Hallo zusammen,
hier mein Gedächtnisprotokoll zur heutigen Klausur (Sorry Guys it’s in German):
- Reinforcement Learning Begriff und Hauptziel erklären
- Was macht Hyperparameter Epsilon in der Greedy Policy?
- Time Lag und Moving Average Feature in Diagramm einzeichnen
- Wofür braucht man diese Feature?
- Voraussetzungen für Predictive Quality erklären
- Einschätzung zu Algorithmus mit 95% Accuracy wenn mehr als 99% der Daten in einer Klasse (healthy) sind
- Training und Validation Error von SVM gegeben, Underfitting erkennen und eine Maßnahme erklären
- Möglichkeiten für Usage Monitoring einer Jet Engine nennen
- Einen Algorithmus für Prognosis nennen sowie je einen Vorteil und Nachteil davon
- RANDAC Formel (gegeben) nach n umstellen und für ein Intervall von e die benötigte Anzahl an Iterationen für gegebenes p mit 2D Daten bestimmen
- Welche Metrik verwenden, wenn man False Negatives vermeiden will? Dazu Formel angeben und Wert berechnen aus Matrix
- Accuracy von Dummy Classifier berechnen, der immer healthy predicted
- 3 Degradation curves waren gegeben und man sollte sagen welche Forecasting Assumptions violated sind (wie in der Altklausur 19/20)
- Verläufe des Abnutzungsvorrat bei unterschiedlichen Maintenance Strategien zeichnen und sagen welchen most cost-efficient ist
- Convolutional Filter auf Input Matrix anwenden (alle Werte waren 0 oder 1)
- Baumdiagramm mit ML Typen ausfüllen (Begriffe waren gegeben)
Allgemein war es zeitlich seehr locker, sodass ich nach einer halben Stunde quasi fertig war.