લાઇવ મોક ટેસ્ટ & રેન્કિંગ મશીન લર્નિંગ કોન્સેપ્ટ્સ મોક ટેસ્ટ આપવા તૈયાર છો? ૧૦ પ્રશ્નોની લાઈવ ટેસ્ટ આપો, તુરંત સ્કોરકાર્ડ મેળવો અને તમારા મિત્રો સાથે લીડરબોર્ડમાં સ્પર્ધા કરો.
1
નીચેનામાંથી કયું વિધાન સુપરવાઇઝ્ડ લર્નિંગ (Supervised Learning) નું શ્રેષ્ઠ વર્ણન કરે છે? જવાબ જુઓ A અનલેબલ ડેટામાંથી આપમેળે હિડન પેટર્ન અને ક્લસ્ટર્સ શોધવા. B લેબલ થયેલા ટ્રેનિંગ ડેટા (ઇનપુટ-આઉટપુટ જોડીઓ) પરથી મોડેલને તાલીમ આપવી જેથી નવો ડેટા પ્રિડિક્ટ કરી શકાય. C પર્યાવરણમાં ભૂલો કરીને અને રિવોર્ડ મેળવીને આપમેળે એક્શન શીખવું. D કોઈપણ ડેટા વગર માત્ર પૂર્વનિર્ધારિત નિયમો અને if-else લોજિકથી પરિણામ આપવું.
2
મશીન લર્નિંગમાં ક્લાસિફિકેશન (Classification) અને રિગ્રેશન (Regression) વચ્ચેનો મુખ્ય તફાવત શો છે? જવાબ જુઓ A ક્લાસિફિકેશન સતત આંકડાકીય કિંમતો અનુમાને છે; રિગ્રેશન કેટેગરીકલ લેબલ્સ અનુમાને છે. B ક્લાસિફિકેશન ડિસ્ક્રીટ / કેટેગરીકલ લેબલ્સ અનુમાને છે; રિગ્રેશન સતત વાસ્તવિક મૂલ્યો (continuous numbers) અનુમાને છે. C ક્લાસિફિકેશન અનસુપરવાઇઝ્ડ છે જ્યારે રિગ્રેશન સુપરવાઇઝ્ડ છે. D ક્લાસિફિકેશન ફક્ત ડીપ લર્નિંગમાં જ શક્ય છે.
3
મોડેલ પેરામીટર્સ (Parameters) અને હાઇપરપેરામીટર્સ (Hyperparameters) વચ્ચે શો તફાવત છે? જવાબ જુઓ A પેરામીટર્સ મેન્યુઅલી સેટ થાય છે; હાઇપરપેરામીટર્સ ડેટામાંથી આપમેળે શીખાય છે. B બંને સમાન છે અને તાલીમ દરમિયાન બદલાતા રહે છે. C પેરામીટર્સ તાલીમ દરમિયાન ડેટામાંથી શીખાય છે (દા.ત. weights); હાઇપરપેરામીટર્સ તાલીમ પહેલાં એન્જિનિયર દ્વારા સેટ થાય છે (દા.ત. learning rate). D હાઇપરપેરામીટર્સ માત્ર હાર્ડવેર GPU ના સેટિંગ્સ છે.
4
ન્યુરલ નેટવર્કમાં એક્ટિવેશન ફંક્શન (Activation Function - દા.ત. ReLU, Sigmoid) નો મુખ્ય હેતુ શો છે? જવાબ જુઓ A મોડેલમાં ડેટાબેઝ ક્વેરીઝ ઝડપી બનાવવી. B નેટવર્કમાં નોન-લીનિયારિટી (Non-linearity) લાવવી જેથી મોડેલ જટિલ પેટર્ન શીખી શકે. C વેઇટ્સનું મૂલ્ય આપમેળે શૂન્ય કરી દેવું. D ટ્રેનિંગ ડેટામાંથી ડુપ્લિકેટ રેકોર્ડ્સ ડિલીટ કરવા.
5
બાઈનરી ક્લાસિફિકેશન (Binary Classification) સમસ્યાઓ માટે સૌથી વધુ કયું લોસ ફંક્શન વપરાય છે? જવાબ જુઓ A બાઈનરી ક્રોસ-એન્ટ્રોપી (Binary Cross-Entropy / Log Loss) B મીન સ્ક્વેર્ડ એરર (Mean Squared Error - MSE) C મીન એબ્સોલ્યુટ એરર (Mean Absolute Error - MAE) D હ્યુબર લોસ (Huber Loss)
6
ગ્રેડિયન્ટ ડિસેન્ટ (Gradient Descent) ઓપ્ટિમાઇઝેશન અલ્ગોરિધમનું પ્રાથમિક લક્ષ્ય શું હોય છે? જવાબ જુઓ A મોડેલના પેરામીટર્સની સંખ્યા મહત્તમ કરવી. B લોસ ફંક્શનના ગ્રેડિયન્ટની વિરુદ્ધ દિશામાં પેરામીટર્સ અપડેટ કરીને લોસને ન્યૂનતમ (minimize) કરવો. C ડેટાસેટમાંથી ફીચર્સની સંખ્યા ઘટાડવી. D ટ્રેનિંગ સમય બમણો કરવો જેથી મોડેલ વધુ યાદ રાખી શકે.
7
ક્લાસિફિકેશન મોડેલમાં એક્યુરેસી (Accuracy) ક્યારે ભ્રામક (Misleading) મૂલ્યાંકન મેટ્રિક સાબિત થાય છે? જવાબ જુઓ A જ્યારે ડેટાસેટ ઘણો નાનો હોય ત્યારે. B જ્યારે ફીચર્સ ફક્ત નંબર્સ જ હોય ત્યારે. C જ્યારે ડેટાસેટમાં વર્ગો વચ્ચે ભારે અસંતુલન (Highly Imbalanced Classes - દા.ત. 99% નેગેટિવ અને 1% પોઝિટિવ) હોય. D જ્યારે મોડેલ લોજિસ્ટિક રિગ્રેશન વાપરતું હોય ત્યારે.
8
તબીબી રોગ નિદાન (Medical Diagnosis) માં મોડેલનું હાઇ રિકોલ (High Recall / Sensitivity) હોવાનો શો અર્થ થાય છે? જવાબ જુઓ A મોટાભાગના સાચા પોઝિટિવ કેસો સફળતાપૂર્વક પકડાઈ ગયા છે, જેથી ફોલ્સ નેગેટિવ (છૂટી ગયેલા બીમાર દર્દીઓ) નહિવત છે. B મોડેલે જેને બીમાર કહ્યા તે બધા જ ખરેખર બીમાર છે (ફોલ્સ પોઝિટિવ શૂન્ય છે). C મોડેલનું ટ્રેનિંગ ખૂબ ઝડપી પૂરું થયું છે. D મોડેલમાં ફીચર્સની સંખ્યા ઘણી ઓછી છે.
9
F1-સ્કોર શું દર્શાવે છે અને તે શા માટે અત્યંત ઉપયોગી છે? જવાબ જુઓ A તે મોડેલની મેમરી અને સ્પીડનો ગુણોત્તર દર્શાવે છે. B તે પ્રિસિઝન (Precision) અને રિકોલ (Recall) નો હાર્મોનિક મીન (Harmonic Mean) છે, જે બંને વચ્ચે ઉત્તમ સંતુલન માપે છે. C તે ટ્રેનિંગ અને ટેસ્ટિંગ એરરનો સીધો સરવાળો છે. D તે મોડેલના એપોક્સની સંખ્યા માપવાનું એકમ છે.
10
ROC કર્વ શેનો આલેખ દર્શાવે છે અને AUC (Area Under Curve) શું માપે છે? જવાબ જુઓ A Accuracy vs Loss દર્શાવે છે; AUC મોડેલની સાઈઝ માપે છે. B વિવિધ થ્રેશોલ્ડ્સ પર True Positive Rate (TPR) vs False Positive Rate (FPR) દર્શાવે છે; AUC વર્ગોને અલગ પાડવાની એકંદર ક્ષમતા માપે છે. C ટ્રેનિંગ ટાઈમ vs ડેટા સાઈઝ દર્શાવે છે. D ફીચર ઇમ્પોર્ટન્સ vs વજન દર્શાવે છે.
11
બાયસ-વેરિઅન્સ ટ્રેડઓફ (Bias-Variance Tradeoff) માં હાઇ બાયસ (High Bias) મોડેલમાં કઈ ખામી સર્જે છે? જવાબ જુઓ A અંડરફિટિંગ (Underfitting) — મોડેલ ઘણું સરળ હોવાથી ડેટાની અંતર્ગત પેટર્ન શીખી શકતું નથી. B ઓવરફિટિંગ (Overfitting) — મોડેલ ટ્રેનિંગ ડેટાનો ઘોંઘાટ (noise) યાદ રાખી લે છે. C મોડેલનું આઉટપુટ હંમેશા NaN થઈ જાય છે. D મોડેલ માત્ર GPU પર જ ચાલે છે.
12
મશીન લર્નિંગ મોડેલમાં ઓવરફિટિંગ (Overfitting) ની સ્થિતિનું શ્રેષ્ઠ વર્ણન કયું છે? જવાબ જુઓ A ટ્રેનિંગ ડેટા પર ખૂબ ઊંચી એરર અને ટેસ્ટિંગ ડેટા પર પણ ખૂબ ઊંચી એરર. B ટ્રેનિંગ ડેટા પર લગભગ શૂન્ય/નીચી એરર, પરંતુ નવા ટેસ્ટિંગ ડેટા પર અત્યંત ઊંચી એરર (નબળું જનરલાઇઝેશન). C મોડેલ ટ્રેનિંગ દરમિયાન ક્રેશ થઈ જવું. D મોડેલમાં ડેટા સાચવવા માટે મેમરી ખૂટી જવી.
13
L1 રેગ્યુલરાઇઝેશન (Lasso) ટ્રેનિંગ દરમિયાન મોડેલના વેઇટ્સ પર શું ખાસ અસર કરે છે? જવાબ જુઓ A તમામ વેઇટ્સને એકસમાન રીતે બમણા કરી દે છે. B વેઇટ્સના વર્ગો ઉમેરીને તેમને શૂન્યની નજીક લાવે છે પણ બરાબર શૂન્ય ક્યારેય કરતું નથી. C વેઇટ્સના નિરપેક્ષ મૂલ્યો (absolute values) નો દંડ ઉમેરીને બિનજરૂરી ફીચર્સના વેઇટ્સ બરાબર 0 બનાવી દે છે (સ્વચાલિત ફીચર સિલેક્શન). D દરેક ઇટરેશન પર રેન્ડમલી ન્યુરોન્સ ડ્રોપ કરે છે.
14
મશીન લર્નિંગ અલ્ગોરિધમ્સમાં ફીચર સ્કેલિંગ (Normalization / Standardization) શા માટે જરૂરી છે? જવાબ જુઓ A તે ડેટાસેટમાં રહેલા ફીચર્સની સંખ્યા આપમેળે અડધી કરી નાખે છે. B તે બધા ML અલ્ગોરિધમ્સ માટે અપરિહાર્ય અને ફરજિયાત છે. C અંતર કે ગ્રેડિયન્ટ આધારિત મોડેલ્સ (KNN, SVM, GD) માં મોટી સંખ્યાત્મક રેન્જ ધરાવતા ફીચર્સ નાના ફીચર્સ પર હાવી ન થઈ જાય તે સુનિશ્ચિત કરવા. D તે ટેક્સ્ટ ડેટાને સીધો જ ઓડિયોમાં રૂપાંતરિત કરે છે.
15
મશીન લર્નિંગ ડેટાસેટને ટ્રેન (Train) અને ટેસ્ટ (Test) સેટમાં વિભાજીત કરવાનો મૂળભૂત ઉદ્દેશ શો છે? જવાબ જુઓ A ડેટાનું કદ ઘટાડીને કમ્પ્યુટેશન સ્પીડ બમણી કરવી. B તાલીમ પામેલું મોડેલ સંપૂર્ણપણે અજાણ્યા નવા ડેટા (unseen real-world data) પર કેવું જનરલાઇઝ થાય છે તેનું નિષ્પક્ષ મૂલ્યાંકન કરવું. C મોડેલ માત્ર પોઝિટિવ ક્લાસ પર જ ટ્રેન થાય તેની ખાતરી કરવી. D ડેટાબેઝના બેકઅપ માટે અલગ ફાઇલ રાખવી.