ML Non Supervisionato
K-Means, clustering gerarchico, DBSCAN, PCA, t-SNE, UMAP, silhouette score, elbow method
1Qual è la differenza principale tra apprendimento supervisionato e non supervisionato?
Qual è la differenza principale tra apprendimento supervisionato e non supervisionato?
Risposta
L'apprendimento non supervisionato lavora con dati non etichettati, cercando di scoprire strutture o pattern nascosti senza una variabile target predefinita. A differenza del supervisionato che predice un valore noto (label), il non supervisionato esplora i dati per trovare gruppi naturali, ridurre la dimensionalità o rilevare anomalie. Algoritmi come K-Means, PCA o DBSCAN sono esempi tipici di apprendimento non supervisionato.
2Come funziona l'algoritmo K-Means per partizionare i dati?
Come funziona l'algoritmo K-Means per partizionare i dati?
Risposta
K-Means è un algoritmo iterativo che partiziona i dati in K cluster. Inizializza K centroidi casualmente, poi alterna tra due passi: assegnare ogni punto al centroide più vicino (passo di assegnazione) e ricalcolare le posizioni dei centroidi come media dei punti assegnati (passo di aggiornamento). L'algoritmo converge quando le assegnazioni non cambiano più o dopo un numero massimo di iterazioni.
3Quale metodo usare per determinare il numero ottimale di cluster K in K-Means?
Quale metodo usare per determinare il numero ottimale di cluster K in K-Means?
Risposta
L'elbow method traccia l'inerzia (somma delle distanze al quadrato tra ogni punto e il suo centroide) rispetto a K. Il punto in cui la curva forma un gomito indica il K ottimale, poiché oltre ad esso aggiungere cluster non migliora più significativamente l'inerzia. Questo metodo è completato dal silhouette score per validare la qualità dei cluster.
Cosa misura il silhouette score nel contesto del clustering?
Qual è l'intervallo di valori del silhouette score e come interpretare un punteggio di 0.7?
+19 domande da colloquio
Altri argomenti di colloquio Data Science & ML
Fondamenti di Python
Programmazione Orientata agli Oggetti in Python
Strutture dati Python
Fondamenti di Git
Fondamenti di SQL
Fondamenti di NumPy
Fondamenti di Pandas
Jupyter & Google Colab
SQL Joins e query avanzate
Pandas avanzato
Visualizzazione con Matplotlib & Seaborn
Visualizzazioni interattive con Plotly
Statistica descrittiva
Statistica inferenziale
Web Scraping
BigQuery & Cloud Data
Feature Engineering
ML Supervisionato: Regressione
ML Supervisionato: Classificazione
Alberi Decisionali e Ensembles
Pipeline ML e Validazione
Serie Temporali e Previsione
Fondamenti di Deep Learning
TensorFlow & Keras
CNN e classificazione di immagini
RNN e Sequenze
Transformers e Attention
NLP e Hugging Face
GenAI e LangChain
MLOps e Deployment
Padroneggia Data Science & ML per il tuo prossimo colloquio
Accedi a tutte le domande, flashcards, test tecnici, esercizi di code review e simulatori di colloquio.
Inizia gratis