Quiz su Machine Learning e Deep Learning

Qual è lo scopo principale dell'intelligenza artificiale secondo il documento?. Creare macchine che pensano come gli umani. Realizzare sistemi in grado di ragionare, prendere decisioni e agire autonomamente. Sviluppare algoritmi per giocare a scacchi. Automatizzare la produzione industriale.

In quale periodo storico è iniziata la ricerca nel campo dell'intelligenza artificiale?. Anni '30. Anni '50. Anni '80. Anni 2000.

Quale approccio all'intelligenza artificiale si basa sull'utilizzo di logiche e espressioni legate a simbolismi?. Approccio simbolico. Approccio statistico. Approccio neurale. Approccio bayesiano.

Secondo Steven Pinker, quali problemi sono sorprendentemente difficili per l'intelligenza artificiale?. I problemi logici complessi. I problemi che richiedono calcoli intensivi. I problemi che per un umano sembrano semplici (es. riconoscere un volto). I problemi di traduzione linguistica.

Qual è la principale differenza tra la programmazione tradizionale e il Machine Learning?. La programmazione tradizionale usa dati, il ML usa regole. La programmazione tradizionale fornisce regole, il ML genera regole dai dati. Il ML è supervisionato, la programmazione tradizionale no. Il ML è più lento della programmazione tradizionale.

Cosa significa quando un sistema di Machine Learning mostra 'generalizzazione'?. Che il sistema impara attivamente come un umano. Che le regole generate funzionano bene anche su nuovi dati simili a quelli di training. Che il sistema è in grado di correggere i propri errori autonomamente. Che il sistema può risolvere problemi mai visti prima.

Qual è una delle principali limitazioni del Machine Learning menzionate nel testo?. È troppo lento per applicazioni in tempo reale. Non è in grado di gestire grandi quantità di dati. Le macchine non imparano veramente nel senso umano del termine. È troppo costoso da implementare.

Cosa illustra l'esempio del Cybertruck di Tesla nella sezione sui limiti del Machine Learning?. La capacità del ML di riconoscere oggetti in modo perfetto. I fallimenti del ML quando i dati di input differiscono significativamente da quelli di training. L'efficacia del ML nel prevedere il futuro. La superiorità del ML rispetto alla programmazione tradizionale.

Nell'apprendimento supervisionato (supervised learning), cosa viene fornito al sistema?. Solo dati non etichettati. Coppie di dati etichettati (dato, risultato). Solo azioni e ricompense. Regole predefinite.

Cos'è l'apprendimento semi-supervisionato?. Un metodo che utilizza solo dati etichettati. Un metodo che usa dati etichettati e non etichettati. Un metodo basato esclusivamente sul rinforzo. Un metodo che non richiede dati di input.

Qual è l'obiettivo dell'agente nell'apprendimento per rinforzo (reinforcement learning)?. Imparare una politica per massimizzare la ricompensa attesa. Evitare tutti i costi. Seguire un set fisso di istruzioni. Prevedere il comportamento di altri agenti.

Cosa indica la parola 'deep' nel Deep Learning?. La profondità del modello in termini di parametri. La complessità dei dati utilizzati. La lunga catena di rappresentazioni utilizzate. La velocità di addestramento.

Come vengono apprese le rappresentazioni nel Deep Learning?. Tramite la programmazione esplicita di regole. Tramite l'analisi statistica dei dati di output. Tramite l'uso di reti neurali. Tramite l'interazione umana diretta.

Secondo il documento, i modelli di Deep Learning hanno a che fare con il funzionamento del cervello umano?. Sì, sono una replica diretta del cervello. No, nonostante l'ispirazione, non hanno nulla a che fare con esso. Solo parzialmente, in alcuni aspetti specifici. Sì, ma solo per compiti di elaborazione visiva.

Cosa indica il numero '16' nel modello VGG 16 menzionato nel contesto del Deep Learning?. La dimensione dell'immagine di input. Il numero di classi di output. Il numero di layer utilizzati per l'apprendimento. La precisione del modello.

Qual è la relazione tra Intelligenza Artificiale (AI), Machine Learning (ML) e Deep Learning (DL) secondo la teoria degli insiemi?. AI è un sottoinsieme di ML, che è un sottoinsieme di DL. ML è un sottoinsieme di AI, e DL è un sottoinsieme di ML. DL è un sottoinsieme di ML, che è un sottoinsieme di AI. Sono campi completamente separati.

Quale delle seguenti NON è una modalità di Machine Learning menzionata nel testo?. Apprendimento supervisionato. Apprendimento non supervisionato. Apprendimento semi-supervisionato. Apprendimento per rinforzo.

Perché un algoritmo di Machine Learning potrebbe fallire su nuovi dati?. Perché i nuovi dati sono troppo semplici. Perché i nuovi dati hanno proprietà statistiche molto diverse da quelli di training. Perché l'algoritmo è stato addestrato su troppi dati. Perché i nuovi dati sono stati generati da un altro modello.

Cosa si intende per 'ambiente operativo' nell'apprendimento per rinforzo?. Il software utilizzato per l'addestramento. Lo spazio in cui l'agente può agire e percepire stati. Il set di ricompense disponibili. L'interfaccia utente del sistema.

Qual è un esempio di problema che i sistemi di Intelligenza Artificiale faticano ancora a risolvere in modo affidabile?. Giocare a scacchi a livello di grande maestro. Prendere una penna da un astuccio con molte penne colorate. Tradurre testi tra lingue complesse. Giocare a Go contro un campione del mondo.

La classificazione del Cybertruck nella Fig. 5 mostra che gli algoritmi: Riconoscono sempre correttamente l'oggetto. Possono confondere l'oggetto con elementi molto diversi. Sono infallibili quando l'oggetto è ben rappresentato nei dati di training. Funzionano meglio per oggetti complessi che per oggetti semplici.

Perché il Machine Learning viene considerato un approccio necessario rispetto alla programmazione tradizionale?. Perché tutti i problemi possono essere facilmente rappresentati da regole. Perché non tutti i problemi possono essere facilmente rappresentati da regole ben definite. Perché è intrinsecamente più veloce. Perché richiede meno dati.

Cosa permette all'algoritmo di Machine Learning di ottenere buoni risultati su nuovi dati?. La complessità del modello. La presenza di molti layer. La somiglianza statistica dei nuovi dati con i dati di training. L'uso di reti neurali profonde.

La segmentazione di immagini cutanee nella Fig. 6 mostra come il Deep Learning utilizza: Un singolo strato di elaborazione. Un processo di estrazione di rappresentazioni gerarchiche e significative. Solo dati etichettati. Regole predefinite per l'identificazione delle lesioni.

Qual è la differenza fondamentale tra l'approccio simbolico e il Machine Learning?. L'approccio simbolico usa dati, il ML usa simboli. L'approccio simbolico si basa su regole esplicite, il ML le apprende dai dati. L'approccio simbolico è più adatto a problemi complessi, il ML a problemi semplici. L'approccio simbolico è una forma di ML.

Cosa si intende per 'pseudo-etichette' nell'apprendimento semi-supervisionato?. Etichette generate manualmente da esperti. Etichette assegnate ai dati non etichettati basandosi sui dati etichettati. Etichette temporanee che vengono rimosse alla fine del processo. Etichette errate utilizzate per testare la robustezza del modello.

Quale libro è citato come riferimento per la discussione sui problemi 'facili' e 'difficili' per l'IA?. Deep Learning with Python. The Hundred-Page Machine Learning Book. The Language Instinct. Artificial Intelligence: A Modern Approach.

Qual è la funzione principale dei dati nell'apprendimento supervisionato?. Fornire le regole al sistema. Definire l'ambiente operativo. Guidare il sistema nell'apprendimento delle regole. Misurare la ricompensa dell'agente.

Cosa si verifica se i nuovi dati differiscono molto dai dati di training nel Machine Learning?. Il modello migliora le sue prestazioni. Il modello potrebbe fornire risultati errati o inaffidabili. Il modello si auto-corregge. Il processo di training ricomincia da capo.

Il termine 'layer' nel Deep Learning si riferisce a: Un tipo specifico di rete neurale. Uno strato di elaborazione all'interno della rete neurale. Un livello di complessità dei dati. Una fase del processo di training.