2025-Q1-AI 19. Eksāmens Gatavošanās materiāls

1. Uzdevums

Būs nejauši izvēlēti 20 jautājumi no sekojošajiem

Apvilkt vienu pareizo atbildi! (apvelc skaitli)

1. Kurš apgalvojums ir pareizs?

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

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

   3. Mākslīgais intelekts mūsdienās pārsvarā 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 kā aktivizācijas izpildās laikā

    3. Nav līdzīgs, jo mākslīgais neironu tīka modelis ir matemātisks un izpildās 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 GRU 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

21. 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

22. 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

23. 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)

24. 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

25. 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

26. 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

27. Kā iekodēt Laika iegultnes taloniem Transformer modelī?

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

    2. Izmantojot apmācāmu iegultņu tabulu

    3. Abos veidos

28. 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

29. 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

30. 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

31. 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

32. No kā mākslīgais intelekts mācās?

    1. Eksperta izveidotiem likumiem

    2. Datiem

    3. Programētāja izveidotiem likumiem

33. Kuri no dotajiem piemēriem mākslīgā intelekta modelī varētu būt ievaddati klasifikācijas modelim?

    1. Varbūtība, ka klients atteiksies no pakalpojuma

    2. Cik reizes klients ienācis sistēmā pēdējās 10 dienās

    3. Modeļa svaru vērtības

34. Kuri no dotajiem piemēriem mākslīgā intelekta modelī varētu būt izvadesdati klasifikācijas modelim?

    1. Varbūtība, ka klients atteiksies no pakalpojuma

    2. Cik reizes klients ienācis sistēmā pēdējās 10 dienās

    3. Modeļa svaru vērtības

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

    1. Regresijas

    2. Klasifikācijas

    3. Numerācijas

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

    1. Regresijas

    2. Klasifikācijas

    3. Numerācijas

37. Kurā vidē parasti apmāca Mākslīgā intelekta modeļus?

    1. Excel

    2. Python

    3. Power BI

38. 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)

39. Kurš faktors visvairāk ietekmē modeļa precizitāti?

    1. Apmācības atrums

    2. Nesabalnsēts paraugu skaits katrā klasē apmācību datu kopā

    3. Paraugu dažādība datu kopā

40. 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

41. Kādiem nolūkiem varētu būt noderīga klasterizācija un kategorizēšana, izmantojot k-Means algorimu?

    1. Klasificēt dzīvnieku attēlus

    2. Piedāvāt jaunus produktus klientiem, izmantojot klientu pirkumu datu vēsturi

    3. Ģenerēt tekstu reklāmām

    4. Prognozēt cenu jaunam produktam, kurš ievērojami atsķiras no visiem esošajiem produktiem

42. Kādiem nolūkiem varētu izmantot lēmumu pieņemšanas koku algoritmus kā ID3?

    1. Noteikt iemeslus kāpēc klients nopirka esošu produktu

    2. Noteikt ar kādu varbūtību ārā līs lietus

    3. Noteikt produkta cenas skaitlisko vērtību

43. 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 laikā

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

44. 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 algoritms (SGD)

    2. Datu normalizēšana, Datu sadalīšana kopās, Modeļa izveide, Epohas, Apmācību cikls, Atpakaļizplatīšanās algoritms (SGD), 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 algoritms (SGD), Testa cikls, Validācijas cikls

45. 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

46. 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 prims vaicājuma

47. Kas notiks, ja turpināsiet uzdot vairākus vaicājumus par dažādām tēmām pēc kārtas vienā un tajā pašā ChatGPT sessijā (transformera tipa modelis)?

    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

48. Kāda veida ievades dati tiek lietoti STT jeb ASR modeļos?

    1. Audio signāli

    2. Teksta dati

    3. Attēlu dati

    4. Video dati

49. Kādi ievades dati būtu jālieto TTS modelim un kādi sagaidāmie izvades dati?

    1. Ievades dati: teksts; Izvades dati: audio signāli

    2. Ievades dati: attēli; Izvades dati: teksts

    3. Ievades dati: audio signāli; Izvades dati: teksts

    4. Ievades dati: video; Izvades dati: audio signāli

50. Kādus uzdevumus audio apstrādē spēj veikt mākslīgais intelekts?

    1. Balss un mūzikas stila pārvēršana (Voice and Music style conversion) - MI ļauj transformēt viena runātāja vai dziedātāja balss īpašības uz citu, saglabājot runas vai dziesmas saturu. Tāpat ir iespējams pārnest mūzikas stilu no viena žanra vai izpildītāja uz citu.

    2. Mūzikas ģenerēšana (Music generation) - MI modeļi spēj radīt jaunu, oriģinālu mūziku, apgūstot mūzikas likumsakarības no liela apjoma mūzikas datiem.

    3. Akcenta noņemšana (Accent removal) - Ar balss pārvēršanas metodēm ir iespējams samazināt vai noņemt runātāja akcentu, padarot runu vieglāk saprotamu.

    4. Visus minētos

51. Kas ir spektogramma, vai MFCC audio signāla kontekstā?

    1. Spektogramma ir vizuāls attēlojums, kas parāda audio signāla frekvenču sadalījumu laika gaitā. Tā attēlo skaņas intensitāti dažādās frekvencēs katrā laika momentā.

    2. Spektogramma ir līkne, kas parāda audio signāla amplitūdu atkarībā no laika. Tā neatspoguļo frekvenču sadalījumu.

    3. Spektogramma ir matematiska funkcija, ko izmanto audio signālu filtrēšanai un pārveidošanai. Tai nav grafiska attēlojuma.

    4. Spektogramma ir ierīce, ko izmanto audio signālu ģenerēšanai un atskaņošanai, regulējot frekvenču joslas.

52. Cik liela aptuveni kļūda mūsdienās ir runas atpazīšanas modeļiem angļu valodā (Whisper V3)?

    1. zem 10% vārdu kļūdas (WER)

    2. zem 20% vārdu kļūdas (WER)

    3. zem 30% vārdu kļūdas (WER)

53. Kur ir noderīga balss ieraksta uzlabošana (speech enhancement) ar mākslīgo intelektu?

    1. Tiesu ekspertīzē un kriminālistikā

    2. Runas atpazīšanā un transkribēšanā

    3. Gadījumos, kad ir pieejams augstas kvalitātes runas ieraksts

54. Kādam nolūkam izmanto kļūdas funkciju apmācot mācot mākslīgo intelektu?

    1. Kļūdas funkciju izmanto, lai novērtētu atšķirību starp mākslīgā intelekta prognozētajām un patiesajām vērtībām, ļaujot pielāgot modeli labākai precizitātei.

    2. Kļūdas funkciju lieto, lai pārbaudītu mākslīgā intelekta aparatūras darbību un identificētu iespējamās kļūmes.

    3. Kļūdas funkcija kalpo kā drošības mehānisms, lai nepieļautu mākslīgā intelekta pārāk lielu autonomiju un neatkarīgu darbību.

    4. Kļūdas funkciju pielieto, lai mērītu mākslīgā intelekta darbības ātrumu un efektivitāti, nosakot tā veiktspēju.

55. Kādam nolūkam izmanto rādītāju kā F1 vai Precizitāti apmācot mākslīgā intelekta modeli?

    1. F1 un Precizitāte tiek lietoti, lai pārbaudītu mākslīgā intelekta modeļa ātrumu un efektivitāti apmācības procesā. Jo ātrāk modelis apmācās, jo labāki ir šie rādītāji.

    2. F1 un Precizitāte ir nepieciešami, lai pielāgotu mākslīgā intelekta modeļa hiperparametrus un uzlabotu tā arhitektūru. Pēc šiem rādītājiem var saprast, kā mainīt modeļa uzbūvi.

    3. F1 un Precizitāte tiek izmantoti, lai novērtētu mākslīgā intelekta modeļa veiktspēju un kvalitāti apmācības un testēšanas laikā. Tie palīdz saprast, cik labi modelis spēj pareizi klasificēt vai prognozēt rezultātus.

    4. F1 un Precizitāte kalpo kā galvenie kritēriji, lai salīdzinātu dažādus mākslīgā intelekta modeļus savā starpā un izvēlētos labāko modeli dotajam uzdevumam. Jo augstāki šie rādītāji, jo labāks ir modelis.

56. ConvNet jeb atteļu klasifikācijas modelis 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

57. Transformer modelis, kurš ir ChatGPT pamatā balstās uz:

    1. Tikai uz teksta datu bāzi

    2. Uzmanības mehānismu, kas pievērš uzmanību ievadītajam tekstam

    3. Validācijas datu kopas

58. Kas ir semantiskā segmentācija attēlos?

    1. Semantiskā segmentācija ir metode, kā sadalīt attēlu kvadrātveida segmentos, neņemot vērā attēla saturu vai nozīmi.

    2. Semantiskā segmentācija ir attēla apstrādes metode, kas ļauj noteikt attēla spilgtumu un kontrastu, bet nesniedz informāciju par attēla saturu.

    3. Semantiskā segmentācija ir process, kurā katram attēla pikselim tiek piešķirta semantiska klase, piemēram, cilvēks, mašīna, ēka utt., tādējādi sadalot attēlu jēgpilnos segmentos.

    4. Semantiskā segmentācija ir veids, kā pārvērst krāsainu attēlu melnbaltā attēlā, saglabājot tā semantisko nozīmi.

59. Kas ir instanču segementācija attēlos?

    1. Instanču segmentācija ir attēlu apstrādes metode, kas ļauj sadalīt attēlu vairākos segmentos, balstoties uz pikseļu krāsu vērtībām. Šī metode tiek izmantota, lai vienkāršotu attēlu un samazinātu tā detalizācijas pakāpi.

    2. Instanču segmentācija ir process, kurā no attēla tiek izgriezti atsevišķi objekti un saglabāti kā jauni attēli. Šī metode tiek izmantota, lai izveidotu jaunu attēlu kopu no viena lielāka attēla.

    3. Instanču segmentācija ir process, kurā attēlā tiek identificēti un izdalīti atsevišķi objekti, piešķirot katram objektam unikālu marķējumu vai identifikatoru. Šī metode ļauj precīzi noteikt katra objekta atrašanās vietu un robežas attēlā.

    4. Instanču segmentācija ir metode, kas ļauj noteikt attēla dziļumu, analizējot objektu izmēru un novietojumu attiecībā vienam pret otru. Šo informāciju var izmantot, lai izveidotu 3D modeli no 2D attēla.

60. Kā strādā Apple FaceID, kurš pieņemot izmanto sejas Re-identifikācijas modeli?

    1. Modelis tiek apmācīts, izmantojot lietotāja sejas datus

    2. Modelis jau ir apmācīts iepriekš un iegūst unikālu jēdzienvektoru (embedding)

    3. Abi varianti

61. Kas ir OCR?

    1. OCR ir saīsinājums no "Optimizēta Ciparu Rotācija", kas ir dziļās mācīšanās metode ciparu rotēšanai attēlos.

    2. OCR ir optiskā rakstzīmju atpazīšana, kas ir dziļās mācīšanās pielietojums, laiatpazītu un digitalizētu drukātu vai rakstītu tekstu no attēliem vai skenētiem dokumentiem.

    3. OCR ir dziļās mācīšanās algoritms, ko izmanto, lai prognozētu laika apstākļus, analizējot mākoņu attēlus no satelītiem.

62. Kādām daļām jābūt Midjourney attēla ģenerēšanas teksta vaicājumā daļā?

    1. Konfigurācijas parametri

    2. Type, Subject, Features, Style

    3. Parauga fails

63. Kādas darbības var veikt ar mākslīgā intelekta attēlu apstrādes rīkiem?

    1. Noņemt fotogrāfijas fonā nevēlamus priekšmetus

    2. Nomainīt sejas izteiksmes un emocijas fotogrāfijā

    3. Abas no augstāk minētām darbībām

64. Kādām daļām jābūt ChatGPT vaicājumā, lai iegūtu labāko rezultātu?

    1. Precīzi definēts uzdevums, Konteksts/Persona, Formāts/Tonis

    2. Neprecīzi definēts Uzdevums, Konteksts/Persona, Formāts/Tonis, Fakti/Dati

    3. Nav svarīgi kā strukturēts vaicājums

65. Ar kādu vaicājumu panākt, ka tekstu neatpazīs plaģiātisma atpazīšanas sistēmas, bet saglabās to pašu domu, izmantojot ChatGPT?

    1. Improve text below

    2. Rephrase text below

    3. Change text below

66. Kāpēc izmantot maksas ChatGPT versiju?

    1. Maksas versija GPT4 dažādos uzdevumus sniedz 30-50% labākus rezultātus

    2. Mākslīgais intelekts darbojas uz nVidia GPU, kurus ir dārgi uzturēt un bezmaksas versija nav ekonomiski izdevīga, līdz ar to produkta kvalitāte ir zemāka

    3. Abi varianti

67. Kuri faktori veicināja mākslīgā intelekta attīstību pēdējos 10 gados?

    1. Pielietojumi biznesā, datu pieejamība, skaitļošanas resursu jauda

    2. Sabiedrības intrese, pielietojumi biznesā, skaitļošanas resursu jauda

    3. Datu pieejamība, skaitļošanas resursu jauda, matemātikas teorija

68. Kurus darbus mākslīgais intelekts visticamāk automatizēs vispirms digitālajā vidē?

    1. Monotonus, zemi atalgotus darbus

    2. Radošus, augsti atalgotus darbus

    3. Mākslīgais intelekts vēl ilgi nevarēs automatizēt intelektuālu darbu

69. Kam līdzinās vairāk Lielie Valodas Modeļi (LLM)?

    1. Orāklam, kas spēj atbildēt uz visiem jautājumiem

    2. Improvizācijas teātrim, kurš atbild, balstoties uz informāciju, kuru dod lietotājs

    3. Interneta meklēšanas dzinējam

70. Kādos formātos var atbildēt GPT4?

    1. Uzrakstīt programmatūras pirmkodu

    2. Izveidot tabulas

    3. Izveidot numurētus sarakstus

    4. Visos minētajos formātos

71. Lai varētu izmantot Lielo Valodas modeli (LLM) vislētāk ar uzņēmuma datiem nepieciešams:

    1. Apmācīt uz uzņēmuma datiem

    2. Pieslēgt teksta semantiskās jēgas modeli un izveidot RAG (Retrieval Augmented Generation) sistēmu, kura izmanto iepriekš apmācītu modeli

    3. Saprogrammēt, ka modelis pats meklē uzņēmuma datus datubāzē

72. Kur ir noderīgs PCA (Principal Component Analysis)?

    1. PCA tiek izmantots, lai palielinātu ievades datu dimensionalitāti, lai varētu redzēt vizualizēt datus un redzēt to sakarības

    2. PCA ir noderīgs, lai samazinātu ievades datu dimensionalitāti, lai varētu redzēt vizualizēt datus un redzēt to sakarības

    3. Neviens no dotajiem variantiem

73. Kādā formātā iekodē kategoriskus datus mākslīgājā intelektā, lai apmācītu modeli, piemēram: bmw, audi, toyota?

    1. Kā klašu indeksus: 0 = bmw, 1 = audi, 2 = toyota

    2. One-hot-encoded: [1, 0, 0] = bmw, [0, 1, 0] = audi, [0, 0, 1] = toyota

    3. Abos veidos

74. Kādā fromātā ievada datus, lai apmācītu mākslīgā intelekta modeli prognozēt dzīvokļa cenas no sludinājuma teksta?

    1. Absolūtas vērtības: 0…500k EUR

    2. Normalizētas cenas robežās: -1..1

    3. Abos veidos

75. Kas var būt dziļās mašīnmācīšanās modeļa izvades dati?

    1. Mašīnas cena

    2. Mašīnas marka

    3. Abi iepriekš minētie gan reizē un gan atsevišķi

76. Kas var būt dziļās mašīnmācīšanās modeļa ievades dati?

    1. Mašīnas cena

    2. Mašīnas marka

    3. Abi iepriekš minētie gan reizē un gan atsevišķi

77. Salīdzinot 2 grupas ar aptauju dalībnieku atbildēm kā noteikt vai starp šim grupām ir statistiski nozīmīgas atšķirības atbildēs?

    1. Jāveic t-test un vērtībai jābūt zem 0.05

    2. Jāveic p-test un vērtībai jābūt zem 0.05

    3. Vizuāli jāsalīdzina

78. Kas ir histogrammas?

    1. Histogramma ir matemātiska formula, ko izmanto, lai aprēķinātu vidējo vērtību datu kopai, ņemot vērā datu izkliedi ap vidējo vērtību.

    2. Histogramma ir datu vizualizācijas veids, kurā dati tiek attēloti kā līnijas grafiks, kur katrs datu punkts ir savienots ar taisnu līniju, lai parādītu izmaiņas laika gaitā.

    3. Histogramma ir grafisks attēlojums, kas parāda datu sadalījumu, sadalot tos vairākos intervālos jeb groziņos un attēlojot katra intervāla biežumu kā joslas augstumu.

    4. Histogramma ir statistikas metode, ko izmanto, lai pārbaudītu, vai divu datu kopu starpība ir statistiski nozīmīga, salīdzinot to vidējās vērtības un standartnovirzes.

79. Kas ir atpakaļizplatīšanās algoritms?

    1. Atpakaļizplatīšanās algoritms ir datu vizualizācijas tehnika, kas ļauj attēlot datus trīsdimensiju telpā, lai labāk izprastu to struktūru un sakarības.

    2. Atpakaļizplatīšanās algoritms ir mašīnmācīšanās metode, ko izmanto, lai apmācītu neironu tīklus, izplatot kļūdas atpakaļ pa tīklu un pielāgojot svarus, lai minimizētu kļūdu.

    3. Atpakaļizplatīšanās algoritms ir datu kompresijas metode, kas ļauj samazināt datu apjomu, atmest nevajadzīgo informāciju un paātrināt datu apstrādi.

    4. Atpakaļizplatīšanās algoritms ir kriptogrāfijas metode, ko izmanto, lai šifrētu un atšifrētu datus, padarot tos drošākus pret nesankcionētu piekļuvi.

51. Nulles-šaviena modeļus visefektīvāk ir izamantot:

    1. Runas atpazīšanā latviešu valodā

    2. Balss re-identifikācija banku sistēmās

    3. Seju klasifikācijā emociju noteikšanai

52. Stimulētā mašīnmācīšanās, kuru izmanto robotikā un datorspēļu automatizācijā sastāv no:

    1. Vides, Balvas funkcijas, Lēmumu koka

    2. Vides, Balvas funkcijas, Novērojumiem, Darbības, Aģenta

    3. Vides, Balvas funkcijas, Novērojumiem, Darbības, Klasifikācijas precizitātes Novērtējuma , Aģenta

53. Kāds ir galvenais mērķis dimensiju samazināšanas metodēm kā PCA, t-SNE vai UMAP, saskaņā ar avotiem?

    1. Palielināt datu skaitu.

    2. Vizualizēt datus zemākā dimensijā, piemēram, 2D.

    3. Apmācīt lēmumu koku modeli.

    4. Noteikt korelāciju starp kolonnām.

54. Kuru datu kopu avoti piemin kā tādu, uz kuras apmācīta lielākā daļa dziļās mašīnmācīšanās attēlu modeļu attēlu klasifikācijai?

    1. MS COCO

    2. MNIST

    3. ImageNet

    4. LAION5B

55. Kā avoti apraksta audio signāla frekvenci ("Frekvence f"), un kā tā ietekmē skaņas uztveri?

    1. Tā ir skaņas skaļuma mērs; augstāka frekvence nozīmē skaļāku skaņu.

    2. Tā ir svārstības sekundē; augstāka frekvence nozīmē spalgāku skaņu.

    3. Tā ir signāla izšķirtspēja; augstāka frekvence nozīmē detalizētāku signālu.

    4. Tā nosaka, cik daudz kanālu ir audio signālam.

56. Kāds ir galvenais balvas (reward) signāla uzdevums Stimulētā mašīnmācīšanā (Reinforcement Learning) ?

    1. Nodrošināt modeli ar pareizajām atbildēm.

    2. Palīdzēt modelim saprast datu struktūru.

    3. Dot modelim atgriezenisko saiti par tā darbību kvalitāti.

    4. Samazināt datu dimensiju skaitu.

57. Kāda mašīnmācīšanās pieeja ir primāri piemērota līdzīgu biznesa objektu grupēšanai, piemēram, klientu segmentēšanai, bez iepriekšējas informācijas par grupām?

    1. Pārraudzītā māšīnmācīšanās (Supervised Learning)

    2. Regresija (Regression)

    3. Nepārraudzītā māšīnmācīšanās (Unsupervised Learning) jeb klasterizācija.

    4. Stimulētā māšīnmācīšanās (Reinforcement Learning)

58. Kurš būtu raksturīgs lēmumu koku pielietojums biznesā?

    1. Klientu aizplūšanas (Churn) prognozēšana.

    2. Audio signālu apstrāde.

    3. Attēlu ģenerēšana reklāmas materiāliem.

    4. Frekvences analīze.

59. Kāda veida AI modeļi ir īpaši noderīgi zvanu centros?

    1. Attēlu modeļi.

    2. ConvNet

    3. Regresijas modeļi.

    4. STT, TTS

60. Kurš uzdevums lekcijā tika minēts kā tipisks pārraudzītās mašīnmācīšanās (supervised learning) piemērs biznesā?

    1. Darbinieku atvaļinājumu plānošana

    2. Kredītriska novērtējums

    3. Neklasterētu datu grupēšana

    4. Attēlu sintēze reklāmai

61. Kāds ir galvenais stimulētās mašīnmācīšanās (reinforcement learning) darbības princips?

    1. Modeļa trenēšana uz marķētiem attēliem

    2. Nejauša meklēšanas koka veidošana

    3. Aģenta mācīšanās, saņemot balvas par vēlamām darbībām vidē

    4. Datu automātiska grupēšana bez uzraudzības

2. Uzdevums

Uzskaitiet un aprakstiet visus nepieciešamos soļus, ja jums būtu jāapmāca suņu un kaķu fotoattēlu klasifikators, izmantojot PyTorch. Jums ir doti 800 kaķu fotoattēlu un 200 suņu fotoattēlu. Jūs nevarat izmantot jau iepriekš apmācītu modeli. Jums ir jāizveido, jāapmāca un jāievieš modelis produkcijā, kur to izmantos, lai atšķirtu kaķu un suņu fotoattēlus. Ja minat atslēgvārdus kā “modelis”, “kļūdas funkcija” utt., jums jāizmanto precīzs nosaukums un apraksts katram “modelim”, “kļūdas funkcijai” utt., ko izmantosiet šim uzdevumam.

Definēt precīzas metodes (kopā jābūt vismaz 10):

1. Datu kopu pirmapstrāde pirms apmācības

2. Datu kopu pirmapstrāde apmācības laikā

3. Modeļa veiktspējas mērīšana

4. Modeļa arhitektūra un kāpēc?

5. Zaudējumu funkcija un kāpēc?

6. Optimizators un kāpēc?

7. Apmācības protokols, ko mērīt, kad apstāties

8. Kā izmantot modeli inferencei?

3. Uzdevums

Apvilkt kļūdas un pierakstīt kā bija jābūt pareizi. Atrast 10 kļūdas

175
1
BATCH_SIZE = 128
2
TRAIN_TEST_SPLIT = 0.8
3
LEARNING_RATE = 200
4
EPOCHS = 100
5

6
class Dataset(torch.utils.data.Dataset):
7
    def __init__(self):
8
        super().__init__()
9
        with open('some_image_dataset.pkl', 'rb') as fp:
10
            X, Y_class_indexes, self.labels = pickle.load(fp)
11
        self.Y_class_indexes = Y_class_indexes
12

13
        X = torch.from_numpy(np.array(X).astype(np.float32))
14
        self.X = X.permute(0, 3, 1, 2)
15
        self.input_size = self.X.size(-1)
16

17
    def __len__(self):
18
        return len(self.X)
19

20
    def __getitem__(self, idx):
21
        x = self.X[idx]
22
        y = self.Y_class_indexes[idx]
23

24
        return x, y
25

26
dataset_full = Dataset()
27
train_test_split = int(len(dataset_full) * TRAIN_TEST_SPLIT)
28

29
idxes_train, idxes_test = sklearn.model_selection.train_test_split(
30
    np.arange(len(dataset_full)),
31
    train_size=train_test_split,
32
    test_size=len(dataset_full) - train_test_split,
33
    stratify=dataset_full.Y_idx,
34
    random_state=0
35
)
36

37
dataloader_train = torch.utils.data.DataLoader(
38
    dataset=dataset_train,
39
    batch_size=BATCH_SIZE,
40
    shuffle=True,
41
    drop_last=(len(dataset_train) % BATCH_SIZE == 1)
42
)
43

44
dataloader_test = torch.utils.data.DataLoader(
45
    dataset=dataset_test,
46
    batch_size=BATCH_SIZE,
47
    shuffle=True
48
)
49

50
def get_out_size(in_size, padding, kernel_size, stride):
51
    return int((in_size + 4 * padding - kernel_size) / stride) + 1
52

53
class Conv2d(torch.nn.Module):
54
    def __init__(self, in_channels, out_channels, kernel_size, stride, padding):
55
        super().__init__()
56
        self.in_channels = in_channels
57
        self.out_channels = out_channels
58
        self.kernel_size = kernel_size
59
        self.stride = stride
60
        self.padding = padding
61
        self.K = torch.nn.Parameter(
62
            torch.FloatTensor(kernel_size, kernel_size, in_channels, out_channels)
63
        )
64

65
    def forward(self, x):
66
        batch_size = x.size(0)
67
        in_size = x.size(-1)
68
        out_size = get_out_size(in_size, self.padding, self.kernel_size, self.stride)
69

70
        out = torch.zeros(batch_size, self.out_channels, out_size, out_size)
71

72
        x_padded = torch.zeros(batch_size, self.in_channels, x_padded_size, x_padded_size)
73
        x_padded_size = in_size + 2 * self.padding
74
        x_padded[:, :, self.padding:-self.padding, self.padding:-self.padding] = x
75

76
        K = self.K.reshape(-1, self.out_channels)
77

78
        i_out = 0
79
        for i in range(0, x_padded_size - self.kernel_size - 1, self.stride):
80
            j_out = 0
81
            for j in range(0, x_padded_size - self.kernel_size - 1, self.stride):
82
                x_part = x_padded[:, :, i:i+self.kernel_size, j:j+self.kernel_size]
83
                x_part = x_part.reshape(batch_size, K.size(0))
84
                out_part = K.t() @ x_part
85
                out[:, :, i_out, j_out] = out_part
86
                j_out += 1
87
            i_out += 1
88

89
        return out
90

91
class Model(torch.nn.Module):
92
    def __init__(self):
93
        super().__init__()
94

95
        self.encoder = torch.nn.Sequential(
96
            Conv2d(in_channels=3, out_channels=5, kernel_size=5, stride=1, padding=1),
97
            torch.nn.BatchNorm2d(num_features=5),
98
            Conv2d(in_channels=5, out_channels=10, kernel_size=5, stride=1, padding=1),
99
            torch.nn.BatchNorm2d(num_features=10),
100
            Conv2d(in_channels=15, out_channels=15, kernel_size=5, stride=1, padding=1),
101
        )
102

103
        out_1 = get_out_size(dataset_full.input_size, kernel_size=5, stride=1, padding=1)
104
        out_2 = get_out_size(out_1, kernel_size=5, stride=1, padding=1)
105
        out_3 = get_out_size(out_2, kernel_size=5, stride=1, padding=1)
106

107
        self.fc = torch.nn.Linear(
108
            in_features=15*out_3*out_3,
109
            out_features=len(dataset_full.labels)
110
        )
111

112
    def forward(self, x):
113
        out = self.encoder.forward(x)
114
        out_flat = out.view(x.size(0), -1)
115
        logits = self.fc.forward(out_flat)
116
        y_prim = torch.softmax(logits, dim=1)
117
        return y_prim
118

119

120
model = Model()
121
optimizer = torch.optim.Adam(model.parameters(), lr=LEARNING_RATE)
122

123
metrics = {}
124
for stage in ['train', 'test']:
125
    for metric in [
126
        'loss',
127
        'acc'
128
    ]:
129
        metrics[f'{stage}_{metric}'] = []
130

131
for epoch in range(1, EPOCHS):
132
    for data_loader in [dataloader_train, dataloader_test]:
133
        metrics_epoch = {key: [] for key in metrics.keys()}
134

135
        if data_loader == dataloader_test:
136
            stage = 'test'
137
            model = model.eval()
138
            torch.set_grad_enabled(False)
139
        else:
140
            stage = 'train'
141
            model = model.train()
142
            torch.set_grad_enabled(True)
143

144
        for x, y in tqdm(data_loader):
145

146
            y_prim = model.forward(x)
147

148
            y_idx = y.cpu().data.numpy().argmax(axis=-1)
149
            loss = torch.mean(y * torch.log(y_prim + 1e-8))
150

151
            if data_loader == dataloader_train:
152
                loss.backward()
153
                optimizer.zero_grad()
154
                optimizer.step()
155

156
            np_y_prim = y_prim.cpu().data.numpy()
157
            np_y = y.cpu().data.numpy()
158

159
            idx_y = np.argmax(np_y, axis=1)
160
            idx_y_prim = np.argmax(np_y_prim, axis=1)
161

162
            acc = np.average((idx_y == idx_y_prim) * 1.0)
163

164
            metrics_epoch[f'{stage}_acc'].append(acc)
165
            metrics_epoch[f'{stage}_loss'].append(loss.cpu().item())
166

167
        metrics_strs = []
168
        for key in metrics_epoch.keys():
169
            if stage in key:
170
                value = np.mean(metrics_epoch[key])
171
                metrics[key].append(value)
172
                metrics_strs.append(f'{key}: {round(value, 2)}')
173

174

175