Qwissit Künstliche Intelligenz

ISTQB CT-AI

ML-Metriken und neuronale Netze

60 Fragen

Funktionale Leistungsmetriken von ML

  1. Welche vier Situationen unterscheidet eine Konfusionsmatrix bei einer Klassifikation? Einfach
  2. Was bedeutet ein falsch positives Ergebnis (FP) bei einem Spamfilter, wenn „Spam“ die positive Klasse ist? Einfach
  3. Wie berechnet sich die Accuracy? Einfach
  4. Wie berechnet sich die Precision? Einfach
  5. Wie berechnet sich der Recall? Einfach
  6. Welcher andere Name wird für den Recall verwendet? Einfach
  7. Wie ist der F1-Score definiert? Einfach
  8. Ein Klassifikator liefert TP = 40, TN = 50, FP = 5 und FN = 5. Wie hoch ist die Accuracy? Einfach
  9. Ein Modell hat 40 Fälle als positiv vorhergesagt, davon sind 30 tatsächlich positiv. Wie hoch ist die Precision? Einfach
  10. In einem Testdatensatz gibt es 50 tatsächlich positive Fälle, von denen das Modell 45 als positiv erkennt. Wie hoch ist der Recall? Einfach
  11. Warum sagt ein Klassifikationsmodell selten immer alles richtig vorher? Einfach

Neuronale Netze

  1. Welche drei Hauptarten von Schichten hat ein tiefes neuronales Netz? Einfach
  2. Wofür kann ein einschichtiges Perzeptron eingesetzt werden? Einfach
  3. Wie werden die Neuronen in den verdeckten Schichten auch genannt? Einfach
  4. Was ist eine Epoche beim Training eines neuronalen Netzes? Einfach
  5. Wie werden Gewichte und Bias-Werte eines neuronalen Netzes zu Beginn des Trainings typischerweise initialisiert? Einfach
  6. Warum braucht man spezielle Überdeckungsmaße für neuronale Netze? Einfach
  7. Was misst die Neuronenüberdeckung (neuron coverage)? Einfach
  8. Wie steht es um kommerzielle Werkzeuge für Überdeckungsmaße neuronaler Netze? Einfach
  9. Welche Aufgabe hat die Ausgabeschicht eines neuronalen Netzes? Einfach

Funktionale Leistungsmetriken von ML

  1. Ein Klassifikator liefert TP = 80, FP = 20, FN = 40 und TN = 860. Wie hoch sind Precision und Recall? Mittel
  2. Ein Modell erreicht eine Precision von 80 % und einen Recall von 60 %. Wie hoch ist der F1-Score (gerundet)? Mittel
  3. Ein Klassifikator liefert TP = 90, FP = 30, FN = 10 und TN = 70. Welche Werte sind korrekt? Mittel
  4. Welche Frage beantwortet die Precision? Mittel
  5. Was bedeutet ein niedriger F1-Score? Mittel
  6. Ein Modell zur Krebsfrüherkennung soll möglichst keinen tatsächlichen Krankheitsfall übersehen. Welche Metrik steht im Vordergrund? Mittel
  7. Ein Spamfilter soll möglichst keine wichtige E-Mail fälschlich als Spam aussortieren. Welche Metrik (Spam = positiv) steht im Vordergrund? Mittel
  8. Welcher Wertebereich gilt für den F1-Score? Mittel
  9. Ein Modell liefert TP = 45, FP = 5, FN = 15 und TN = 35. Welche Werte sind korrekt? Mittel
  10. Welche Aussage zur Darstellung der Konfusionsmatrix trifft zu? Mittel
  11. Ein Modell liefert TP = 60, FP = 40, FN = 20 und TN = 880. Wie hoch ist die Accuracy? Mittel

Neuronale Netze

  1. Wie berechnet ein Neuron (außerhalb der Eingabeschicht) seinen Aktivierungswert? Mittel
  2. Was geschieht beim Training mit dem Fehler (Loss) zwischen erzeugter Ausgabe und bekanntem richtigem Ergebnis? Mittel
  3. Welche Aussagen zum Bias eines Neurons treffen zu? Mittel
  4. Wie verarbeitet ein tiefes neuronales Netz die Eingabedaten auf dem Weg zur Ausgabe? Mittel
  5. Wie hängen vollständig verbundene Netze und Perzeptrons zusammen? Mittel
  6. Wie funktioniert die k-Multisection-Neuronenüberdeckung (kMNC)? Mittel
  7. Was misst die Neuronengrenzüberdeckung (Neuron Boundary Coverage, NBC)? Mittel
  8. Wozu dienen Überdeckungsmaße für neuronale Netze vor allem? Mittel
  9. Warum reicht strukturelle Überdeckung allein nicht aus, um ein neuronales Netz zu bewerten? Mittel

Funktionale Leistungsmetriken von ML

  1. Unter 1.000 Transaktionen sind 10 betrügerisch. Ein Modell stuft alle Transaktionen als „kein Betrug“ ein (Betrug = positiv). Welche Aussagen sind korrekt? Schwer
  2. Ein Modell liefert bei 1.000 Fällen TP = 8, FP = 2, FN = 2 und TN = 988. Welche Werte sind korrekt? Schwer
  3. Modell A erreicht Precision 90 % und Recall 50 %, Modell B Precision 70 % und Recall 70 %. Welches Modell hat den höheren F1-Score? Schwer
  4. Ein Modell stuft alle 1.000 Fälle als positiv ein; tatsächlich positiv sind 50. Welche Werte ergeben sich? Schwer
  5. Ein Modell erreicht einen Recall von 90 %. Im Testdatensatz gibt es 200 tatsächlich positive Fälle. Wie viele davon hat das Modell übersehen? Schwer
  6. Ein Modell hat 50 Fälle als positiv vorhergesagt und erreicht eine Precision von 80 %. Wie viele Fehlalarme (falsch positive) enthält das? Schwer
  7. Eine Konfusionsmatrix ist mit vertauschten Achsen dargestellt: Zeile „tatsächlich positiv“: 70 als positiv, 30 als negativ vorhergesagt; Zeile „tatsächlich negativ“: 10 als positiv, 890 als negativ vorhergesagt. Welche Werte sind korrekt? Schwer
  8. Bei einer Betrugserkennung sind sowohl übersehene Betrugsfälle als auch Fehlalarme teuer. Welche Metrik eignet sich als ein zusammenfassendes Kriterium? Schwer
  9. Ein Modell liefert TP = 50, FP = 50, FN = 0 und TN = 900. Welche Werte sind korrekt? Schwer

Neuronale Netze

  1. Welche logische Funktion kann ein einschichtiges Perzeptron lernen? Schwer
  2. In welcher Reihenfolge laufen die Schritte beim Training eines neuronalen Netzes ab? Schwer
  3. Zwei sonst identische Netze unterscheiden sich nur in der Aktivierungsfunktion. Was folgt daraus? Schwer
  4. Welche Aussagen über tiefe neuronale Netze treffen zu? Schwer
  5. Ein Netz hat 200 Neuronen. Beim Testen überschreitet die Ausgabe von 150 Neuronen den festgelegten Schwellenwert. Wie hoch ist die Neuronenüberdeckung? Schwer
  6. Ein Netz hat 10 Neuronen, deren Ausgabebereiche jeweils in k = 4 Abschnitte geteilt werden. Beim Testen werden 28 Abschnitte aktiviert. Wie hoch ist die kMNC? Schwer
  7. Bei einem Netz mit 50 Neuronen liegt die Ausgabe von 5 Neuronen beim Testen außerhalb des im Training beobachteten Bereichs (über dem Maximum oder unter dem Minimum). Welches Maß mit welchem Wert ergibt sich? Schwer
  8. Eine Testsuite erreicht 100 % Neuronenüberdeckung, trotzdem versagt das Modell im Feld bei leicht gedrehten Bildern. Welche Erklärungen und Konsequenzen gibt es? Schwer
  9. Bei der Testauswertung zeigt sich, dass eine Gruppe von Neuronen in einer verdeckten Schicht nie aktiviert wird. Wie sollte ein Tester reagieren? Schwer
  10. Ein Team möchte prüfen, ob seine Tests auch Verhalten jenseits der im Training beobachteten Neuronenausgaben abdecken. Welches Überdeckungsmaß passt am besten? Schwer
  11. Ein Testmanager will für ein neuronales Netz die klassische Anweisungs- und Zweigüberdeckung als Hauptmaß verwenden. Was spricht dagegen? Schwer

Zertifikate & Prüfungen

Welche Prüfung kommt als Nächstes?

19 Prüfungen kannst du schon üben, über 21 stimmst du gerade ab. Sieh dir alle Zertifikate mit offiziellen Infos an, gib deine Stimme ab oder schlag deine Prüfung vor.

Zur Zertifikatsübersicht