ВТОР КОЛОКВИУМ

1. Кои се недостатоците на системите за препораки со колаборативно филтрирање?

a. Функционира добро само за оцени собрани експлицитно
b. Потребно е системот да има доволен број на корисници со доволен број на оцени за да
се најдат најсличните
c. Мора да се дефинира профил на корисниците
d. Оскудност на подаоците (матриците на корисност се ретко пополнети)
e. Наклонетост кон популарните производи
f. Може да се применува само за одреден тип на производи (ставки)
g. Не може да се употребува за нови производи

2. Кои се недостатоците на системите за препораки со споредба на содржината?

a. Прекумерна специфичност, оневозможувајќи препораки на производи кои не се присутни

во профилот на корисникот
b. Функционира добро само за оцени собрани експлицитно
c. Наоѓањето на соодветните особини за споредба е тешко
d. Градењето на профил на корисникот може да биде нетривијален процес
e. Не може да понуди објаснувања на препораките
f. Потребни се податоци за други корисници
g. Не може да се употребува за нови производи

3. Користејќи колаборативно филтрирање со помош на пристап базиран на корисници, да се

пресмета оцената што Tom ќе ја даде за Star Wars, ако дел од матрицата на оцени на
тројцата корисници во системот е:

Притоа, сличноста помеѓу корисниците веќе е пресметана од целата матрица и изнесува:

sim(Alex, Bob)=0.7
sim(Alex, Tom)=0.9
sim(Bob, Tom)=0.8.

Притоа формулата за предвидување оцена на корисникот x за ставката i е дадена во

продолжение:

Select one:
a. (0.8 * 5 + 0.9 * 4) / (0.8 + 0.9)
b. (0.9 * 2 + 0.8 * 3) / (0.9 + 0.8)
c. (0.7 * 5 + 0.8 * 4) / (0.7 + 0.8)
d. (0.7 * 4 + 0.9 * 4) / (0.7 + 0.9)
e. (0.8 * 4 + 0.9 * 4) / (0.8 + 0.9)

4. Невронските мрежи можат да се учат со ненадгледувано учење

- TRUE

5. Колку тежини има невронска мрежа со 3 влезни, 2 излезни и еден тежински неврон на влез?
-
8

6. Поврзете ги соодветните делови на биолошкиот со вештачкиот неврон.

Синапса -> тежина Сома -> јазол Аксони -> излез Дендрити -> влез
7. Кај онтологиите со е-релација може да се поврзат:
a. индивидуален со генерички јазел
b. индивидуален со индивидуален јазел
c. генерички со индивидуален јазел
d. генерички со генерички јазел

8. Кои од наведените се примери за концепти кај онтологии?

Select one or more:
a. Професор
b. Професорот Трајко Трајковски
c. Студентот Петко Петковски
d. Студентот Петко Петковски е студент на Финки
e. Предмет
f. Професорот Трајко Трајковски предава на факултетот F
g. Факултет
h. Предметот Системи на знаење
i. Професорот Трајко Трајковски го предава предметот X
j. Финки
k. Студент

9. Сакаме да изградиме агент за планирање на рута на пат.

Чекор5: Одредуваме дека една држава може да има повеќе соседи држави
Чекор1: Препознаваме дека станува збор за географија
Чекор4: Препознаваме дека држава може да биде сосед со друга држава
Чекор2: Се идентификуваат поимите град, главен град, држава, пат, земјен пат, воздушен
пат итн.
Чекор3: Одредуваме дека главен град е град, воздушен пат е пат

10. Што од наведеното е поддршка на семантички веб?

a. Интелигентни агенти
b. XML
c. RFID
d. RDF
e. URI
f. Невронски мрежи
g. .NET
h. Онтологии
i. HTML
j. CSS

11. Наведете што е применето или што е илустрирано во следниве примери:

Sistemi na znaenje
If (student) (slusa) (predmet) then (student) (saka) (predmet)
(Petko Petkovski) (slusa) (Sistemi na znaenje) => inference rules
predmet → zadolzidetelen predmet → Sistemi na znaenje => Онтологија

- Семантички веб

12. Врз основа на што од наведеното се базираат квалитативните модели?

a. Квалитетни податоци
b. Регресиска анализа
c. Статистичка анализа на собрани податоци
d. Искуство, знаење и интуиција на експерти од областа
e. Истражување на пазарот (анкетирање)

13. Квантативните се базираат според:

- Основа на податоци и статистики.
- Се обидуваат да ја предвидат иднината врз основа на податоци од минатото
14. Основни претпоставни на квантитативни модели:
- Треба да постојат прибрани податоци од минатото
- Треба тие податоци да може да се изразат бројчано(да се квантифицираат)
- Се претпоставува дека факторите кои влијаеле во минатото ќе продолжат да влијаат и
во иднина
15. Во општ случај, од кои компоненти се состојат временските серии?
a. Предвидена
b. Просечна
c. Тренд
d.Сезонска
e.Збирна
f.Приближна
g. Случајна

16. Која вредност ќе биде предвидена за продажба во неделата 4 користејќи прост подвижен
просек од последните 3 вредности?
a. 10
b. 3
c. 8
d. 15
e. 5
Требе да се одговоре 16

17. RDF тројка:

- Субјект
- Предикат
- Објект

18. Чекорите на онтологија:

- Дефинирање на доменот и опсегот
- Набрујување (енумерација) на важни термини
- Дефинирање на класите и нивна херархија
- Дефинирање на слотови
- Дефинирање на ограничувањата за слотовите(кардиналност, тип)
19. Имплицитно собирање на податоци:
- Да се научат рејтинзите од акциите на корисникот
- Купување подразбира висока оцена
- Како да се извлечат ниските оцени?
20. Експлицитно барање на податоци:
- Ги прашувате луѓето да дадат оценка за производот
- Не функционира добро во праксата – луѓето не сакаат да ги замарате

21. Најважни односи во WORDNET

- Хиперними
- Хипоними
- Холоними
- Мероними
22. Најголема семантичка мрежа на англиски јазик:
- WORDNET
23. Поврзи ги примерите за РДФ, Онтологија, XML, inference rules(knowledge)
- <dog> Fido </dog> -> XML
- (Fido) (is_dog_of) (Ivan) -> RDF
- Mammal -> canine -> Spaniel -> Fido -> Онтологија
- If(person) (owns) (dog) then (person) (cares_for)(dog) ->inference rules(knowledge)
24. Сите точни дефениции за онтологија:
- Онтологија е јасна спецификација на концептуализацијата
- Онтологија е логичка теорија која што го зема предвид основното значење
на формалниот речник
- Тоа е теорија што се занимава со видовите на нешта, односно видовите на апстрактни
ентитети кои што се допуштени во јазичниот систем.
 - Онтологијата е формален и експлицитен опис на концептите во доменот на интерес
(класи) карактеристиките на секој концепт (слотови) и ограничувањата на
слотовите(аспекти)
- Онтологија е “спецификација на концептуализација, што се користи за да им помогне
на програмите и луѓето да споделуваат знаење“.
- Онтологија е збир на концепти – како што се нешта, настани и релции кои се
специфицирани на некој начин, со цел да се создаде речник за размена на информации.
- Онтологиите воспоставуваат заедничка терминологија помеѓу членовите на заедницата
на интереси. Овие членови може да бидат луѓе или автоматски агенти.
- Онтологијата е формално, експлицитно специфицирање на заедничката
концептуализација.
25. Кои од следниве компоненти постојат во временски серии:
- Предвидување, збир, просек и уште некои..(ако ги најдиме сите да ги наброиме)
26. Поделба на категориите:
- Основно- Во таа хиерархија (од “е“) некои нивоа се познати и најчесто користени,
- Надредени- сите поапстрактни нивоа
- Подредени- сите поспецифични нивоа

27. Subject, predicat, object:

- Subject – web adresa
- Predicat- link
- Object – web resource or string на поврзување
28. Simple moving average:
- Include n most recent observations
- Weight equally
- Ignore older observations
29. Time serie models:
- Naive
- Simple and weighted moving averagе

- Exponential smoothing
- Level, trend and seasonality exponential smoothing

30. Weighted moving average:

4. 31/6 => (3*5 + 2*6 + 1*4)/6 =5.167

5. 25/6 => (3*3 + 2*5 + 1*6)/6 =4.167
6. 32/6 => (3*7 + 2*3 + 1*5)/6 =5.333
31. Simple moving average како се пресметува:

:
32. Кај онтологиите знаењето е организирано:
а. во форма на листа
б. непрецизно
в. Паралелно
г. сериски
д. Хиерархиски

33. Кои се главните предизвици при дизајнирањето на системите за препорака:

а. Да се најдат корисници кои ќе го тестираат системот
б. Да се експлоатираат непознатите оценки користејќи ги познатите
в. Како да се оценат методите за ектраполација
г. Прибирање на познати оцени или рејтинзи
д. Да се објаснат ектраполираните рејтинзи

34. Наведете што е применето или што е илистрирано во примерите:

If (person) (owns) (dog) then (person) (cares_for) (dog) - Inference rules (knowledge)
mammal -> canine -> Spaniel -> Fido - Онтологии <dog> Fido </dog> - XML

(Fido) (is_dog_of) (Ivan) - RDF (Relationships between data)

35. За каков елемент од RDF тројката станува збор:

предава на - > предикат (relationship)
Факултетот Х -> објект
Професорот Трајко Трајковски -> субјект
36. Кои од следните избори се карактеристики за невронски мрежи
а. Пресметковна ефикасност
б. Отпорност на шум
в. Транспарентност
г. Експресивност
д. Издржливост
ж. Способност за доучување
е. Способност за генерализација

37. Учење со потикнување – На влез, покрај предметот што треба да се научи, се добива и
сигнал добро/лошо (награда и казна) во зависност од тоа колку добро одговорил
системот на тоа барање за учење или класификација.
TRUE

38. Чекори за градење на една онтологија:

1.Дефинирање на доменот и опсегот

2.Набрујување (енумерација) на важни термини
3. Дефинирање на класите и нивна херархија
4. Дефинирање на слотови
5. Дефинирање на ограничувањата за слотовите(кардиналност, тип)

39. Што од наведеното е точно за наивниот пристап за предвидување на идна вредност кај
временски серии?
а. Следна (идна) вредност се претпоставува дека е иста со просечната
вредност
б. Обично дава задоволителни резултати
в. . Следна (идна) вредност се претпоставува дека е иста со последната позната
вредност
г. Обично не дава добри резултати

40. Kои од следните тврдења се точни за квантитативните методи за предвидување

кај временски серии?

а. Откривање на постоење на сезонска компонента и може да го подобри

предвидувањето
б. Тренд компонентата не влијае значително на предвидувањата
в. Сезонската компонента не влијае значително на предвидувањата

г. Следна (идна) вредност се претпоставува дека е иста со просечната вредност

д. Откривање на постоење на тренд компонента и може да го подобри предвидувањето

41. Изберете што означува секој од елементите кај RDF:
Субјект – идентификација на ресурс
Предикат – Карактеристика својство атрибут,релација
Објект – друг ресурс или ентитет
42. Нека е дадена следната табела за продажба на некој производ:

Која вредност ќе биде предвидена за продажба во недела 8 користејќи тежински просек

од последните вредности, каде тежините се 0.5 , 0.3 и 0.2 при што поновите вредности
имаат поголема тежина?
Формулата за пресметување прост подвижен просек е:

Одговор: (0.5 * 25) + (0.3 * 21) + (0.2 * 16) = 22

ПРВ КОЛОКВИУМ

1. Чекори за матна логика кои се (друго прашање да ги подредиш)

I. Чекор 1: Идентификувај ги влезните и излезните променливи.
II. Чекор 2: Дефинирај ги матните лингвистички променливи и дефинирај функции на
припадност на матни множества.
III. Чекор 3: Употреби ги овие матни множества и матни лингвистички променливи и
креирај правила
IV. Чекор 4: Одбеери метод за уточнување.
V. Чекор 5: Тестирај го системот и модифицирај го доколку е потребно.

2. Дефиниција Условна независност:

- Х е условно независна од Y за дадено Z, ако веројатносната распоределба според која се
владее Х е независна од вредносните на Y, за таа вредност на Z.
Пример: P(Грми | Врне, Светка ) = P(Грми | Светка)

3. Што се Експерни системи

- ЕС се практични програми кои корситат евристични стратегии(развиени од
луѓето) при решавање на одредена класа на проблеми.

4. ЕС категории на проблеми:
I. Интерпретација
II. Предвидување
III. Дијагноза
IV.Дизајн
V.Планирање
VI.Надгледување
VII. Дебагирање и поправки
VIII. Инструирање
IX.Контрола

5. Зошто се користи коренување на збор:

- Подобрување на ефикасноста на пребарувањето
- Совпаѓање на слични зборови
- Се подобрува одѕивот
- Намалување на големината на индексирање
- со комбинирање на зборови со ист корен може да се намали големината на
индексирање за 40-50%

6. Што е множество за обуко а што за тестирање

Множеството за обука е множество примери кои се користат за да се научи системот
да генерира точен одговор, а тест множество примери со кои се мери однесувањето ,
односно способноста за генерализација на обучениот систем.
 7. А-приори (безусловна веројатност):
- Модел изграден врз основа на прибирани статистички податоци.
- Ако имаме 10 примероци веројатностите се пресметуваат
Р(алергија) = 2/10 = 0.2 Р(повраќање) = 1/10 = 0.1

8. Условна веројатност :
- Е клучна при расудување, затоа што го формализира прибирањето докази
и обновување на веројатностите.

Пример за задача Условна веројатност

Опис = сончево, темп = студено, влажност = голема, ветер = јак

Р(да) = 9/14 Р(не)=5/14 Да=9 Не=5

Р(сонце/не) = (3/5) = 0.6 Р(сонце/да) = (2/5) = 0.4

Р(не)*Р(сонце/не)*Р(студено/не)*Р(голема/не)*Р(јак/не) = 0.021

Р(да)*Р(сонце/да)*Р(студено/да)*Р(голема/да)*Р(јак/да) = 0.005

0.021 > 0.005 => НЕ

Зад од колоквиум:

Можност за игра: Р(НЕ) = 5/14 = 0.35

Влажност нормална: Р(нормална/не) = (1/5) = 0.2

0.35 * 0.2 = 0.07

Пресметка на ентропија:

Ако имаме 2 класи (+) и (-), и имаме множество од 100 податоци, каде што 30 се позитивни
останатите негативни (Р(+) = 30, Р(-) = 70)

-30/100 *log2(30/100) – 70/100 * log2(70/100) ~= 0.88

9. Подсистемот за објаснување мора да може да одговара на кои два вида прашања?

- Why-queries и How-queries
10. За што се користи дефазификацијата:
- Се користи за да се добие јасен излез од матната логика
11. Методи за дефазификација,уточнување

- The centre of area (COA)

- The mean of maximum (MOM)
- Bisector of area (BOA)
- Smallest of maximum (SOM)
- Largest of maximum (LOM)
12. Операции со матни множества:
- OR = max, AND = min, Комплемент = -1
 13. Режим на работа на ЕС:
- Се врши прибирање на почетно знаење во ЕС и ажурирање на знаењето од страна
на инженерот на знаење, кој пак се консултира со некој експерт или со
енциклопедии, книги прирачници.
- Режим на прибирање на знање
- Консултациски режим
- Објаснувачки режим
14. Изградба на дрва за одлучување:
- Почни со сите податоци за да се одреди коренот.
- Се избира атрибут и се формулира логички тест за некој атрибут.
- Се разгранува за секој различен резултат на тестот, и се пренесува подмножеството на
примероци што го задоволуваат тој резултат на тестот кон соодветното поддрво.
- Рекурзивно се прави ова на секое поддрво
- Условот за крај одредува кога еден јазел останува лист
15. Дрва за одлучување:
- Критични чекори се формулација на добри логички тестови и озбор на мерка
за атрибутите.
- Цел: Да се пронајде мало дрво конзистентно со примероците за обука.
- Идеја: рекурзивно избирање на најзначајниот атрибут како корен на (под)дрво.
16. Модели на пронаоѓање на информации(Information retrieval models):
- Логички модел (Boolean model)
- Модел на векторски простор(Vector space model)
- Статистички јазичен модел (Statistical language model)
Да се потполни цела табела
Формули за пресметување на прецизност и одѕивот:

Precision = TP / TP + FP

Recall = TP / TP + FN

17. Превртен индекс

- Превртен индекс на колекција на документи е податочна структура која, на секој
различен термин му придружува листа од документи кои го содржат терминот.
- Потребно е константно време за пронаоѓање на документите кои содржат даден
термин кој се пребарува.
- Пребарувањето на повеќе термини се прави лесно.
18. Одредување на функции на припадност:
- Со интервујуирање на повеќе луѓе
- Со консултација со експерт
- Користење на техники од вештачка интелегенција и машинско учење (евристика,
рангирање, математички модели, адаптивни модели
19. Предности на системи базирани на матна логика:
- Математичките концепти се многу едноставни
- Системите базирани на матна логика лесно може да се модифицираат со
додавање или бришење на правила поради флексибилноста на матна логика
- Можат да примат непрецизни информации и се отпорни на шум
- Лесни за изградба и лесно разбирливи
- Матна логика нуди решение за сложени проблеми во сите сфери на животот,
вклучувајќи и медицината, бидејќи го ‘имитира’ човечкото расудување и
донесување одлуки.
20. Недостатоци на системи базирани на матна логика:
- Нема систематски пристап за нивно дизајнирање
- Тие се разбирливи само кога се едноставни
- Соодветни се само ако решаваме проблеми кои не бараат висока точност.
- Ги немаат можностите што ги нуди машинско учење, невронските мрежи
за препознавање на облици.
- Верификацијата и валидацијата на системите бара интензивно тестирање.
- Утврдувањето на соодветни матни правила и функции на припадност е тешка задача.
21. Примена на матна логика
- Автомобилски системи
- Воздухопловна контрола
- Котрола на водни возила
- Одбрана
- Бизнис
- Финансии
- Индустрија
- Производтство
- Хемиска индустрија
22. Учесници во изградба на ЕС
 - Инженењ на знаење, Експерт во областа, краен корисник
23. Трите основни множества кај учењето
- Множество за обука (training set)
- Множество за исправност (validation set)
- Множество за тестирање (testing set)
24. Потполни
- Множество за обука множество примери кои се користат за да се научи системот
да генерира точен одговор
- Множество за тестирање множество примери со кои се мери однесувањето, односно
способноста за генерализација на обучениот систем.
25. Дрва за одлучување
- Влез - објект или ситуација опишана со множество особини (обележја)
- Излез – Да/Не одлука
- Секој внатрешен јазел претставува испитување на вредноста на една од особините.
- Секој лист претставува булова вредност која требе да се врати како резултат ако
се стигне до него.
26. Метод за параметризација:
- Бинартни
- Бројки (честоти, фреквенции)
- Тежински честоти
1. Кои од следните опции претставуваат делови на ЕС базиран на правила?
a) Експерт.
b) Интерфејс.
c) Инженер на знаење.
d) База на општо знаење.
e) Систем на резонирање.
f) Подсистем за објаснување.
g) Корисник.

2. Според табелата, колкава е условната влажност P(влажност =

голема|можност за игра = не)

Select one:
 a) 4/7

b) 5/14

c) 1/5

d) 4/5

e) 3/7

3. Дадена е следната матрица на фреквенции на 7 документи составени од

зборови во вокабулар со 8 з....
Кое од следниве тврдења за IDF(T3) и IDF(T4) е точно?

Во продолжение се дадени потребните формули:

Одбери еден од понудените одговори:

a.
4. Нека е дадена следната табела за продажба на некој производ:

Која вредност ќе биде предвидена за продажба во неделата 6 користејќи прост

подвижен просек од последните 3 вредности?

Формула за пресметување на прост подвижен просек е:

Select one: 8+15+16/3 = 13

a) 16

b) 11

c) 13

d) 20

e) 10
5. Колку тежини има невронска мрежа без bias неврони со 1 неврон во влезен
слој, 3 неврони во скриен слој и 2 неврони во излезен слој?
Одговор: 9__

6. Дополнете го тврдењето за дрва за одлучување:

A. Секој лист претставува

B. Излез е
C. Влез претставува
D. Секој внатрешен јазел претставува

Понудени одговори

i. A , вредност која треба да се врати како резултат ако се стигне до него.

ii. B , одлука за вредноста на класниот атрибут.
iii. C , објект или ситуација опишана со множество особини (обележја).
iv. D , испитување на вредноста на една од особините (и гранење во зависност
од вредноста).
v. ,корен на стеблото.
vi. ,проверка дали сме стигнале до конечна одлука.

7. Го нема. Фали прашање.

8. Кои се недостатоците на системите за препораки со колаборативно

филтрирање?

Select one or more:

a) Потребно е системот да има доволен број на корисници со доволен

број на оцени за да се најдат најсличните
b) Може да се применува само за одреден тип на производи (ставки)
c) Оскудност на податоците (матриците на корисност се ретко пополнети)
d) Наклонетост кон популарните производи
e) Мора да се дефинира профил на корисниците
f) Не може да се употребува за нови производи
g) Функционира добро само за оцени собрани експлицитно

9. Која е претпоставката при користење на Bag of Words пристапот?

a) Позицијата на зборот е значајна.

b) Позицијата на зборот го определува неговото значење.

c) Зборовите на почетокот се поважни од зборовите на крајот од текстот.

d) Позицијата на зборот не е значајна.

e) Сите зборови се еднакво значајни.

10. Што од наведеното е точно за методот на тежински подвижен просек (weighted

moving average) за предвидување на идна вредност кај временските серии?

Select one or more:

 a) Следната (идна) вредност се претпоставува дека е иста со просечната
вредност
b) Тежините се поголеми за последните податоци, и се
намалуваат за постарите податоци
c) Тежините се помали за последните податоци, и се зголемуваат за
постарите податоци
d) Збирот на тежините треба да е 1
e) Става акцент на последните (поновите) податоци

11. За податочното множество дадено во табелата, каде атрибутот Credit cart

trustfulness е класен атрибут, колку изнесува информациската добивка на
атрибутот Debit?

Ентропијата на дадено множество е:

Одбери еден од понудените одговори:

Точен одговор под C

12. Сакаме да изградиме онтологија за потребите на универзитетот. Одредете

која активност во кој чекор се прави:

A. Одредуваме дека еден студент може да слуша повеќе предмети.

B. Препознаваме дека станува збор за образование.
C. Одредуваме дека редовен студент е студент, задолжителен предмет е
предмет.
D. Препознаваме дека студент може да слуша предмет.
E. Се идентификуваат поимите факултет, студент, предмет, професор,
задолжителен предмет, изборен предмет, редовен студент, вонреден
студент итн.

Понудени опции:

i. A Дефинирање на ограничувања за слотовите

ii. B Дефинирање на доменот и опсегот
iii. C Дефинирање на класите и нивната хиерархија
iv. D Дефинирање на слотови
v. Е Набројување (енумерација) на важни термини
13. За секој оператор од булова логика, да се одбере соодветниот оператор од
матна логика.
A. AND(x,y)
B. NOT(x)
C. OR(x,y)

i. A MAX(x,y)
ii. C MIN(x,y)
iii. B 1-x

14. Користејќи колаборативно филтрирање со помош на пристап базиран на

корисници, да се пресмета оцената што Alex ќе ја даде на Thor, ако дел од
матрицата на оцени на тројцата корисници во системот е:

Притоа, сличноста помеѓу корисниците веќе е пресметана од целата матрица и

изнесува:

sim(Alex, Bob)=0.7
sim(Alex, Tom)=0.9
sim(Bob, Tom)=0.8 .

Притоа, формулата за предвидување оцена на корисникот x за ставката i е дадена

во продолжение:
Select one:

a) (0.7 * 4 + 0.9 * 4) / (0.7 + 0.9)

b) (0.8 * 5 + 0.9 * 4) / (0.8 + 0.9)

c) (0.7 * 5 + 0.8 * 4) / (0.7 + 0.8)

d) (0.9 * 2 + 0.8 * 3) / (0.9 + 0.8)

e) (0.8 * 4 + 0.9 * 4) / (0.8 + 0.9)

15. Кои од наведените тврдења за семантички веб се точни?

a) Семантичкиот веб се фокусира на тоа како ќе биде форматиран текстот на
дадена веб страна.
b) Со семантички веб, веб страните треба да ги содржат не само
податоците, туку исто и значењето на поимите во дадена веб страна.
c) Семантичкиот веб не подразбира додавање на значење на хипер-врските
во веб страните.
d) Примарната цел на семантичкиот веб е да се обезбедат хипер-врски помеѓу
веб страните.
e) Со семантичкиот веб треба да им се додаде на веб страните да не
бидат само текст со хипер-врски.

16. Го нема. Фали прашање.

1. Учење со потикнување е кога на влез, покрај предметот што треба да се учи, се добива
и сигнал добро/лошо(награда и казна) во зависност од тоа колку добро одговорил
системот на тоа барање за учење или класификација.
a) True
b) False

2. Сакаме да изградиме онтологија за потребите на универзитет. Со drag and drop,

поврзете која активност во кој чекор се прави:
Прв дел:
а) Одредуваме дека еден студент може да слуша повеќе предмети – дефинирање на
ограничување за слотови
б) Препознаваме дека студент може да слуша предмет - Дефинирање на слотови
в) Се идентификуваат поимите факултет, студент, предмет, професор, задолжителен
предмет, изборен предмет, редовен студент, вонреден студент инт. – Набројување
(енумерација) на важни термини
г) Препознаваме дека станува збор за образование – дефинирање на доменот и
опсегот
д) Одредуваме дека редовен студент е студент, задолжителен предмет е предмет -
Дефинирање на класите и нивната хиерархија
Втор дел:
а) Дефинирање на ограничувања за слотовите
б) Дефинирање на слотови
в) Набројување(енумерација) на важни термини
г) Дефинирање на доменот и опсегот
д) Дефинирање на класите и нивната хиерархија

3. Кои од наведените тврдења за семантички веб се точни?

а) Примарната цел на семантичкиот веб е да се обезбедат хипер-врски помеѓу веб
страните.
б) Семантичкиот веб се фокусира на тоа како ќе биде форматиран текстот на дадена
веб страна
в) Со семантички веб, веб страните треба да ги содржат не само податочите, туку
исто така и значењето на поимите во дадена веб страна.
г) Со семантичкиот веб треба да им се додаде значење на веб страните, да не бидат
само текст со хипер-врски.
д) Семантички веб не подразбира додавање на знаење на хипер-врските во веб
страните.

4. Што од наведеното е точно за метод на тежински подвижен просек (weighted moving

average) за предвидување на идна вредност кај временски серии?
а) Става акцент на последните(поновите) податоци
б)Тежините се помали за последните податоци, и се зголемуваат за постарите
податоци
в) Следната(идната) вредност се претпоставува дека е иста со просечната вредност
 г) Збирот на тежините треба да е 1
д) Тежините се поголеми за последните податоци, и се намалуваат за постарите
податоци

5. На сликата е прикажана функцијата на припадност на матните множества А, Б и Ц. Кој

оператор за аргрегација е применет врз матните множества А и Б за добивање на мат...

а)Ниту едно од наведените

б) OR(A,B)
в) AND(~A, ~B)
г) OR( A, ~B)
д) OR( ~A, ~B)
ѓ) AND( A, ~B)
е) ~B
ж) ~A
з) AND( ~A, B)
ѕ) AND( A, B)
и) OR( ~A, B)
6. Нека е дадена следната табела за продажба на некој производ:

Која вредност ќе биде предвидена за продажба во неделата 7 користејќи прост

подвижен просек од последните 3 вредности?
Формулата за пресметување прост подвижен просек е:

а) 17
Б) 16
в) 15
г) 20
д) 11

7. Кои од следниве тврдења за моделот на векторски простор се точни?

а) Документите се обработуваат како се “вреќи” од зборови(bag of words) односно
термини
б) Тежините на термините во документот се децимални броеви помеѓу 0 и 1
в) Секој документ е претставен како вектор со должина еднаква на бројот на зборови
во документот
г) Секој документ е претставен како вектор со должина на бројот на зборови во
вокабуларот за соодветниот домен
д) Тежините на термините во документот се бинарни броеви(0 и 1) кои означуваат
дали терминот ги наоѓа во документот или не

8. Нека во вокабуларот постојат следниве зборови: факултет, знаење, студенти. За

следните два документи со дадени фреквенции на појавување на зборовите во
вокабуларот да се пресмета косинусното растојание
Д1 – (1, 2, 0)
Д2 – (2, 0, 1)
 а) 0.66666
б) 0.333333
в)0.6
г) 0.5
д) 0.4

9. Што од наведеното е точно за системот за резонирање кај експерстните системи?

а) Ја известува техничката подршка во случај на препознавање на непознатата
ситуација
б) Претставува интерпретер на базата на знање
в) Го применува знаењето при решавањето на конкретен проблем
д) Ги известува експертите во случај на препознавање на непознатата ситуација
ѓ) Во продукциските системи освен резонирањето и делува преземајќи соодветни
акции

10. ___Множество за обука_____________ содржи множество примери кои се користат за

да се научи системот да генерира точен одговор. ___Множество за тестирање_______
(нешто фали) множество примери со кои се мери однесувањето, односно способноста
за генерализација на обучениот систем.

11. За податочното множество дадено во табелата, каде атрибутот Credit cart trustfulness е
класен атрибут, колку изнесува информациската добивка на атрибутот Debit?
 Ентропијата на множеството е:

12. Кои се недостатоците на системите за препораки со споредба на содржина?

а) Не може да понуди објаснувања на препораките
б) Фукнционира добро само за оцени собрани експлицитно
в) Потребни се податоци за други корисници
г) Градењето на профил на корисникот може да биде нетривијален процес
д) Наоѓањето на соодветните особини за споредба е тешко
ѓ) Прекумерна специфичност, оневозможувајќи препораки на производи кои не се
присутни во профилот на корисникот
ж) Не може да се употребува за нови производи

13. Користејќи колаборативно филтрирање со помош на пристап базиран на корисници,

да се пресмета оцената што Alex ќе ја даде за Thor, ако дел од м_____ корисници во
системот е:

Притоа, сличноста помеѓу корисниците веќе е пресметана од целата матрица и

изнесува:
sim(Alex, Bob) = 0.7
Sim(Alex, Tom) = 0.9
Sim(Bob, Tom) = 0.8
Притоа формулата за предвидување оцена на корисникот х за ставката i е дадена во
продолжение:

Одбери едно:

14. Кои се недостатоците на системите за препораки со колаборативно филтрирање?

А) Функционира добро само за оцени собрани експлицитно
Б) Оскудност на податоците(матриците на корисност се ретко поплнети)
В) Мора да се дефинира профил на корисниците
Г) Не може да се употребува за нови производи
д) Наклонетост кон популарните производи
ѓ) Потребно е системот да има доволен борј на корисници со доволен број на оцени за
да се најдат најсличните
Е) Може да се применува само за одреден тип на производи(ставки)

15. Која е претпоставнката при користење на Bag of Words пристапот?

Одбери едно:
А) Позицијата на зборот го определува неговото значење
Б) Позицијата на зборот е значајна
В) Сите зборови се еднакво значајни
Г) Зборовите на почетокот се поважни од зборовите на крајот од текстот
д) Позицијата на зборот не е значајна
16.

13
17. Колку тежини има невронска мрежа без bias неврони со 1 неврон во влезен слој, 3
неврони со скриен слој и 2 неврони во излезен слој?
9
18.

е
19. За кој оператор од булова логика, да се одбере соодветниот оператор од матна
логика?
Прв дел:
A) AND(x,y) – min()
B) NOT(x) – 1-x
C) OR(x,y) – max()
Втор дел:
A) MIN(x,y)
B) 1 – x
C) MAX(x,y)
20.