دانلود رایگان سوالات استخدامی هوش مصنوعی

۱-کدام الگوریتم جستجو حافظه زیادی مصرف نمیکند ؟
۱) جست وجوی دوطرفه
۲) جست وجوی عرضی
۳) جست وجوی عمقی
۴) جست وجوی اول بهترین

• پاسخ تیم آموزشی ای استخدام (com.estekhdam-e): گزینه ۳
جستوجوی عمقی فقط مسیر جاری را در حافظه نگه میدارد و برخلاف جستوجوی عرضی
که تمام گره ها ی سطح را ذخیره میکند، حافظه کمتری مصرف میکند.

۲- ویژگی عامل های هوشمند در محیط غیرقطعی چیست؟
۱) فقط واکنش نشان میدهد
۲) بر پایه مدل و پیش بینی عمل میکند
۳) تصمیم گیری از پیش تعیین شده دارد
۴) همیشه موفق است

• پاسخ تیم آموزشی ای استخدام (com.estekhdam-e): گزینه ۲
در محیط های غیرقطعی ، عامل هوشمند باید با مدلساز ی و پیش بینی عمل کند تا بتواند در شرایط مبهم و متغیر بهترین تصمیم را بگیرد.

۳-چالش اصلی در محیط وامپوس چیست و بر اساس چه استدلالی میتوان بر آن غلبه کرد؟
۱) ناآگاهی از پیکربندی محیط – استدلال منطقی
۲) ناآگاهی از محل قرارگیری طلا– استدلال منطقی
۳) ناآگاهی از محل قرارگیری طلا– صدق پذیری
۴) ناآگاهی از پیکربندی محیط – صدق پذیری

• پاسخ تیم آموزشی ای استخدام (com.estekhdam-e): گزینه ۱
در محیط وامپوس عامل با ناآگاهی از ساختار و خطرات محیط روبه رو است. عامل با استفاده از قوانین منطق گزاره ای و استدلال منطقی می تواند اطلاعات ناقص را تکمیل کرده و مسیر مناسب را بیابد.

۴-کدام گزینه از تعار یف مرتبط با هوشمندی نیست؟
۱) مانند انسان عمل کردن
۲) مانند انسان فکر کردن
۳) عاقالنه عمل کردن
۴) مانند انسان زندگی کردن
• پاسخ تیم آموزشی ای استخدام (com.estekhdam-e): گزینه ۴
تعاریف هوش معمولا بر «فکر کردن» یا «عمل کردن» مانند انسان یا به صورت عقلانی تمرکز دارند، اما «مانند انسان زندگی کردن» ارتباطی با تعریف هوشمندی ندارد.

۵- کدام گز ینه یک الگوریتم جستوجوی محلی است؟
۱) جست وجوی عرضی
۲) الگوریتم*A
۳) جست وجوی عمق شونده تکراری
۴) الگوریتم ژنتیک

• پاسخ تیم آموزشی ای استخدام (com.estekhdam-e): گزینه ۴
الگوریتم ژنتیک از خانوادٔه جستوجوهای محلی تصادفی/تکاملی است.

۱-در روش ....... انتخاب صفت ها بر اساس امتیازدهی انتخاب میشوند.
۱) پوشانه
BDS (۲
SFS (۳
۴) پالایه

• پاسخ تیم آموزشی ای استخدام (com.estekhdam-e): گزینه ۴
در روش پالایه (Filter ) صفات بر اساس معیار آماری یا امتیازدهی انتخاب می شوند، بدون در نظر گرفتن الگوریتم یادگیری خاص.

۲-پیچیدگی روش force-Brute به چه عواملی مرتبط است؟
۱) توان دوم تعداد تراکنش ها، طول هر الگو
۲) تعداد اقلام داده، تعداد الگوها
۳) تعداد تراکنشها، تعداد کاندیدها، طول هر الگو
۴) تعداد کاندیدها، تعداد اقلام الگوهای مورد نیاز

• پاسخ تیم آموزشی ای استخدام (com.estekhdam-e): گزینه ۳
در رویکرد force-Brute باید همٔه کاندیدها را روی تمام تراکنش ها و برای طول های مختلف الگو چک کنیم؛ لذا هر سه عامل موثرند.

۳-شباهت بین Boosting و Bagging کدام است؟
۱) هر دو در دسته بندی کننده های پایه از یک روش استفاده میکنند.
۲)در هر دو، نحؤه آموزش مدل های پایه یکسان است .
۳) هر دو از روش وزن دهی مشابه استفاده میکنند.
۴) همه موارد
• پاسخ تیم آموزشی ای استخدام (com.estekhdam-e): گزینه ۱

شباهت رایج این است که هر دو معمولا یک نوع یادگی رندٔه پایه (مثلا درخت) را بارها به کار میگیرند؛ اما نحؤه آموزش متفاوت است (Bagging موازی/بازنمونه‌گیری، Boosting ترتیبی/وزنده ی بر خطاها)

۴- در ارزیابی طبقه بندی به چه مفهومی اشاره دارد؟
۱) تعداد اشیاء کلاس مثبت در مجموعه Training
۲) تعداد اشیاء کلاس مثبت که توسط مدل به درستی در کلاس مثبت قرار گرفته اند.
۳) احتمال قرار گرفتن یک عضو در کلاس مثبت بر اساس داده های test
۴) تعداد اعضای کلاس مثبت که از مدل انتظار میرود به درستی برچسب گذاری شود.

• پاسخ تیم آموزشی ای استخدام (com.estekhdam-e): گزینه ۲
مقدار (Positive True (TP نشان میدهد چند نمونٔه مثبت واقعی به درستی توسط مدل به عنوان مثبت پیش بینی شده اند.

۵-کدام در مورد شبکه عصبی صحیح نیست ؟
۱) اگر شبکه خیلی بزرگ شود احتمال overfit وجود دارد.
۲) گرادیان کاهشی و تغییر وزن ممکن است فضای مسئله را به سمت نقطه بهینه محلی هدایت کند.
۳) ساخت مدل طولانی است ولی استفاده از مدل برای تست سریع است.
۴) نسبت به داده های نویزی مقاوم است.

• پاسخ تیم آموزشی ای استخدام (com.estekhdam-e): گزینه ۴
شبکه های عصبی نسبت به داده ها ی نویزی حساس هستند و به راحتی تحت تاثیر آنها قرار میگیرند. بنابرای ن گزارٔه «مقاوم در برابر نویز» درست نیست.