Crowdly

Додати до Chrome

Університети
moodle.utbm.fr
DS52 Fundamentals of Data Science

DS52 Fundamentals of Data Science

Шукаєте відповіді та рішення тестів для DS52 Fundamentals of Data Science? Перегляньте нашу велику колекцію перевірених відповідей для DS52 Fundamentals of Data Science в moodle.utbm.fr.

Отримайте миттєвий доступ до точних відповідей та детальних пояснень для питань вашого курсу. Наша платформа, створена спільнотою, допомагає студентам досягати успіху!

How are kernel hyperparameters (e.g., length scale, signal variance) typically learned in GPR?

By minimizing the training prediction error

Hyperparameters are fixed and never learned

By cross-validation (e.g., grid search)

By maximizing the marginal likelihood (evidence) of the observed data

Переглянути це питання

If ||w|| = 2 for an optimal SVM classifier, what is the size of the margin?

Переглянути це питання

Which of the following statements about Ridge and Lasso regression are correct?

Ridge regression tends to produce sparse models

Lasso regression performs both feature selection and regularization

Ridge regression is particularly useful when predictors are highly correlated

Lasso regression shrinks all coefficients by the same amount

Переглянути це питання

Which of the following are valid ways to measure feature importance in Random Forest? (Select all that apply)

Mean decrease in impurity (e.g., Gini importance)

P-values from statistical tests

Mean decrease in accuracy (permutation importance)

Magnitude of coefficients (like in linear regression)

Переглянути це питання

At each split in a Random Forest, the algorithm considers:

A single random feature (only one candidate per split)

All available features (no random selection)

A random subset of all available features

Only the most important feature based on information gain

Переглянути це питання

The out-of-bag (OOB) error in Random Forest is computed using:

A separate validation set held out from the training data

Only the tree that achieved the best training accuracy

Only the trees that did NOT include that sample in their bootstrap training set

All trees in the forest (including those trained on the sample)

Переглянути це питання

How does XGBoost differ from standard Gradient Boosting? (Select all that apply)

Handles missing values by learning default directions

Adds L1 and L2 regularization on tree leaf weights

Trains trees independently (like Random Forest)

Uses second-order gradients (Hessian) for faster optimization

Uses only linear models as base learners

Переглянути це питання

In Gaussian Process Regression (GPR), the kernel (covariance) function defines:

The covariance (similarity) between function values at different points

The noise variance of the observations

The likelihood of the observed data

The mean function of the Gaussian Process

Переглянути це питання

What is the computational complexity of standard Gaussian Process Regression for n training points?

O(n) for training and O(1) for storage

O(n³) for training (matrix inversion) and O(n²) for storage

O(log n) for training (very efficient)

O(2ⁿ) (exponential) for training

Переглянути це питання

What is the role of momentum in optimizers like SGD with momentum?

Accelerates convergence by smoothing updates

Improves generalization directly

Reduces learning rate automatically

Переглянути це питання

1
2
3
4
Наступна

Хочете миттєвий доступ до всіх перевірених відповідей на moodle.utbm.fr?

Отримайте необмежений доступ до відповідей на екзаменаційні питання - встановіть розширення Crowdly зараз!

Додати до Chrome

Telegram Instagram TikTok Question Bank

Умови використання Зв'яжіться з нами

Додати до Chrome

Додати до Chrome