„Számítógépes látórendszerek - Ellenőrző kérdések: Detektálás, Osztályozás” változatai közötti eltérés
Ugrás a navigációhoz
Ugrás a kereséshez
(kérdés import) |
|||
| 8. sor: | 8. sor: | ||
== Ismertesse a kNN algoritmust! == | == Ismertesse a kNN algoritmust! == | ||
| + | '''K Nearest Neighbor''' – ''k'' legközelebbi szomszéd | ||
| + | Az osztályozandó példához legközelebb eső k tanító adatot vesszük figyelembe | ||
| + | Az ő címkéjük alapján dönt az algoritmus az adott problémáról. | ||
== Ismertesse a Bayes hálók működését! == | == Ismertesse a Bayes hálók működését! == | ||
A lap 2015. április 15., 23:10-kori változata
Tartalomjegyzék
- 1 Mit jelent a detektálás/lényegkiemelés, illetve az osztályozás? Milyen nehézségekkel kerülünk szembe az egyes feladatok esetén?
- 2 Ismertesse a template matching algoritmust! Milyen transzformációk esetén biztosít invarianciát az algoritmus?
- 3 Mit jelent a gépi tanulás? Milyen típusai és tipikus feladatai vannak? Mi az a bináris klasszifikációs probléma és hogyan terjeszthető ki nem bináris esetre? Mit jelent a lineáris szétválaszthatóság?
- 4 Ismertesse a kNN algoritmust!
- 5 Ismertesse a Bayes hálók működését!
- 6 Ismertesse a percepton/neuron algoritmust! Hogyan terjeszthető ki nemlineáris esetre?
- 7 Ismertesse a Support Vector Machine (SVM) algoritmust! Hogyan terjeszthető ki nemlineáris esetre?
- 8 Mi a klaszterezés, mire jó? Ismertessen klaszterező algoritmusokat! Mi az erős és a gyenge hozzárendelés, és hogyan kapcsolódik az egyes algoritmusokhoz?
- 9 Mutassa be a főkomponens analízis (PCA) algoritmust!
- 10 Mi a mély tanulás és mire jó? Mutassa be a legfontosabb mély tanuló struktúrákat!
- 11 Ismertesse a Bag of Words osztályozó algoritmus működési elvét! Milyen előnyei és hátrányai vannak más módszerekkel szemben?
- 12 Mutassa be a rész alapú (part based) detektorok működését! Milyen előnyöket és hátrányokat tud megemlíteni?
Mit jelent a detektálás/lényegkiemelés, illetve az osztályozás? Milyen nehézségekkel kerülünk szembe az egyes feladatok esetén?
Ismertesse a template matching algoritmust! Milyen transzformációk esetén biztosít invarianciát az algoritmus?
Mit jelent a gépi tanulás? Milyen típusai és tipikus feladatai vannak? Mi az a bináris klasszifikációs probléma és hogyan terjeszthető ki nem bináris esetre? Mit jelent a lineáris szétválaszthatóság?
Ismertesse a kNN algoritmust!
K Nearest Neighbor – k legközelebbi szomszéd Az osztályozandó példához legközelebb eső k tanító adatot vesszük figyelembe Az ő címkéjük alapján dönt az algoritmus az adott problémáról.
Ismertesse a Bayes hálók működését!
Ismertesse a percepton/neuron algoritmust! Hogyan terjeszthető ki nemlineáris esetre?
Ismertesse a Support Vector Machine (SVM) algoritmust! Hogyan terjeszthető ki nemlineáris esetre?
Mi a klaszterezés, mire jó? Ismertessen klaszterező algoritmusokat! Mi az erős és a gyenge hozzárendelés, és hogyan kapcsolódik az egyes algoritmusokhoz?
Mutassa be a főkomponens analízis (PCA) algoritmust!
Mi a mély tanulás és mire jó? Mutassa be a legfontosabb mély tanuló struktúrákat!
2015-ben nem kell!
