7.Sınıf Yapay Zeka Uygulamaları 2.Dönem 2.Yazılı sınavı 7.Sınıf kategorisinin Yapay Zeka Uygulamaları alt kategorisinin, 2 dönemine ait. Bu sınav Orta derecede zorluktadır. Toplamda 18 sorudan oluşmaktadır.
Yapay öğrenme nedir? Açıklayınız.
Tahmin edici ve tanımlayıcı modeller arasındaki farkı açıklayınız.
Yapay öğrenme algoritmalarının farklı problem durumlarında farklı performans göstermesinin nedenlerini açıklayınız.
Yapay zekânın alt dallarından ikisini yazınız.
Pekiştirmeli öğrenme nedir? Açıklayınız ve bu öğrenme türünün labirentteki fare örneğiyle nasıl ilişkili olduğunu açıklayınız.*
Yapay öğrenme sürecindeki adımları kısaca açıklayınız.*
Orange veri madenciliği aracının temel amacı nedir? Açıklayınız.
Orange programının karşılama ekranında bulunan "New", "Open" ve "Recent" seçeneklerinin işlevlerini açıklayınız.
Orange'da bir nesneyi çalışma alanından kaldırmak için hangi adımlar izlenir?
Data Table nesnesi ne işe yarar? Açıklayınız.
Kutu grafiği (Boxplot) ne tür bilgileri sunar? Dört madde halinde yazınız.
Orange programında "File" nesnesi ne işe yarar?
Hiyerarşik kümeleme nedir? Açıklayınız.
Orange programında tahmin (prediction) modelleri oluştururken kullanılan iki temel algoritmayı (bu metinde geçen) karşılaştırınız.
Orange programında eklentiler (Add-ons) ne işe yarar ve nasıl yüklenir? Açıklayınız.
Temel Bileşenler Analizi (PCA) nedir ve ne amaçla kullanılır? Açıklayınız.
Aşağıda verilen cümlelerden doğru olanların başına D yanlış olanların başına Y koyunuz.
1. (.....) İyerarşik kümeleme, veri noktalarını hiyerarşik bir yapıda gruplamak için kullanılan bir kümeleme yöntemidir.
2. (.....) Tahmin (Prediction) modelleri sadece 18 yaş ve üzeri kişiler için uygundur.
3. (.....) Karar ağaçları (Tree) modelinde, her bir dal bir özellik değerine karşılık gelir ve yapraklar sınıf etiketini gösterir.
4. (.....) Logistic Regression, bir sınıflandırma modelidir ve kategorik çıktıları tahmin etmek için kullanılır.
5. (.....) Predictions nesnesi, eğitim veri seti kullanılarak eğitilen modelin test veri seti üzerindeki etiket tahminlerini değerlendirmek için kullanılır.
6. (.....) Test and Score nesnesi, bir modelin başarısını değerlendirmek için kullanılan bir araçtır ve eğitim ve test verilerini ayırma imkanı sunmaz.
7. (.....) AUC, CA, F1, Precision ve Recall, bir sınıflandırma modelinin performansını değerlendirmek için kullanılan metriklerdir.
8. (.....) Confusion Matrix (Karışıklık-Hata Matrisi), modelin tahminleriyle gerçek sınıfların matrisini sunarak modelin başarısını görsel olarak değerlendirmeye yardımcı olur.
9. (.....) Orange programında eklentiler sadece metin analizi için kullanılabilir.
10. (.....) Temel Bileşenler Analizi (PCA), veri setindeki özellik sayısını artırmak için kullanılan bir yöntemdir.
Aşağıda verilen eşleştirmeleri yapın:
a. Veri madenciliği
b. Hiyerarşik kümeleme
c. Tahmin modelleri
d. Modelleri değerlendirme
e. Orange eklentileri
f. Temel bileşenler analizi (PCA)
g. Eğitim seti
h. Test seti
ı. Karar Ağacı
i. Performans Metrikleri
1. (.....) Bir sınıf tahmin modelinin başarısını değerlendirme.
2. (.....) Veri setini kullanarak bir model eğitmek.
3. (.....) Verileri en iyi şekilde temsil edecek öznitelikleri bulma.
4. (.....) Biyoenformatik, eğitsel, imaj analitik, metin ve zaman serileri.
5. (.....) Bir veri setindeki örneklerin ait oldukları sınıfları tahmin etme.
6. (.....) AUC, CA, F1, Precision ve Recall.
7. (.....) Sınıfları önceden belli olan verilerle algoritmayı eğitme.
8. (.....) Sınıfları bilinmeyen verilerle algoritmayı test etme.
9. (.....) Veri noktalarını fare ile işaretleyerek veri seti oluşturma.
10. (.....) Veri setindeki benzer öğeleri gruplara ayırma.
Yapay öğrenme nedir? Açıklayınız.
Yapay öğrenme, klasik programlamadan farklı olarak veriden öğrenme prensibine dayanır ve bu sayede karmaşık problemlere çözüm üretebilir.
Tahmin edici ve tanımlayıcı modeller arasındaki farkı açıklayınız.
Tahmin edici modeller etiket tahmini yaparken tanımlayıcı modeller veri içindeki ilişkileri ve örüntüleri ortaya çıkarır.
Yapay öğrenme algoritmalarının farklı problem durumlarında farklı performans göstermesinin nedenlerini açıklayınız.
Algoritmaların farklı öğrenme prensipleri ve varsayımları olduğu için bazı algoritmalar belirli problem türlerinde daha iyi sonuç verirken diğerleri farklı problemlerde daha başarılı olabilir.
Yapay zekânın alt dallarından ikisini yazınız.
Yapay zeka, geniş bir alandır ve yapay öğrenme ile derin öğrenme bu alandaki önemli alt dallardır.
Pekiştirmeli öğrenme nedir? Açıklayınız ve bu öğrenme türünün labirentteki fare örneğiyle nasıl ilişkili olduğunu açıklayınız.*
Pekiştirmeli öğrenme, bir ajanın bir ortamda etkileşimde bulunarak ve ödüller alarak öğrenmesini sağlar. Bu, robotik ve oyun gibi alanlarda yaygın olarak kullanılır.
Yapay öğrenme sürecindeki adımları kısaca açıklayınız.*
Her adım, modelin başarısı için kritik öneme sahiptir. Veri kalitesi, modelin doğruluğunu doğrudan etkiler.
Orange veri madenciliği aracının temel amacı nedir? Açıklayınız.
Orange, kullanıcıların veri analizi süreçlerini kolaylaştıran ve kodlama bilgisi gerektirmeyen bir araçtır.
Orange programının karşılama ekranında bulunan "New", "Open" ve "Recent" seçeneklerinin işlevlerini açıklayınız.
Bu seçenekler, kullanıcıların iş akışlarını yönetmelerine yardımcı olur.
Orange'da bir nesneyi çalışma alanından kaldırmak için hangi adımlar izlenir?
Bu işlem, çalışma alanında gerekmeyen nesnelerin kaldırılmasını sağlar.
Data Table nesnesi ne işe yarar? Açıklayınız.
Bu nesne, veri setinin içeriğini görsel olarak incelemek için kullanılır.
Kutu grafiği (Boxplot) ne tür bilgileri sunar? Dört madde halinde yazınız.
Kutu grafiği, bir veri setinin dağılımını özetleyen ve aykırı değerleri belirlemeye yardımcı olan görsel bir araçtır.
Orange programında "File" nesnesi ne işe yarar?
File nesnesi, farklı veri kaynaklarından verileri Orange'a aktarmanın temel yoludur. Veri setini seçerek veya URL belirterek veri yüklenmesini sağlar.
Hiyerarşik kümeleme nedir? Açıklayınız.
Hiyerarşik kümeleme, veri setindeki nesneleri bir ağaç yapısında (dendrogram) birleştirerek, farklı seviyelerde kümeleme sonuçları elde etmeyi sağlar.
Orange programında tahmin (prediction) modelleri oluştururken kullanılan iki temel algoritmayı (bu metinde geçen) karşılaştırınız.
Karar ağaçları daha kolay yorumlanabilirken, lojistik regresyonun matematiksel temelleri daha güçlü ve istatistiksel olarak daha tutarlıdır.
Orange programında eklentiler (Add-ons) ne işe yarar ve nasıl yüklenir? Açıklayınız.
Eklentiler, Orange'ı daha özelleştirilebilir ve çeşitli analiz görevleri için daha uygun hale getirir.
Temel Bileşenler Analizi (PCA) nedir ve ne amaçla kullanılır? Açıklayınız.
PCA, veri sıkıştırma, gürültü azaltma ve daha etkili modeller oluşturma gibi amaçlarla kullanılır.
Aşağıda verilen cümlelerden doğru olanların başına D yanlış olanların başına Y koyunuz.
1. (.....) İyerarşik kümeleme, veri noktalarını hiyerarşik bir yapıda gruplamak için kullanılan bir kümeleme yöntemidir.
2. (.....) Tahmin (Prediction) modelleri sadece 18 yaş ve üzeri kişiler için uygundur.
3. (.....) Karar ağaçları (Tree) modelinde, her bir dal bir özellik değerine karşılık gelir ve yapraklar sınıf etiketini gösterir.
4. (.....) Logistic Regression, bir sınıflandırma modelidir ve kategorik çıktıları tahmin etmek için kullanılır.
5. (.....) Predictions nesnesi, eğitim veri seti kullanılarak eğitilen modelin test veri seti üzerindeki etiket tahminlerini değerlendirmek için kullanılır.
6. (.....) Test and Score nesnesi, bir modelin başarısını değerlendirmek için kullanılan bir araçtır ve eğitim ve test verilerini ayırma imkanı sunmaz.
7. (.....) AUC, CA, F1, Precision ve Recall, bir sınıflandırma modelinin performansını değerlendirmek için kullanılan metriklerdir.
8. (.....) Confusion Matrix (Karışıklık-Hata Matrisi), modelin tahminleriyle gerçek sınıfların matrisini sunarak modelin başarısını görsel olarak değerlendirmeye yardımcı olur.
9. (.....) Orange programında eklentiler sadece metin analizi için kullanılabilir.
10. (.....) Temel Bileşenler Analizi (PCA), veri setindeki özellik sayısını artırmak için kullanılan bir yöntemdir.
Bu sorular, verilen metin parçasına dayanarak hazırlanmıştır ve makine öğrenimi kavramlarını anlamayı ölçmeyi amaçlamaktadır.
Aşağıda verilen eşleştirmeleri yapın:
a. Veri madenciliği
b. Hiyerarşik kümeleme
c. Tahmin modelleri
d. Modelleri değerlendirme
e. Orange eklentileri
f. Temel bileşenler analizi (PCA)
g. Eğitim seti
h. Test seti
ı. Karar Ağacı
i. Performans Metrikleri
1. (.....) Bir sınıf tahmin modelinin başarısını değerlendirme.
2. (.....) Veri setini kullanarak bir model eğitmek.
3. (.....) Verileri en iyi şekilde temsil edecek öznitelikleri bulma.
4. (.....) Biyoenformatik, eğitsel, imaj analitik, metin ve zaman serileri.
5. (.....) Bir veri setindeki örneklerin ait oldukları sınıfları tahmin etme.
6. (.....) AUC, CA, F1, Precision ve Recall.
7. (.....) Sınıfları önceden belli olan verilerle algoritmayı eğitme.
8. (.....) Sınıfları bilinmeyen verilerle algoritmayı test etme.
9. (.....) Veri noktalarını fare ile işaretleyerek veri seti oluşturma.
10. (.....) Veri setindeki benzer öğeleri gruplara ayırma.
Bu soru, veri analizi ve makine öğrenimi süreçlerindeki temel kavramları eşleştirme yoluyla anlamayı ölçmektedir.
Yapay öğrenmenin temel prensiplerini anlar.
Yapay öğrenme modellerinin farklı kullanım alanlarını ayırt eder.
Algoritma seçiminin problem türüne göre değiştiğini anlar.
Yapay zeka alanındaki farklı uzmanlık alanlarını bilir.
Pekiştirmeli öğrenmenin ne olduğunu ve temel prensiplerini anlar.
Yapay öğrenme sürecinin temel adımlarını anlar.
Veri madenciliği araçlarının temel amacını anlar.
Orange programının karşılama ekranındaki temel işlevleri tanır.
Orange'da nesne silme işlemini yapabilir.
Data Table nesnesinin kullanım amacını anlar.
Öğrenci, kutu grafiğinin hangi istatistiksel bilgileri sağladığını ve nasıl yorumlanacağını bilir.
Öğrenci, Orange programında veri yüklemek için kullanılan temel nesneyi bilir.
Hiyerarşik kümelemenin ne olduğunu ve temel amacını anlar.
Karar ağaçları ve lojistik regresyon gibi sınıflandırma algoritmalarının temel farklılıklarını ayırt eder.
Orange programına eklenti yüklemenin nasıl yapıldığını ve eklentilerin ne gibi faydalar sağladığını anlar.
Temel Bileşenler Analizi'nin ne olduğunu, nasıl çalıştığını ve hangi amaçlarla kullanıldığını açıklar.
Öğrenci, temel makine öğrenimi kavramlarını (kümeleme, tahmin modelleri, model değerlendirme, boyut azaltma) tanımlayabilir ve açıklayabilir.
Öğrenci, veri analizi ve makine öğrenimi süreçlerindeki temel kavramları tanımlar ve ilişkilendirir.
etiketlerini kapsamaktadır.Değerli öğretmenlerimiz, isterseniz sistemimizde kayıtlı binlerce sorudan 7.Sınıf Yapay Zeka Uygulamaları dersi için sınav-yazılı hazırlama robotu ile ücretsiz olarak beş dakika içerisinde istediğiniz soru sayısında, soru tipinde ve zorluk derecesinde sınav oluşturabilirsiniz. Yazılı robotu için Sınav Robotu tıklayın.