Quiz dotyczący sztucznej inteligencji w systemach rekomendacji

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Na czym opiera się filtrowanie kooperacyjne?
   • Wzorce preferencji wielu użytkowników
   • Kolory użyte w obrazie elementu
   • Długość opisów produktów
   • Losowe przetasowanie katalogu
2. Czego używa filtrowanie oparte na treści do tworzenia rekomendacji?
   • Tylko pora dnia
   • Cechy przedmiotów i Twoje wcześniejsze preferencje
   • Cena akcji spółki
   • Rzut monetą
3. Jaki problem rozwiązuje faktoryzacja macierzy u rekomendatorów?
   • Szyfrowanie haseł użytkowników
   • Kompresja plików wideo
   • Przekształcanie rzadkiej macierzy elementów użytkownika w zwarte wektory ukryte
   • Kierowanie ruchu internetowego
4. Na czym polega problem „zimnego startu”?
   • Serwery są zbyt zimne, aby działać
   • Wirus zawieszający konta
   • Zalecenia pracy tylko w zimie
   • Trudność w polecaniu nowym użytkownikom lub przedmiotom bez historii
5. Jaki konkurs pomógł spopularyzować badania rekomendacyjne?
   • Nagroda Netflixa
   • Nagroda Turinga
   • Nagroda Nobla
   • Konkurs Eurowizji
6. What did Meyer and colleagues propose the Average Measure of Impact to evaluate?
   • Image classification accuracy
   • The impact of personalized recommendations on usefulness and trust
   • The number of ratings stored in a matrix
   • The GPU memory used by a recommender
7. Which metric is designed to assess the quality of a ranked top-K recommendation list?
   • Mean absolute error on a single rating only
   • Pixel accuracy
   • NDCG@K
   • Poziom błędu słowa
8. Why can a low rating-prediction error fail to guarantee a good recommendation list?
   • RMSE directly measures user satisfaction for every ranking
   • Every user sees every catalog item
   • A rating model cannot use user-item data
   • Rating accuracy and top-item ranking quality are different objectives