Domande d'esame VERIFICATO

esercizi Python

Università degli studi di Bologna Statistical Sciences 2021
113 visualizzazioni
6 download
★ 4,0 (1)
Condividi: WhatsApp Telegram

Di cosa parla

Riassunto AI · si legge in un minuto

Implementa in Python funzioni per etichettare oggetti, calcolare la dissimilarità k-NN condivise, determinare il diametro dei dati, trovare clustroidi e somme uniformi del kernel. Ogni funzione risolve un problema specifico utilizzando algoritmi diversi e assume input simili in termini di struttura dati.
Leggi il riassunto completo
  • Implementa in Python una funzione label(data, centers) che restituisca un etichettamento di tutti gli oggetti in data: l'etichetta c, un numero compreso tra 0 e len(centers)-1, viene assegnata a x se e solo se centers[c] è il centro più vicino al punto medio tra x e il suo vicino più prossimo in data.
  • Implementa in Python una funzione snn_diss(data, x, y, k) che restituisca la dissimilarità k-ness vicini condivisi di oggetti x e y rispetto al dataset data, definita come il numero degli oggetti che sono i k-vicini più prossimi sia di x che di y in data.
  • Implementa in Python una funzione diameter(data) che restituisca il diametro di data, cioè la distanza massima tra due oggetti in data. Si assume che data sia una lista non vuota di tuple o liste di lunghezza fissa. Il diametro di data può essere calcolato con l'algoritmo seguente, in cui s è un costante positiva.
  • Implementa in Python una funzione label(data, centers) che restituisca due etichette per ogni oggetto in data come segue: le etichette c1 e c2, numeri compresi tra 0 e len(centers)-1, vengono assegnate a un oggetto x di data se e solo se centers[c1] e centers[c2] sono rispettivamente il vicino più prossimo e il secondo vicino più prossimo a x tra tutti gli oggetti in centers. Si assume che sia data e centers siano liste di elenchi numerici di lunghezza fissa.
  • Implementa in Python una funzione clustroid(data) che restituisca tutti i clustroids di data; un clustroid è qualsiasi osservazione in data con la RowSum minima, dove RowSum è la somma delle distanze al quadrato tra l'osservazione e le altre nel dato. Si assume che data sia una lista di tuple o liste di lunghezza fissa. La RowSum minima può essere calcolata con l'algoritmo seguente: quindi i clustroids possono essere calcolati con l'algoritmo seguente, che prevede che la RowSum minima sia memorizzata nell'oggetto min_rowsum.
  • Implementa in Python una funzione top_sum(data, r) che restituisca tutti gli oggetti di data con il più grande uniform kernel sum rispetto a data e r. La funzione può essere calcolata con l'algoritmo seguente:
  • Implementa in Python una funzione cnn_gen(data) che res

Riassunto generato con l'intelligenza artificiale a partire dagli appunti. Come lo facciamo

Anteprima pagina 1 — esercizi Python Anteprima pagina 2 — esercizi Python

Stai vedendo l'anteprima delle prime pagine. Il file completo è gratis: registrati per leggerlo tutto.

Studia questi appunti con l'AI

Riassunto e domande d'esame sono gratis: chiedili e ti mandiamo un'email quando sono pronti.

Questo appunto è gratis. Registrati in 30 secondi per leggere tutte le pagine e scaricarlo.

Simula l'esame con domande costruite su questi appunti.

Altri appunti di MACHINE LEARNING SYSTEMS FOR DATA SCIENCE [cod. 90477]

Condividi questi appunti

WhatsApp Telegram