádu, metodu největšího spádu ale nelze použít pro odhad koeficientů v lineární regresi.

Metoda největšího spádu je jedna z metod pro odhad koeficientů v lineární regresi.

řazení vybraných dokumentů podle důležitosti nepatří mezi důvody rozšiřování

rozlišení důležitosti deskriptorů v dotazu nepatří mezi důvody rozšiřování

odstranění tvrdosti Booleovských operací patří mezi důvody rozšiřování

Pro rozšiřování Booleovského modelu vyhledávání dokumentů platí?

Dokument D má dva destriptory U a V. Váha U je 0,6 a váha V je 0,3. Dotaz [U; 0,2] AND [V; Y] znamená, že nás zajímají dokumenty, ve kterých se vyskytuje deskriptor U a zároveň deskriptor V. Váha deskriptoru U v tomto dotazu je 0,2, váha deskriptoru V není známá, značíme ji Y. Váha tohoto dotazu v dokumentu D vypočítaná v rozšíření boolovského modelu pomocí fuzzy logiky je rovna 0,12. Pro každou z možných hodnot Y tedy platí?

Dokument D má dva destriptory U a V. Váha U je 0,6 a váha V je 0,3. Dotaz [U; 0,2] OR [V; Y] znamená, že nás zajímají dokumenty, ve kterých se vyskytuje deskriptor U a zároveň deskriptor V. Váha deskriptoru U v tomto dotazu je 0,2, váha deskriptoru V není známá, značíme ji Y. Váha tohoto dotazu v dokumentu D vypočítaná v rozšíření boolovského modelu pomocí fuzzy logiky je rovna 0,12. Pro každou z možných hodnot Y tedy platí?

Dokument má 2 deskriptory U a V. U je 0,5 a V je 0,4. Dotaz [U; 0,8] OR [V; 0,2]. Váha tohoto dotazu je X a je rovna?

Term se vyskytuje v 10 dokumentech a jeho inverzní dokumentová frek je 0. Kolik je celkem zaindexovaných dokumentů?

Máme body v euklidovském prostoru A = [a1,15]a B = [0, 12] s neznámou souřadnicí a1. Víme, že euklidovská vzdálenost mezi oběma body je 5. Jaká je hodnota neznámé a1?

Jako konvergenční kritérium algoritmu Page Rank byl zvolen rozdíl L1 normy oproti předchozí itineraci. Jaká bude velikost tohoto rozdílu máme-li tyto vektory Pi5=[0,489 0,090 0,465 0,040] a pi6=[0,423 0,090 0,456 0,040]?

Mějme PageRank vektory = [ 0,25 0,5 0,05 0,2] & [ 0,2 0,5 0,15 0,15 ]. Jak by vypadal PageRank vektor v nulté iteraci?

Tabulka odpovídá invertovanému souboru pro dokumenty D1,D2,D3 a D4: Informace:D2,D3; Počítač:D1,D3,D4; Systém:D1,D2,D4; Tiskárna:D1; Výsledek boolovského dotazu informace AND tiskárna je množina:

Co rozpozná regulární výraz 00*?10+ v řetezci 1010001001?

Uvažujte následující regulární výraz: (?<=@).+(?=\.) co tento regulární výraz rozpozná v textu: name@domain.cz?

Regulární výraz \d\.\s(\w)(.)\1 Který z řetězců bude rozpoznán celý?

Máme 4polní tabulku a=30 b=x c=y d=8697. Kolik je x, když přesnost je 1/3?

Máme 4polní tabulku a=30 b=x c=y d=8697. Kolik je x, když úplnost je 1/2?

Máme 4polní tabulku a=235 b=15 c=35 d=265. Jaká je správnost?

Máme 4polní tabulku a=235 b=15 c=35 d=265. Jaká je úplnost pro třídu ANO?

Máme 4polní tabulku a=235 b=15 c=35 d=265. Jaká je přesnost pro třídu ANO?

Máme 4polní tabulku a=235 b=15 c=35 d=265. Jaká je hodnota false positive?

Máme 4polní tabulku a=235 b=15 c=35 d=265. Jaká je hodnota true negative?

Máme 4polní tabulku a=235 b=15 c=35 d=265. Jaká je hodnota false negative?

Regulární výraz [a-z]{4} je zde použit jaký typ lookaround?

Máme regex (?:cde)(abc)X?[abc]*?\1 a řetězec cdeabcXabcabccde. Pokud bychom (?:cde) nahradili podvýrazem (cde), jak by bylo třeba upravit zbytek výrazu, aby se rozpoznávaná množina znaků nezměnila?

Kolik maximálně znaků rozpozná regex ^\???$?

Uvedený regex \d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3} rozpozná ipv4 adresu, upravte tak, aby třetí byte byl vždy stejný jako druhý?

Máme regex (?:cde)(abc)X?[abc]*?\1 a řetězec cdeabcXabcabccde. Co rozpozná?

Máme regex b?(aaa)+? co rozpozná v aabaaaaa?

Máme 4polní tabulku a=30 b=x c =y d =8697. Kolik Je x, když přesnost Je 1/3?

Máme 4polní tabulku a=30 b=x c=y d=8697. Kolik Je x, když úplnost Je 1/2?

Máme 4polní tabulku a=235 b=l5 c=35 d=265. Jaká Je správnost?

Máme 4polní tabulku a=235 b=l5 c=35 d=265. Jaká Je úplnost pro třídu ANO?

Máme 4polní tabulku a=235 b=l5 c=35 d=265. Jaká Je přesnost pro třídu ANO?

Máme 4polní tabulku a=235 b=l5 c=35 d=265. Jaká Je hodnota false positive?

Máme 4polní tabulku a=235 b=l5 c=35 d=265. Jaká Je hodnota true negative?

Máme 4polní tabulku a=235 b=l5 c=35 d=265. Jaká Je hodnota false negative?

informační zisk preferuje atributy s vysokým počtem hodnot, poměrný informační člen má normalizační cosi, který to řeší

poměr informačního zisku kořenového a cílového atributu

minimalizují vnitroshlukové vzdálenosti a maximalizují mezishlukové

maximalizují vnitroshlukové vzdálenosti a minimalizují mezishlukové

maximalizují vnitroshlukové vzdálenosti 1 mezishlukové

Při shlukové analýze (clusterování) Jsou objekty seskupovány tak, že?

Uvažujme shluk obshující A=[4,6,50] B=[7,9,4] C=[1,0,0]. Jaký bude centroid?

každý záznam obsahuje stejné pole ve stejném pořadí

je možno použít libovolné kódování

obsahuje záznamy, jeden záznam může být na více řádcích

není možné vyjádřit relace mezi záznamy

 rozlišení důležitosti deskriptorů v dotazu nepatří mezi důvody rozšiřování

 odstranění tvrdosti boolovských operací patří mezi důvody rozšiřování

Pro rozšiřování Boolovského modelu vyhledávání dokumentů platí?

výsledkem algoritmu je přiřazení do právě 1 shluku

na začátku výpočtu je nutné zvolit počet clusterů

výsledek je vždy jednoznčný, nezáleží na volbě počátečních centroidů

Jaké tvrzení o Lloydově algoritmu pro k-means shlukování Je nepravdivé?

Logistická regrese nepracuje přímo s vícehodnotovými kategoriálními proměnnými, ale pro využití tak ových proměnných lze využít tra nsformaci na dummy proměnné.

Logistická regrese nepracuje přímo s vícehodnotovými numerickými proměnnými, ale pro využití takových proměnných lze využít transformaci na dumrny proměnné.

Parametry modelu logistické regrese Je možné získat pomocí metody nejmenších čtverců (normální rovnice).

Parametry modelu logistické regrese Je možné získat pomocí algoritmu největšiho spádu.

Které tvrzení vztahující se k logistické regresi Je pravdivé?

 Predikát tvrzení musí být identifikován pomocí URL adresy.

 RDF tvrzení se sestávají ze subjektu, objektu a předmětu.

 Subjekt tvrzení musí být identifikován pomocí URL adresy.

 Předmět tvrzení může být identifikován pomocí URL adresy.

v úloze lineární regrese Je výstupní proměnná kvantitativní, v úloze logistické regrese Je výstupní proměnná kvantitativní.

 v úloze lineární regrese Je výstupní proměnná kvantitativní, v úloze logistické regrese Je výstupní proměnná kategoriální.

v úloze lineární regrese Je výstupní proměnná kategoriální, v úloze logistické regrese Je výstupní proměnná kategoriální.

v úloze lineární regrese Je výstupní proměnná kategoriální, v úloze logistické regrese Je výstupní proměnná kvantiativní.

Vyberte Jen jednu z následujících možných odpovědí?

Který z. uvedených CSV dokumentů je syntakticky správně?

Nelze bez dalších informací klasifikovat

Pokud by byl poměr hodnot ano a ne přesně 1/2

Který z uvedených pojmů nesouvis i s algoritmy pro rozhodovací stromy?

Strom klasifikuje trénovací instance s výrazně měnší chybou než. testovací instance.

------------------Skutečnost
------------------True | False
Predikce | True | 2 | 1
-----------|False | 1 | 3

------------------Skutečnost
------------------True | False
Predikce | True | 3 | 2
-----------|False | 1 | 1

------------------Skutečnost
------------------True | False
Predikce | True | 3 | 1
-----------|False | 1 | 2

Euklidovské vzdálenost je jednou z možných metrik, kterou algoritmus využivá pro přiřazení instance nejbližšímu centroidu

Shlukování probíhá v prostoru dimenze d, Kde kaiciý atribut (sloupec/rys) tvoří právě jednu dimenzí.

Jaké tvrzení o Lloydově alogirtmu pro k-means shlukování je nepravdivé:

Do shluku 2 a 3 (instance je steJně daleko od obou shluků}

Do shluku 1 a 2 (instance je stejně daleko od obou shluků)

Uvažujme shluk obsahující následující instance:
A = [4, 6, 5]
B = [7, 9, 4]
C = [1, 0, 0].
Jaký bude centroid toho shluku?

Máme body v euklidovském prostoru A = [a1, 15] a B = [O, 12] s neznámou souřadnicí a1. Víme, že euklidovská vzdálenost mezi oběma body je 5.Jaká je hodnota neznámé a1?

Pojebaně dlouhá odmocnina, nebudu opisovat sorry

Dokument D má dva deskriptory U a V. Váha deskriptoru U v dokumentu D je 0.6, váha deskriptoru V v dokumentu D Je 0.3. Dotaz [U; 0.2] AND [V; Y] znamená, že nás zajímají dokumenty, ve kterých se vyskytuje deskriptor U a zároveň deskriptor V. Váha deskriptoru U v tomto dotazu je 0.2, váha deskriptoru V v tomto dotazu není známá, značíme ji Y. Váha tohoto dotazu v dokumentu D vypočítaná v rozšíření booleovského modelu pomocí fuzzy logiky je rovna 0.12. Pro každou z možných hodnot Y, pro kterou je hodnota dotazu [U; 0.2] AND [V; Y] rovna 0.12 platí

Dokument D má dva deskriptory U a V. Váha deskriptoru U v dokumentu D je 0.5, váha deskriptoru V v dokumentu D Je 0.4. Dotaz [U; 0.4] AND [V; 0.7] znamená, že nás zajímají dokumenty, ve kterých se vyskytuje deskriptor U a zároveň deskriptor V. Váha deskriptoru U v tomto dotazu je 0.4, váha deskriptoru V v tomto dotazu je 0.7. Váha tohoto dotazu v dokumentu D vypočítaná v rozšíření booleovského modelu pomocí fuzzy logiky označíme Y. Pro Y platí