Science and Technology - Test 12 - Machine Learning and Deep Learning

Question 1 ప్రశ్న 1

Which statement most accurately describes the relationship among Artificial Intelligence (AI), Machine Learning (ML) and Deep Learning (DL)?

Artificial Intelligence (AI), Machine Learning (ML), Deep Learning (DL) మధ్య సంబంధాన్ని అత్యంత సరైన విధంగా తెలిపేది ఏది?

A All AI systems must use deep neural networks ప్రతి AI system తప్పనిసరిగా deep neural networkనే ఉపయోగించాలి B Machine Learning is broader than Artificial Intelligence Machine Learning అనేది Artificial Intelligence కంటే విస్తృతమైన రంగం C Machine Learning is an approach within AI, and Deep Learning is a subset of ML based mainly on multi-layer neural networks; not all AI is ML and not all ML is DL Machine Learning అనేది AIలోని ఒక ముఖ్యమైన విధానం; Deep Learning అనేది ప్రధానంగా బహుళ-పొరల neural networksపై ఆధారపడిన ML ఉపవిభాగం; ప్రతి AI వ్యవస్థ ML కాదు, ప్రతి ML పద్ధతి DL కాదు D Deep Learning and Artificial Intelligence are unrelated fields Deep Learning మరియు Artificial Intelligence పరస్పరం సంబంధంలేని రంగాలు

Question 2 ప్రశ్న 2

A model is trained to estimate house prices. The dataset contains floor area, number of bedrooms, age of the house and the known sale price for each training example. Which identification is correct?

ఇళ్ల ధరలను అంచనా వేసే modelకు training ఇస్తున్నారు. Datasetలో ప్రతి training exampleకు floor area, bedrooms సంఖ్య, ఇంటి వయస్సు మరియు తెలిసిన sale price ఉన్నాయి. సరైన గుర్తింపు ఏది?

A The known sale price is a feature, while floor area is the label తెలిసిన sale price feature; floor area label B Floor area, bedroom count and house age are features; the known sale price is the label or target Floor area, bedrooms సంఖ్య, ఇంటి వయస్సు features; తెలిసిన sale price label లేదా target C All four quantities are labels and there are no features నాలుగు పరిమాణాలూ labels; features లేవు D The model prediction is a feature that must already exist before training Model prediction trainingకు ముందే ఉండాల్సిన feature

Question 3 ప్రశ్న 3

A hospital has thousands of chest X-rays already labelled by experts as belonging to one of several diagnostic categories and wants a model to assign new X-rays to those categories. Which learning setup is most appropriate?

ఒక ఆసుపత్రి వద్ద నిపుణులు ఇప్పటికే అనేక diagnostic categoriesలో గుర్తింపు ఇచ్చిన వేల chest X-rays ఉన్నాయి. కొత్త X-raysను ఆ categoriesలో వర్గీకరించే model కావాలి. ఏ learning setup అత్యంత అనుకూలం?

A Supervised classification B Unsupervised clustering with no labels used Labels ఉపయోగించని unsupervised clustering C Reinforcement learning based only on long-term rewards Long-term rewardsపై మాత్రమే ఆధారపడే reinforcement learning D Numerical regression with no class labels Class labels లేని numerical regression

Question 4 ప్రశ్న 4

A power utility uses historical weather, calendar and demand data to predict the numerical electricity demand in megawatts for the next hour. Which ML task formulation is most appropriate?

ఒక విద్యుత్ సంస్థ historical weather, calendar మరియు demand data ఆధారంగా వచ్చే గంటలో electricity demandను megawattsలో సంఖ్యాత్మకంగా అంచనా వేయాలనుకుంటోంది. ఏ ML task formulation అత్యంత అనుకూలం?

A Clustering B Binary classification C Reinforcement learning with no prediction target Prediction target లేని reinforcement learning D Supervised regression or forecasting Supervised regression లేదా forecasting

Question 5 ప్రశ్న 5

A retailer has customer-purchase data but no predefined customer-type labels. It wants to discover groups of customers with similar purchasing patterns. Which approach is most appropriate?

ఒక retailer వద్ద customer-purchase data ఉంది కానీ ముందుగా నిర్ణయించిన customer-type labels లేవు. సమాన purchasing patterns ఉన్న customersను groupsగా గుర్తించాలి. ఏ approach అత్యంత అనుకూలం?

A Supervised regression B Unsupervised clustering C Supervised classification using labels that do not exist లేని labelsను ఉపయోగించే supervised classification D Reinforcement learning in which every customer is an action ప్రతి customerను actionగా పరిగణించే reinforcement learning

Question 6 ప్రశ్న 6

An autonomous agent repeatedly observes the state of an environment, chooses actions and receives rewards or penalties that influence its future policy. Which learning paradigm is being described?

ఒక autonomous agent environment స్థితిని పరిశీలించి actions ఎంచుకుంటోంది. ఆ actionsకు rewards లేదా penalties లభించి, భవిష్యత్ policyపై ప్రభావం చూపుతున్నాయి. ఇది ఏ learning paradigm?

A Supervised learning based only on fixed class labels Fixed class labelsపై మాత్రమే ఆధారపడే supervised learning B Unsupervised clustering C Reinforcement learning D Ordinary database indexing సాధారణ database indexing

Question 7 ప్రశ్న 7

Which statement correctly describes the exploration-exploitation trade-off in reinforcement learning?

Reinforcement learningలో exploration–exploitation trade-offను సరైన విధంగా వివరించే ప్రకటన ఏది?

A Exploration tries less-certain actions to gain information, while exploitation chooses actions believed to give high reward based on current knowledge Explorationలో పూర్తిగా తెలియని లేదా తక్కువగా పరీక్షించిన actionsను ప్రయత్నించి సమాచారం పొందుతారు; exploitationలో ఇప్పటి knowledge ప్రకారం ఎక్కువ reward ఇస్తాయని భావించిన actionsను ఎంచుకుంటారు B Exploration means deleting rewards, while exploitation means converting the task to clustering Exploration అంటే rewardsను తొలగించడం; exploitation అంటే taskను clusteringగా మార్చడం C Exploitation always means taking random actions Exploitation అంటే ఎల్లప్పుడూ random actions తీసుకోవడం D Exploration is unnecessary because the first action tried is guaranteed to be optimal మొదట ప్రయత్నించిన action తప్పనిసరిగా optimal కాబట్టి exploration అవసరం లేదు

Question 8 ప్రశ్న 8

Which use of training, validation and test data is methodologically most appropriate in a supervised ML project?

Supervised ML projectలో training, validation మరియు test dataను ఉపయోగించే సరైన విధానం ఏది?

A Use the test set repeatedly to tune the model, then report the same test score as an untouched final estimate Model tuningకు test setను పదేపదే ఉపయోగించి, అదే scoreను untouched final estimateగా report చేయడం B Train only on the test set and discard the training set Test setపైనే training చేసి training setను తొలగించడం C Use the training set to fit model parameters, validation data for development choices such as tuning, and keep the test set held out for final evaluation Model parameters నేర్చుకోవడానికి training setను, tuning వంటి development decisionsకు validation dataను ఉపయోగించి, final evaluation కోసం test setను విడిగా ఉంచడం D Put the same examples into all three sets so that their scores are directly comparable Scores నేరుగా compare చేయడానికి ఒకే examplesను మూడు setsలో ఉంచడం

Question 9 ప్రశ్న 9

Which scenario is the clearest example of data leakage during ML model development?

ML model developmentలో data leakageకు అత్యంత స్పష్టమైన ఉదాహరణ ఏది?

A Using only information that will genuinely be available when future predictions are made Future prediction సమయంలో నిజంగా అందుబాటులో ఉండే సమాచారాన్ని మాత్రమే ఉపయోగించడం B Including a feature derived from the final outcome itself, even though that information would not be available at prediction time Prediction సమయంలో అందుబాటులో ఉండని final outcome నుంచి నేరుగా రూపొందించిన featureను model inputలో చేర్చడం C Keeping a separate test set untouched until final evaluation Final evaluation వరకు test setను పూర్తిగా untouchedగా ఉంచడం D Removing duplicate records before data splitting Data splittingకు ముందు duplicate recordsను తొలగించడం

Question 10 ప్రశ్న 10

A model achieves almost perfect performance on the training set but performs much worse on validation and new data. Which diagnosis is most appropriate?

ఒక model training setపై దాదాపు perfect performance చూపుతోంది; కానీ validation మరియు కొత్త dataపై చాలా బలహీనంగా ఉంది. సరైన diagnosis ఏది?

A Perfect generalisation B Overfitting C Guaranteed underfitting తప్పనిసరిగా underfitting D Evidence that validation data is unnecessary Validation data అవసరం లేదనే evidence

Question 11 ప్రశ్న 11

What is a principal purpose of cross-validation during model development?

Model development సమయంలో cross-validation యొక్క ప్రధాన ఉద్దేశ్యం ఏమిటి?

A To evaluate a model across multiple train/validation partitions so performance and model choices are less dependent on one particular split ఒక్క particular splitపై మాత్రమే ఆధారపడకుండా అనేక train/validation partitionsలో model performanceను పరిశీలించి development choicesను అంచనా వేయడం B To guarantee that a model will never fail after deployment Deployment తరువాత model ఎప్పుడూ fail కాదని హామీ ఇవ్వడం C To replace all training with random guessing Training మొత్తాన్ని random guessingతో భర్తీ చేయడం D To ensure the model sees the final test labels during tuning Tuning సమయంలో final test labelsను modelకు చూపించడం

Question 12 ప్రశ్న 12

Why are nonlinear activation functions important in many neural networks?

అనేక neural networksలో nonlinear activation functions ఎందుకు ముఖ్యమైనవి?

A They guarantee that every prediction is correct ప్రతి prediction తప్పనిసరిగా correct అవుతుందని guarantee చేస్తాయి B They permanently store the training dataset inside each neuron Training dataset మొత్తాన్ని ప్రతి neuronలో permanently store చేస్తాయి C They enable stacked neural-network layers to represent nonlinear relationships; stacking only linear transformations would still produce an overall linear transformation Neural-network layers nonlinear relationshipsను represent చేయడానికి సహాయపడతాయి; కేవలం linear transformationsను వరుసగా అమర్చితే మొత్తం transformation ఇంకా linearగానే ఉంటుంది D They remove the need for weights and biases Weights మరియు biases అవసరాన్ని తొలగిస్తాయి

Question 13 ప్రశ్న 13

Which statement most accurately describes Deep Learning?

Deep Learningను అత్యంత సరైన విధంగా వివరించే ప్రకటన ఏది?

A Any computer program containing more than one if-statement is Deep Learning ఒక computer programలో ఒకటి కంటే ఎక్కువ if-statements ఉంటే అది Deep Learning B Deep Learning is a form of unsupervised learning only Deep Learning అనేది unsupervised learning మాత్రమే C Deep Learning is broader than Machine Learning and includes all AI techniques Deep Learning, Machine Learning కంటే విస్తృతమైనది మరియు అన్ని AI techniquesను కలిగి ఉంటుంది D Deep Learning is a branch of Machine Learning that uses deep neural networks with multiple layers to learn representations and perform tasks Deep Learning అనేది అనేక layers కలిగిన deep neural networksను ఉపయోగించి representations నేర్చుకుని పనులు చేసే Machine Learning శాఖ

Question 14 ప్రశ్న 14

During training of a neural network, what is the principal role of backpropagation?

Neural network trainingలో backpropagation యొక్క ప్రధాన పాత్ర ఏమిటి?

A To assign permanent class labels to unlabeled data before any model computation Model computation ప్రారంభమయ్యే ముందే unlabeled dataకు permanent class labels ఇవ్వడం B To compute how the loss changes with respect to network parameters so an optimisation method can update weights and biases Loss network parametersతో ఎలా మారుతుందో gradients లెక్కించి, optimisation method weights మరియు biasesను update చేయడానికి అవసరమైన సమాచారాన్ని అందించడం C To make the model independent of training data Modelను training dataపై ఎలాంటి ఆధారపడకుండ చేయడం D To guarantee that the global best solution is found in every training run ప్రతి training runలో global best solution తప్పనిసరిగా దొరుకుతుందని guarantee చేయడం

Question 15 ప్రశ్న 15

Why can deep neural networks be effective on complex data such as images or speech?

Images లేదా speech వంటి క్లిష్ట dataపై deep neural networks సమర్థంగా పనిచేయడానికి ఒక ముఖ్యమైన కారణం ఏమిటి?

A They can learn multiple levels of internal representation, allowing later layers to combine simpler patterns into more complex features అనేక స్థాయిల internal representationsను నేర్చుకుని, ప్రారంభ layersలోని సరళ patternsను తరువాతి layers మరింత క్లిష్ట featuresగా కలపగలవు B They make data quality and training examples irrelevant Data quality మరియు training examplesకు ఎలాంటి ప్రాధాన్యం ఉండదు C They never require numerical computation ఇవి ఎలాంటి numerical computation చేయవు D They can only work if every useful feature is manually specified in advance ప్రతి useful featureను ముందుగానే మనిషి చేతితో specify చేసినప్పుడే ఇవి పనిచేస్తాయి

Question 16 ప్రశ్న 16

Which statement about choosing Deep Learning instead of other Machine Learning methods is most appropriate?

ఇతర Machine Learning methodsకు బదులుగా Deep Learningను ఎంచుకోవడం గురించి అత్యంత సరైన ప్రకటన ఏది?

A Deep Learning must always outperform simpler models on every dataset ప్రతి datasetపై Deep Learning తప్పనిసరిగా simpler modelsకంటే మెరుగ్గా పనిచేస్తుంది B Deep Learning is appropriate only when no computation hardware is available ఎలాంటి computing hardware లేనప్పుడే Deep Learning అనుకూలం C For some small or structured datasets, simpler ML models may be competitive or preferable because of data, interpretability, computation or deployment constraints కొన్ని చిన్న లేదా structured datasetsలో data పరిమాణం, interpretability, computation లేదా deployment constraints కారణంగా simpler ML models సమానంగా లేదా మరింత అనుకూలంగా ఉండవచ్చు D Once Deep Learning is available, model comparison is scientifically unnecessary Deep Learning అందుబాటులో ఉన్న తరువాత model comparison శాస్త్రీయంగా అవసరం లేదు

Question 17 ప్రశ్న 17

A disease-screening dataset contains 99,000 healthy cases and 1,000 disease cases. A model predicts 'healthy' for every person and therefore obtains 99% accuracy. What is the best interpretation?

ఒక disease-screening datasetలో 99,000 healthy cases, 1,000 disease cases ఉన్నాయి. Model ప్రతి వ్యక్తినీ 'healthy'గా predict చేసి 99% accuracy పొందింది. దీనిపై సరైన interpretation ఏది?

A The model is excellent because accuracy above 95% proves clinical usefulness Accuracy 95% కంటే ఎక్కువగా ఉన్నందున model clinicalగా excellent అని నిరూపితమైంది B The high accuracy is misleading because the class imbalance hides the fact that the model detects none of the disease cases Class imbalance వల్ల high accuracy తప్పుదారి పట్టిస్తోంది; model ఒక్క disease caseనూ గుర్తించకపోయినా 99% accuracy వచ్చింది C The model necessarily has 99% recall for the disease class Modelకు disease classపై తప్పనిసరిగా 99% recall ఉంది D The result proves that class distribution never affects evaluation Class distribution evaluationపై ఎప్పుడూ ప్రభావం చూపదని ఈ result నిరూపిస్తుంది

Question 18 ప్రశ్న 18

In a screening application, the stated priority is to identify as many genuinely positive cases as possible, even if this produces more false alarms that can later be reviewed. Which metric is especially important?

ఒక screening applicationలో నిజంగా positive అయిన casesలో సాధ్యమైనంత ఎక్కువ వాటిని గుర్తించడం ప్రధాన లక్ష్యం. దాని వల్ల ఎక్కువ false alarms వచ్చినా తరువాత review చేయవచ్చు. ఏ metric ప్రత్యేకంగా ముఖ్యమైనది?

A Storage capacity B Recall (sensitivity) for the positive class Positive classకు Recall (sensitivity) C Training-set size expressed in bytes Bytesలో తెలిపే training-set size D Number of hidden layers regardless of performance Performanceతో సంబంధం లేకుండా hidden layers సంఖ్య

Question 19 ప్రశ్న 19

A binary classifier outputs a probability-like score and predicts 'positive' when the score exceeds a threshold. If the threshold is lowered, what is generally expected, all else being equal?

ఒక binary classifier probability-like score ఇస్తుంది. Score ఒక threshold కంటే ఎక్కువైతే 'positive'గా predict చేస్తుంది. మిగతా పరిస్థితులు ఒకేలా ఉంటే thresholdను తగ్గించినప్పుడు సాధారణంగా ఏమి జరుగుతుంది?

A Fewer examples will be predicted positive and recall must decrease Positiveగా predict చేసే examples తగ్గి recall తప్పనిసరిగా తగ్గుతుంది B Model training automatically restarts Model training స్వయంగా మళ్లీ ప్రారంభమవుతుంది C The dataset becomes unsupervised Dataset unsupervisedగా మారుతుంది D More examples will be predicted positive; recall will generally not decrease, while false positives may increase Positiveగా predict చేసే examples పెరుగుతాయి; సాధారణంగా recall తగ్గదు, అయితే false positives పెరగవచ్చు

Question 20 ప్రశ్న 20

Consider the following task–learning-paradigm matches:
1. Predict a known numeric house price from labelled past examples — supervised regression
2. Group unlabeled gene-expression profiles by similarity — unsupervised clustering
3. Learn a robot-control policy from rewards received after actions — reinforcement learning
4. Assign labelled images to predefined species categories — supervised classification
Which of the matches are correct?

క్రింది task–learning-paradigm జతలను పరిశీలించండి:
1. Labelled past examples నుంచి తెలిసిన numeric house priceను అంచనా వేయడం — supervised regression
2. Labels లేని gene-expression profilesను similarity ఆధారంగా groups చేయడం — unsupervised clustering
3. Actions తరువాత వచ్చిన rewards ఆధారంగా robot-control policy నేర్చుకోవడం — reinforcement learning
4. Labelled imagesను predefined species categoriesలో వర్గీకరించడం — supervised classification
పై జతల్లో ఏవి సరైనవి?

A 1 and 2 only 1 మరియు 2 మాత్రమే B 2 and 3 only 2 మరియు 3 మాత్రమే C 1, 3 and 4 only 1, 3 మరియు 4 మాత్రమే D 1, 2, 3 and 4 1, 2, 3 మరియు 4

విజ్ఞాన శాస్త్రం మరియు సాంకేతిక విజ్ఞానం - టెస్ట్ 12 - మెషిన్ లెర్నింగ్ మరియు డీప్ లెర్నింగ్

Answer Key || సమాధానాల పట్టిక

Related Quizzes || సంబంధిత క్విజ్‌లు

Science and Technology Quiz

Answer Key సమాధానాల పట్టిక

Related Quizzes సంబంధిత క్విజ్‌లు