2024-Q1-AI-B 10. Eksāmens

Eksamenā būs nejauši izvēlēti 20 jautājumi no dotajiem, tos vajadzēs atbildēt uz papīra apvelkot.

Apvilkt vienu pareizo atbildi! (apvelc skaitli)

1. Kurš apgalvojums ir pareizs?

   1. Mākslīgais intelekts mūsdienās ir sarežģīta datorprogramma, kas galvenokārt sastāv no programēšanas likumiem

   2. Mākslīgais intelekts mūsdienās ir matemātisks modelis, kas sastāv galvenokārt sastāv no matemātiskiem vienādojumiem

   3. Mākslīgais intelekts mūsdienās ir sarežģīta datorprogramma, kas galvenokārt sastāv no eksperta zināšanām

2. No kā mākslīgais intelekts mācās?

   1. Eksperta izveidotiem likumiem

   2. Datiem

   3. Programētāja izveidotiem likumiem

3. Kuri no dotajiem piemēriem mākslīgā intelekta modelī varētu būt ievaddati?

   1. Varbūtība, ka klients atteiksies no pakalpojuma

   2. Cik reizes klients ienācis sistēmā pēdējās 10 dienās

   3. Modeļa svaru vērtības

4. Kuri no dotajiem piemēriem mākslīgā intelekta modelī varētu būt izvades dati?

   1. Varbūtība, ka klients atteiksies no pakalpojuma

   2. Cik reizes klients ienācis sistēmā pēdējās 10 dienās

   3. Modeļa svaru vērtības

5. Lai prognozētu produkta cenu, kāda tipa modelis nepieciešāms?

   1. Regresijas

   2. Klasifikācijas

   3. Numerācijas

6. Lai prognozētu vai klients atteiksies no pakalpojuma, kāda tipa modelis nepieciešams?

   1. Regresijas

   2. Klasifikācijas

   3. Numerācijas

7. Kurā vidē parasti apmāca Mākslīgo intelektu?

   1. Excel

   2. Python

   3. Power BI

8. Kādas datu kopas nepieciešamas, lai apmācītu modeli, kuru varētu lietot produkcijā?

   1. Apmācību kopa

   2. Testa kopa

   3. Validācijas kopa

   4. Apmācību, Testa, Validācijas kopas (Train, Test, Validation)

9. Kurš faktors visvairāk ietekmē modeļa precizitāti?

   1. Apmācības atrums

   2. Nesabalnsēts paraugu skaits katrā klasē apmācību datu kopā

   3. Paraugu dažādība datu kopā

10. Kādam pielietojumam mākslīgais intelekts nebūtu efektīvs?

    1. Teksta sludinājumu rakstīšanai

    2. Paroļu un lietotājvārdu pārbaudei autorizējoties mājaslapās

    3. Krāsojamo grāmatu izgatavošanai bērniem

    4. Mūzikas komponēšanai

11. Cik līdzīgs ir mākslīgais dziļo neironu tīkla modelis cilvēka dabiskajam neironu tīkla modelim?

    1. Gandrīz identisks, kā to pierāda lielie valodas modeļi, attēlu modeļi un citi modeļi

    2. Ļoti līdzīgs, jo tas modelē bioķīmiskos procesus

    3. Nav līdzīgs, jo mākslīgais neironu tīka modelis ir matemātisks un izpildās ļoti atšķirīgi no cilvēka dabiskā neironu tīkla

12. Kura darbību secība atbilst dziļo neironu tīkla modeļu apmācībai?

    1. Datu normalizēšana, Datu sadalīšana kopā, Modeļa izveide, Kļūdas funkcijas izvēle, Papildus metriku izvēle, Testa cikls, Validācijas cikls, Epohas, Apmācību cikls, Atpakaļizplatīšanās

    2. Datu normalizēšana, Datu sadalīšana kopās, Modeļa izveide, Epohas, Apmācību cikls, Atpakaļizplatīšanās, Kļūdas funkcijas izvēle, Papildus metriku izvēle, Testa cikls, Validācijas cikls

    3. Datu normalizēšana, Datu sadalīšana kopās, Modeļa izveide, Kļūdas funkcijas izvēle, Papildus metriku izvēle, Epohas, Apmācību cikls, Atpakaļizplatīšanās, Testa cikls, Validācijas cikls

13. Ko nozīmē Epoha mākslīgo neironu tīklu apmācības procesā?

    1. Tiek apskatīti visi paraugi apmācību kopā un var būt daudzas Epohas vienā apmācību procesā

    2. Datu normalizācijas metode, kura noņem ekstrēmas vērtības

    3. Tiek apskatīti visi paraugi apmācību kopā un var būt tikai viena Epoha apmācību procesā

    4. Tiek apskatīti validācijas paraugi pēc apmācības

14. Ja MSE kļūdas funkcijas skaitliskā vērtība ir 0.5, tad pēc viena apmācības soļa skaitliskā vērtība visticamāk būs:

    1. 0.6

    2. 0.5

    3. 0.4

15. RNN parasti izmanto, lai:

    1. Atpazītu vairākus obektus attēlā

    2. Prognozētu akciju cenas no biržas datiem

    3. Prognozētu auto cenas no sludinājuma

16. ConvNet bez datu augmentācijas apmācības laikā ir spējīgs atpazīt:

    1. Attēlā pārvietotus objektus

    2. Attēlā pārvietotus un pagrieztus objektus

    3. Attēlā pārvietotus, palielinātus un pagrieztus objektus

17. Iepriekš apmācītā RNN svari W katrā laika solī:

    1. ir atšķirīgi

    2. ir vienādi

    3. nav noteikts

18. Transformer modelis balstās uz:

    1. Atmiņu mainīgā slēptajā vektorā h_t

    2. Uzmanības mehānismu

    3. Abiem

19. Kura komponente ir svarīgākā ChatGPT vaicājuma inženierijā, lai panāktu kvalitatīvu atbildi?

    1. Vaicājuma formulēšana pēc iespejas īsākā un precīzākā formā

    2. Vaicājuma formulēšana pēc iespējas garākā un plāšākā formā

    3. Faktu iekopēšana vaicājumā

20. Kas notiks, ja turpināsiet uzdot vairākus vaicājumus par dažādām tēmām pēc kārtas vienā un tajā pašā ChatGPT sessijā?

    1. Valodas modelis sāks kopēt saturu no iepriekšējiem jautājumiem tālākajās atbildēs

    2. Tas neietekmē valodas modeļa darbību

    3. Valodas modelis apjuks un nezinās ko atbildēt

    4.  

21. Kurš apgalvojums ir pareizs?

    1. Mākslīgais intelekts mūsdienās ir sarežģīta datorprogramma, kas galvenokārt sastāv no programēšanas likumiem

    2. Mākslīgais intelekts mūsdienās ir matemātisks modelis, kas sastāv galvenokārt sastāv no matemātiskiem vienādojumiem

    3. Mākslīgais intelekts mūsdienās ir sarežģīta datorprogramma, kas galvenokārt sastāv no eksperta zināšanām

22. No kā mākslīgais intelekts mācās?

    1. Eksperta izveidotiem likumiem

    2. Datiem

    3. Programētāja izveidotiem likumiem

23. Kuri no dotajiem piemēriem mākslīgā intelekta modelī varētu būt ievaddati?

    1. Varbūtība, ka klients atteiksies no pakalpojuma

    2. Cik reizes klients ienācis sistēmā pēdējās 10 dienās

    3. Modeļa svaru vērtības

24. Kuri no dotajiem piemēriem mākslīgā intelekta modelī varētu būt izvades dati?

    1. Varbūtība, ka klients atteiksies no pakalpojuma

    2. Cik reizes klients ienācis sistēmā pēdējās 10 dienās

    3. Modeļa svaru vērtības

25. Lai prognozētu produkta cenu, kāda tipa modelis nepieciešāms?

    1. Regresijas

    2. Klasifikācijas

    3. Numerācijas

26. Lai prognozētu vai klients atteiksies no pakalpojuma, kāda tipa modelis nepieciešams?

    1. Regresijas

    2. Klasifikācijas

    3. Numerācijas

27. Kurā vidē parasti apmāca Mākslīgo intelektu?

    1. Excel

    2. Python

    3. Power BI

28. Kādas datu kopas nepieciešamas, lai apmācītu modeli, kuru varētu lietot produkcijā?

    1. Apmācību kopa

    2. Testa kopa

    3. Validācijas kopa

    4. Apmācību, Testa, Validācijas kopas (Train, Test, Validation)

29. Kurš faktors visvairāk ietekmē modeļa precizitāti?

    1. Apmācības atrums

    2. Nesabalnsēts paraugu skaits katrā klasē apmācību datu kopā

    3. Paraugu dažādība datu kopā

30. Kādam pielietojumam mākslīgais intelekts nebūtu efektīvs?

    1. Teksta sludinājumu rakstīšanai

    2. Paroļu un lietotājvārdu pārbaudei autorizējoties mājaslapās

    3. Krāsojamo grāmatu izgatavošanai bērniem

    4. Mūzikas komponēšanai

31. Cik līdzīgs ir mākslīgais dziļo neironu tīkla modelis cilvēka dabiskajam neironu tīkla modelim?

    1. Gandrīz identisks, kā to pierāda lielie valodas modeļi, attēlu modeļi un citi modeļi

    2. Ļoti līdzīgs, jo tas modelē bioķīmiskos procesus

    3. Nav līdzīgs, jo mākslīgais neironu tīka modelis ir matemātisks un izpildās ļoti atšķirīgi no cilvēka dabiskā neironu tīkla

32. Kura darbību secība atbilst dziļo neironu tīkla modeļu apmācībai?

    1. Datu normalizēšana, Datu sadalīšana kopā, Modeļa izveide, Kļūdas funkcijas izvēle, Papildus metriku izvēle, Testa cikls, Validācijas cikls, Epohas, Apmācību cikls, Atpakaļizplatīšanās

    2. Datu normalizēšana, Datu sadalīšana kopās, Modeļa izveide, Epohas, Apmācību cikls, Atpakaļizplatīšanās, Kļūdas funkcijas izvēle, Papildus metriku izvēle, Testa cikls, Validācijas cikls

    3. Datu normalizēšana, Datu sadalīšana kopās, Modeļa izveide, Kļūdas funkcijas izvēle, Papildus metriku izvēle, Epohas, Apmācību cikls, Atpakaļizplatīšanās, Testa cikls, Validācijas cikls

33. Ko nozīmē Epoha mākslīgo neironu tīklu apmācības procesā?

    1. Tiek apskatīti visi paraugi apmācību kopā un var būt daudzas Epohas vienā apmācību procesā

    2. Datu normalizācijas metode, kura noņem ekstrēmas vērtības

    3. Tiek apskatīti visi paraugi apmācību kopā un var būt tikai viena Epoha apmācību procesā

    4. Tiek apskatīti validācijas paraugi pēc apmācības

34. Ja MSE kļūdas funkcijas skaitliskā vērtība ir 0.5, tad pēc viena apmācības soļa skaitliskā vērtība visticamāk būs:

    1. 0.6

    2. 0.5

    3. 0.4

35. RNN parasti izmanto, lai:

    1. Atpazītu vairākus obektus attēlā

    2. Prognozētu akciju cenas no biržas datiem

    3. Prognozētu auto cenas no sludinājuma

36. ConvNet bez datu augmentācijas apmācības laikā ir spējīgs atpazīt:

    1. Attēlā pārvietotus objektus

    2. Attēlā pārvietotus un pagrieztus objektus

    3. Attēlā pārvietotus, palielinātus un pagrieztus objektus

37. Iepriekš apmācītā GRU svari W katrā laika solī:

    1. ir atšķirīgi

    2. ir vienādi

    3. nav noteikts

38. Transformer modelis balstās uz:

    1. Atmiņu mainīgā slēptajā vektorā h_t

    2. Uzmanības mehānismu

    3. Abiem

39. Kura komponente ir svarīgākā ChatGPT vaicājuma inženierijā, lai panāktu kvalitatīvu atbildi?

    1. Vaicājuma formulēšana pēc iespejas īsākā un precīzākā formā

    2. Vaicājuma formulēšana pēc iespējas garākā un plāšākā formā

    3. Faktu iekopēšana vaicājumā

40. Kas notiks, ja turpināsiet uzdot vairākus vaicājumus par dažādām tēmām pēc kārtas vienā un tajā pašā ChatGPT sessijā?

    1. Valodas modelis sāks kopēt saturu no iepriekšējiem jautājumiem tālākajās atbildēs

    2. Tas neietekmē valodas modeļa darbību

    3. Valodas modelis apjuks un nezinās ko atbildēt

41. Kā atšķiras Denoising-Auto-Encoder (DAE) no Variational-Auto-Encoder (VAE)?

    1. Atšķiras ar ievades-izvades datiem

    2. Atšķiras ar kļūdas funkciju

    3. Atšķiras ar to, ka VAE netiek apmācīts ar SGD (Stohastic gradient descent), bet izmanto Variational Inference apmācībai

42. Kam izmanto A2C, PPO modeļus?

    1. Lai apmācītu kosmosa kuģa sensoru savienošanu (sensor fussion)

    2. Lai apmācītu ChatGPT atbildēt ar atbildēm, kuras cilvēki parasti sagaida čatā

    3. Lai apmācītu prognozēt akciju cenas

43. Kā atšķirās ViT (Vision Transformer) no GPT tipa Transformers?

    1. Identiski, nav atšķirību

    2. ViT galvenā atšķirība no GPT ir tā, ka sākotnejos slāņos attēls tiek sadalīts pa apgabaliem, tad ar Linear Layer tiek padots Transformer

    3. ViT galvenā atšķirība no GPT ir tā, ka beigās nav transponēta vārdu iegultņu matrica (Word Embedding)

44. Kā atšķiras UNet un YOLO modeļi?

    1. UNet veic semantisko segmentāciju, bet YOLO objektu atpazīšanu

    2. UNet veic semantisko segmentāciju un spēj atpazīt katru objektu atsevišķi, bet YOLO objektu atpazīšanu, kur visi objekti no vienas klasestiek atpazīti kopā

    3. UNet veic instanču segmentāciju, bet YOLO objektu atpazīšanu

45. Kā atškiras DenseNet no ResNet?

    1. ResNet katram blokam ir viens lēciena savienojums, izmantojot saskaitīšanu, bet DenseNet ir viens lēciena savienojums, izmantojot reizināšanu

    2. ResNet katram blokam ir viens lēciena savienojums, izmantojot reizināšanu, bet DenseNet ir vairāki lēcieni savienojot vairākus slāņus uz priekšu, izmantojot reizināšanu

    3. ResNet katram blokam ir viens lēciena savienojums, izmantojot saskaitīšanu, bet DenseNet ir vairāki lēcieni savienojot vairākus slāņus uz priekšu, izmantojot saskaitīšanu

46. Ko modelē DQN, DDQN?

    1. Stāvokļa vērtības funkciju

    2. Q-Politikas funkciju, kura atgriež varbūtības darbībām

    3. Prognozēto kumulatīvo balvu funkciju stāvokļu un darbību trajektorijai

47. Kā iekodēt Laika iegultnes taloniem Transformer modelī?

    1. Izmantojot kosīnusa-sīnusa hard-coded tabulu ar iegultnēm

    2. Izmantojot apmācāmu iegultņu tabulu

    3. Abos veidos

48. Kas ir matricu skalārais reizinājumus (dot product)?

    1. Matemātiska operācija, kura iegūst perpendikulāru vektoru vai matricu starp ievades vektoriem

    2. Matemātiska operācijas, kura veic matricu transformāciju, izmantojot reizināšanu jebkurās dimensijās

    3. Algoritms, kas izmanto saskaitīšanu un reizināšanu pedējās 2 dimensijās jebkurās matricās

49. Kas ir Lineārais slānis jeb funkcija mākslīgajos neironu tīklos?

    1. Matricas vektoriālais reizinājums

    2. Matricas skalārais reizinājums un nobīde ar saskaitīšanu

    3. Lineārās regresijas algoritms

50. Kāpēc nepieciešama partīciju normalizācija (Batch norm) pirms aktivizācijas funkcijas?

    1. Lai novērstu pārapmācīšanos (overfit)

    2. Lai novērstu mirušos neironus (dead neurons)

    3. Lai novērstu noslieci uz vienu klasi prognozēs

51. Kāpēc nepieciešama aktivizācijas funkcija mākslīgajos neironu tīklos?

    1. Lai nodrošinātu nelinearitāti

    2. Lai nodrošinātu lineāritāti

    3. Lai nodrošinātu līdzsvaru

52. Kā jāievada kategoriskas vērtības mākslīgajā neironu tīklā?

    1. Kā katgoriskas vērtības

    2. Kā One-Hot-Encoded vektorus

    3. Kā kategorijas indeksus

    4. Kā kategorihas indeksus, bet ar normalizāciju

53. Kāpēc nepieciešams apmācības datu kopas sadalījums apmācībai, testēšanai un validācijai?

    1. Lai novērstu pārapmācīšanos (overfit)

    2. Lai novērstu mirušos neironus (dead neurons)

    3. Lai novērstu noslieci uz vienu klasi prognozēs

54. Kā noformēt kategoriskos izvades datus mākslīgajā neironu tīklā?

    1. Kā apmācāmas iegultnes

    2. Kā One-Hot-Encoded vektorus

    3. Kā kategorijas indeksus

55. Kādas Q-Vērtības iespējams prognozēt ar Deep Q-Learning Network (DQN)?

    1. Diskrētas

    2. Nepārtrauktas (stohastiskas)

    3. Abas

56. Kādu kļūdas funkciju izmanto, lai apmācītu mākslīgos neironu tīklus klasifikācijai?

    1. Mean Squared Error (MSE)

    2. Mean Absolute Error (MAE)

    3. Categorical Cross-Entropy

57. Kuros gadījumos jāizmanto MAE kļūdas funkcija?

    1. Kad apmācību dati ir tīri un nav trokšņaini

    2. Kad apmācību dati ir trokšņaini

    3. Kad apmācību dati ir mazākā apmērā

58. Ar kādiem modeļiem var risināt laika rindu uzdevumus?

    1. LSTM

    2. GRU

    3. Transformer

    4. Visi minētie

59. Kas nepieciešams, lai apmācītu Stimulētās Mācīšanās modeli (Reinforcement Learning)?

    1. Apmācības datus

    2. Apmācības vidi un balvas vērtības

    3. Apmācības datus un vidi

60. Kā panākt kvalitatīvu atbildi no ChatGPT?

    1. Dot uzdevumu, formatējumu, faktus un piemērus

    2. Formulēt vaicājumu pēc iespējas īsākā un precīzākā formā

    3. Veikt pēc iespējas vairāk vaicājumu vienā un tajā pašā sesijā

61. Vai vienā un tajā pašā ChatGPT sesijā var uzdot vairākus vaicājumus par dažādām tēmām?

    1. Jā

    2. Nē

    3. Tikai ja tēmas ir saistītas

62. Kā panākt kvalitatīvu atbildi no ChatGPT?

    1. Dot uzdevumu ar vairākām daļām pēc iespējas precīzāk vienā vaicājumā

    2. Dot pa vienam uzdevumam katrā vaicājumā

    3. Nav svarīgi, cik daudz soļi ir viena uzdevuma izpildē

63. Ko var panākt ar matricu skalāro reizinājumu (dot product)?

    1. Samazināt slēptā vektora dimensijas

    2. Palielināt slēptā vektora dimensijas

    3. Abi minētie

64. Kāpēc nevar sastādīt mākslīgo neironu tīklu tikai no lineāriem slāņiem?

    1. Rezultāts būs pārāk sarežģīts

    2. Rezultāts būs pārāk vienkāršs

    3. Rezultāts tiks reducēts līdz pēdējai lineārai funkcijai, ignorējot iepriekšējās

    4. Nebūs iespējams veikt atpakaļizplatīšanās algoritmu

65. No kā sastāv atpakaļizplatīšanās algoritms?

    1. SGD (sohastiskais kalnā kāpējs)

    2. Kļūdas funkcijas atvasinājuma pēc svariem aprēķināšanas un SGD (sohastiskais kalnā kāpējs)

    3. Svaru atvasinājuma aprēķināšanas pēc kļūdas funkcijas un SGD (sohastiskais kalnā kāpējs)

66. Kas ir iegultnes, jeb embeddings?

    1. Slēptās vērtības, kuras tiek iegūtas no numuriskām vērtībām

    2. Kategoriskas vērtības, kuras ir pārveidotas skaitliskās vērtībās, izmantojot One-Hot-Encoding

    3. Kategoriskas vērtības, kuras ir pārveidotas skaitliskās vērtībās, izmantojot apmācāmus parametrus

67. Kas ir Adam algoritms?

    1. Kļūdas funkcijas stabilizācijas algoritms

    2. Normalizācijas algoritms

    3. Optimizācijas algoritms

68. Kā var apmācīt modeli uz GPU?

    1. Izmantojot Matplotlib bibliotēku

    2. Izmantojot CUDA bibliotēkas, kuras ir iebūvētas TensorFlow, PyTorch

    3. Izmantojot NumPy bibliotēku

69. Kādas augmentācijas nepieciešams attēlu klasifikācijas uzdevumos?

    1. Attēlu pārvietošana (translation)

    2. Attēlu rotēšana (rotation)

    3. Visas minētās

70. Cik dimensijām jābūt izvades slānim, lai klasificētu 10 kategorijas?

    1. 1

    2. 10

    3. 2

    4. Nav noteikts

71. Cik dimensijām jābūt izvades slānim, lai klasificētu 2 kategorijas?

    1. 1

    2. 2

    3. Nav noteikts

72. Kādai funkcijai jāseko pirms Cross-Entropy funkcijas, lai klasificētu 10 kategorijas?

    1. Softmax

    2. Sigmoid

    3. ReLU

73. Kādai funkcijai jāseko pirms Binary-Cross-Entropy funkcijas, lai klasificētu 2 kategorijas?

    1. Softmax

    2. Sigmoid

    3. ReLU