15 Ερωτήσεις και απαντήσεις επιστημονικής επιστήμης δεδομένων

1. Ερώτηση: Τι είναι η Επιστήμη Δεδομένων;
Α) Η μελέτη των βιολογικών δεδομένων.
Β) Ο κλάδος που συνδυάζει στατιστική, μηχανική μάθηση και ανάλυση δεδομένων για εξαγωγή γνώσεων.
Γ) Μια μέθοδος μαγειρικής.
Δ) Ένας τύπος λογισμικού.
Σωστή Απάντηση: Β
Εξήγηση: Η Επιστήμη Δεδομένων χρησιμοποιεί εργαλεία και τεχνικές για να αναλύσει μεγάλα σύνολα δεδομένων, εξάγοντας insights που βοηθούν στην λήψη αποφάσεων.

2. Ερώτηση: Ποια είναι η διαφορά μεταξύ Τεχνητής Νοημοσύνης και Μηχανικής Μάθησης;
Α) Η Τεχνητή Νοημοσύνη είναι υποσύνολο της Μηχανικής Μάθησης.
Β) Η Μηχανική Μάθηση είναι υποσύνολο της Τεχνητής Νοημοσύνης.
Γ) Δεν υπάρχει διαφορά.
Δ) Η Τεχνητή Νοημοσύνη αφορά μόνο ρομποτική.
Σωστή Απάντηση: Β
Εξήγηση: Η Μηχανική Μάθηση είναι ένας κλάδος της Τεχνητής Νοημοσύνης που εστιάζει στην εκπαίδευση μοντέλων από δεδομένα, ενώ η Τεχνητή Νοημοσύνη περιλαμβάνει ευρύτερες εφαρμογές όπως η λογική και η φυσική γλώσσα.

3. Ερώτηση: Ποιος είναι ο ορισμός του Overfitting σε μοντέλα Μηχανικής Μάθησης;
Α) Όταν το μοντέλο είναι πολύ απλό.
Β) Όταν το μοντέλο ταιριάζει υπερβολικά καλά στα δεδομένα εκπαίδευσης αλλά όχι στα νέα δεδομένα.
Γ) Όταν το μοντέλο δεν μαθαίνει καθόλου.
Δ) Μια μέθοδος βελτιστοποίησης.
Σωστή Απάντηση: Β
Εξήγηση: Το Overfitting συμβαίνει όταν το μοντέλο μαθαίνει θόρυβο από τα δεδομένα εκπαίδευσης, μειώνοντας την γενίκευσή του σε νέα δεδομένα.

4. Ερώτηση: Ποια είναι τα βασικά βήματα προεπεξεργασίας δεδομένων;
Α) Μόνο συλλογή δεδομένων.
Β) Καθαρισμός, χειρισμός ελλιπών τιμών, κανονικοποίηση και μετατροπή μεταβλητών.
Γ) Απλή αποθήκευση.
Δ) Εφαρμογή αλγορίθμων απευθείας.
Σωστή Απάντηση: Β
Εξήγηση: Η προεπεξεργασία δεδομένων βελτιστοποιεί την ποιότητα των δεδομένων, βοηθώντας τα μοντέλα να λειτουργούν πιο αποτελεσματικά.

5. Ερώτηση: Τι είναι η Επιβλεπόμενη Μάθηση;
Α) Μάθηση χωρίς ετικέτες δεδομένων.
Β) Μάθηση με ετικέτες δεδομένων για πρόβλεψη.
Γ) Μόνο για εικόνες.
Δ) Ένας τύπος νευρωνικού δικτύου.
Σωστή Απάντηση: Β
Εξήγηση: Στην Επιβλεπόμενη Μάθηση, τα δεδομένα περιλαμβάνουν ετικέτες, επιτρέποντας στο μοντέλο να μαθαίνει σχέσεις μεταξύ εισόδου και εξόδου.

6. Ερώτηση: Τι είναι το Confusion Matrix;
Α) Ένας τύπος γραφήματος.
Β) Πίνακας που μετράει τα σωστά και λάθος προβλέψεις σε ταξινόμηση.
Γ) Μέθοδος στατιστικής ανάλυσης.
Δ) Αλγόριθμος για δεδομένα.
Σωστή Απάντηση: Β
Εξήγηση: Το Confusion Matrix χρησιμοποιείται για την αξιολόγηση της απόδοσης μοντέλων ταξινόμησης, δείχνοντας True Positives, False Negatives κ.λπ.

7. Ερώτηση: Τι εννοούμε με τον όρο Bias σε μοντέλα Μηχανικής Μάθησης;
Α) Την υπερβολική προσαρμογή στα δεδομένα.
Β) Την συστηματική σφάλμα που προκαλεί το μοντέλο να μην μαθαίνει σωστά.
Γ) Την τυχαιότητα στα δεδομένα.
Δ) Μια μέθοδος βελτιστοποίησης.
Σωστή Απάντηση: Β
Εξήγηση: Το Bias αναφέρεται στην ελλιπή ικανότητα του μοντέλου να συλλάβει την πραγματική σχέση στα δεδομένα, οδηγώντας σε υψηλά σφάλματα.

8. Ερώτηση: Ποιος είναι ο αλγόριθμος k-means;
Α) Ένας αλγόριθμος ταξινόμησης.
Β) Αλγόριθμος για μη επιβλεπόμενη ομαδοποίηση δεδομένων.
Γ) Μέθοδος για γραμμική παλινδρόμηση.
Δ) Τύπος νευρωνικού δικτύου.
Σωστή Απάντηση: Β
Εξήγηση: Ο k-means χωρίζει τα δεδομένα σε k ομάδες βασιζόμενος στην απόσταση, βοηθώντας στην ανακάλυψη μοτίβων.

9. Ερώτηση: Ποια είναι η διαφορά μεταξύ Ταξινόμησης και Παλινδρόμησης;
Α) Και τα δύο είναι ίδια.
Β) Η Ταξινόμηση προβλέπει κατηγορίες, ενώ η Παλινδρόμηση προβλέπει συνεχείς τιμές.
Γ) Η Ταξινόμηση αφορά μόνο εικόνες.
Δ) Η Παλινδρόμηση είναι μόνο για δεδομένα χρόνου.
Σωστή Απάντηση: Β
Εξήγηση: Στην Ταξινόμηση, το αποτέλεσμα είναι διακριτό (π.χ. ναι/όχι), ενώ στην Παλινδρόμηση είναι συνεχές (π.χ. τιμή).

10. Ερώτηση: Τι είναι η Διασταυρούμενη Επαλήθευση (Cross-Validation);
Α) Μια μέθοδος για συλλογή δεδομένων.
Β) Τεχνική για αξιολόγηση μοντέλων χρησιμοποιώντας διαφορετικά υποσύνολα δεδομένων.
Γ) Αλγόριθμος για πρόβλεψη.
Δ) Τύπος γραφήματος.
Σωστή Απάντηση: Β
Εξήγηση: Η Cross-Validation μειώνει το overfitting ελέγχοντας το μοντέλο σε πολλαπλά διαχωρισμένα σύνολα δεδομένων.

11. Ερώτηση: Ποια βιβλιοθήκη Python χρησιμοποιείται συχνά για ανάλυση δεδομένων;
Α) Django.
Β) Pandas.
Γ) Flask.
Δ) Matplotlib μόνο.
Σωστή Απάντηση: Β
Εξήγηση: Το Pandas παρέχει εργαλεία για χειρισμό και ανάλυση δομημένων δεδομένων, όπως DataFrames.

12. Ερώτηση: Τι είναι τα Big Data;
Α) Μικρά σύνολα δεδομένων.
Β) Μεγάλα, σύνθετα σύνολα δεδομένων που απαιτούν ειδικές τεχνικές για ανάλυση.
Γ) Μόνο αριθμητικά δεδομένα.
Δ) Απλή βάση δεδομένων.
Σωστή Απάντηση: Β
Εξήγηση: Τα Big Data χαρακτηρίζονται από όγκο, ποικιλία και ταχύτητα, απαιτώντας εργαλεία όπως το Hadoop.

13. Ερώτηση: Ποιο είναι ένα ηθικό ζήτημα στην Επιστήμη Δεδομένων;
Α) Η ακρίβεια των προβλέψεων.
Β) Η προστασία της ιδιωτικότητας και η αποφυγή προκαταλήψεων.
Γ) Μόνο η ταχύτητα επεξεργασίας.
Δ) Η επιλογή αλγορίθμων.
Σωστή Απάντηση: Β
Εξήγηση: Η Επιστήμη Δεδομένων πρέπει να διασφαλίζει ότι τα δεδομένα χρησιμοποιούνται χωρίς να παραβιάζουν δικαιώματα ή να ενισχύουν διακρίσεις.

14. Ερώτηση: Τι είναι ένα Νευρωνικό Δίκτυο;
Α) Ένας απλός αλγόριθμος.
Β) Δίκτυο συνδεδεμένων κόμβων που μιμούνται τον ανθρώπινο εγκέφαλο για μάθηση.
Γ) Μέθοδος για δεδομένα κειμένου.
Δ) Τύπος στατιστικής.
Σωστή Απάντηση: Β
Εξήγηση: Τα Νευρωνικά Δίκτυα χρησιμοποιούνται για σύνθετες εργασίες όπως η αναγνώριση εικόνων μέσω βαθιάς μάθησης.

15. Ερώτηση: Ποια είναι μια εφαρμογή της Επιστήμης Δεδομένων;
Α) Μόνο σε ιατρική.
Β) Στην πρόβλεψη τάσεων αγοράς, ανάλυση κοινωνικών μέσων και αυτοματοποίηση αποφάσεων.
Γ) Σε μαγειρική.
Δ) Μόνο σε μαθηματικά.
Σωστή Απάντηση: Β
Εξήγηση: Η Επιστήμη Δεδομένων εφαρμόζεται σε πολλούς κλάδους για εξαγωγή insights από δεδομένα, βελτιώνοντας την αποτελεσματικότητα.