Lista delle Domande

Filtra per: Che approccio Che cosa si Che cosa è Che problemi Che tipo di Come avviene Come si Come sono i Con Con che tipo Con quali Cosa Cosa deve Cosa si Cosa sono gli Cosa sono i Cosa succede Cosa utilizza Cosa viene Cosa è il Cosa è la Reset filtro
61 / 152 domande visibili
ID Domanda Risposte Risposta Esatta Azioni
247 Che cosa è il Data Mining?
  • 1)
    Il processo che estrae fenomeni dai dati mediante l'applicazione di diversi algoritmi.
  • 2)
    Nessuna delle altre alternative
  • 3)
    Il processo che estrae nuova conoscenza o identifica pattern/modelli nei dati mediante l'applicazione di diversi algoritmi.
  • 4)
    Il processo che estrae dati dai fenomeni mediante l'applicazione di diversi algoritmi.
 1
248 Che cosa è un pattern?
  • 1)
    Una espressione in un determinato linguaggio che descrive i fatti di un sottoinsieme di registrazioni presenti in un database
  • 2)
    Una espressione in un determinato linguaggio che descrive modelli predittivi estratti da un sottoinsieme di registrazioni presenti in un database
  • 3)
    Nessuna delle altre alternative
  • 4)
    Una espressione in un determinato linguaggio che descrive modelli descrittivi estratti da un sottoinsieme di registrazioni presenti in un database
 1
250 Cosa si intende per knowledge elicitation?
  • 1)
    Il confronto fra gli esperti di uno specifico dominio e l'ingegnere della conoscenza al fine di aggiungere in fase di modellazione elementi che potrebbero non essere estraibili dai dati.
  • 2)
    Il confronto fra gli esperti informatici e l'ingegnere della conoscenza al fine di aggiungere in fase di modellazione elementi che potrebbero non essere estraibili dai dati.
  • 3)
    Nessuna delle altre alternative
  • 4)
    Il confronto fra gli esperti informatici e matematici al fine di aggiungere in fase di modellazione elementi che potrebbero non essere estraibili dai dati.
 1
251 Cosa si intende per knowledge elicitation?
  • 1)
    Il confronto fra gli esperti di uno specifico dominio e l'ingegnere della conoscenza al fine di aggiungere in fase di modellazione elementi che potrebbero non essere estraibili dai dati.
  • 2)
    Il confronto fra gli esperti informatici e l'ingegnere della conoscenza al fine di aggiungere in fase di modellazione elementi che potrebbero non essere estraibili dai dati.
  • 3)
    Nessuna delle altre alternative
  • 4)
    Il confronto fra gli esperti informatici e matematici al fine di aggiungere in fase di modellazione elementi che potrebbero non essere estraibili dai dati.
 1
255 Cosa succede durante un addestramento supervisionato?
  • 1)
    Nessuna delle altre alternative
  • 2)
    Vengono utilizzati dei dati che sono solo in parte etichettati. La parte restante e non etichettata viene utilizzata per la cross validation.
  • 3)
    Vengono utilizzati dei dati etichettati, ovvero dove si conosce il valore dell'uscita desiderata, sia essa una classe o il valore di una funzione, a fronte di un ingresso specifico.
  • 4)
    I dati che si utilizzano non sono etichettati e gli algoritmi di apprendimento mirano ad estrarre la conoscenza (i parametri del modello) senza avere una specifica conoscenza del dominio del problema.
 1
257 Che cosa è l'overfitting?
  • 1)
    È il fenomeno per cui in fase di addestramento un modello si adatta al campione osservato e perde la capacità di generalizzazione.
  • 2)
    È il fenomeno per cui in fase di addestramento un modello allontana molto dal campione osservato e assume una grande capacità di generalizzazione.
  • 3)
    Nessuna delle altre alternative
  • 4)
    È il fenomeno per cui in fase di addestramento un modello si adatta al campione osservato e assume una grande capacità di generalizzazione.
 1
258 Cosa succede durante un addestramento non supervisionato?
  • 1)
    Vengono utilizzati dei dati etichettati, ovvero dove si conosce il valore dell'uscita desiderata, sia essa una classe o il valore di una funzione, a fronte di un ingresso specifico.
  • 2)
    Vengono utilizzati dei dati che sono solo in parte etichettati. La parte restante e non etichettata viene utilizzata per la cross validation.
  • 3)
    I dati che si utilizzano non sono etichettati e gli algoritmi di apprendimento mirano ad estrarre la conoscenza (i parametri del modello) senza avere una specifica conoscenza del dominio del problema.
  • 4)
    Nessuna delle altre alternative
 1
260 Cosa sono gli istogrammi?
  • 1)
    Si tratta di visualizzazioni grafiche che consentono di sintetizzare con 5 valori le caratteristiche di una distribuzione. Tali valori sono: minimo, massimo, mediana, primo quartile, terzo quartile.
  • 2)
    Sono dei grafici che consentono di verificare rapidamente se due variabili sono correlate (dipendenti linearmente) fra di loro.
  • 3)
    Sono dei diagrammi che consentono di visualizzare la frequenza con cui si distribuiscono i dati divisi in classi (banalmente in intervalli).
  • 4)
    Nessuna delle altre alternative.
 1
261 Cosa sono gli scatter plot?
  • 1)
    Sono dei diagrammi che consentono di visualizzare la frequenza con cui si distribuiscono i dati divisi in classi (banalmente in intervalli).
  • 2)
    Si tratta di visualizzazioni grafiche che consentono di sintetizzare con 5 valori le caratteristiche di una distribuzione. Tali valori sono: minimo, massimo, mediana, primo quartile, terzo quartile.
  • 3)
    Nessuna delle altre alternative.
  • 4)
    Sono dei grafici che consentono di verificare rapidamente se due variabili sono correlate (dipendenti linearmente) fra di loro.
 1
262 Cosa sono i box plot?
  • 1)
    Sono dei grafici che consentono di verificare rapidamente se due variabili sono correlate (dipendenti linearmente) fra di loro.
  • 2)
    Si tratta di visualizzazioni grafiche che consentono di sintetizzare con 5 valori le caratteristiche di una distribuzione. Tali valori sono: minimo, massimo, mediana, primo quartile, terzo quartile.
  • 3)
    Sono dei diagrammi che consentono di visualizzare la frequenza con cui si distribuiscono i dati divisi in classi (banalmente in intervalli).
  • 4)
    Nessuna delle altre alternative.
 1
263 Che cosa è la mediana di una variabile casuale X?
  • 1)
    È l'indicatore che indica quale è il valore di X che si presenta più frequentemente nei dati.
  • 2)
    È un indice di posizione: una volta ordinati tutti i valori assunti da X, la mediana si calcola estraendo il valore del campione che divide la distribuzione in due popolazioni di eguali dimensioni.
  • 3)
    È un indicatore che sostanzialmente si calcola come il valor medio.
  • 4)
    È una media pesata.
 2
264 Che cosa è la moda di una variabile casuale X?
  • 1)
    È un indicatore che sostanzialmente si calcola come il valor medio.
  • 2)
    È un indice di posizione: una volta ordinati tutti i valori assunti da X, la moda si calcola estraendo il valore del campione che divide la distribuzione in due popolazioni di eguali dimensioni.
  • 3)
    È una media pesata.
  • 4)
    È l'indicatore che indica quale è il valore di X che si presenta più frequentemente nei dati.
 4
267 Cosa si intende per riduzione della dimensionalità?
  • 1)
    Si parla di riduzione dimensionale quando i dati sono sostituiti da dati sottocampionati.
  • 2)
    Si parla di riduzione dimensionale quando i dati sono sostituiti da delle rappresentazioni di più piccole dimensioni si parla di riduzione della numerosità (esempio uso di cluster o istogrammi).
  • 3)
    Nessuna delle altre alternative.
  • 4)
    Si parla di riduzione dimensionale quando vengono applicate delle tecniche per codificare i dati secondo degli schemi precisi al fine di ottenere una rappresentazione compressa o ridotta dei dati originali (esempio uso di Trasformate o tecniche di selezione di attributi).
 4
271 Con quali tecniche si gestiscono i missing value?
  • 1)
    Data cleaning
  • 2)
    Data Transformation
  • 3)
    Data Reduction
  • 4)
    Nessuna delle altre alternative
 1
275 Cosa si intende per riduzione dei dati lossy?
  • 1)
    La tecnica utilizzata per la riduzione consente di ricostruire i dati originali solo tramite una approssimazione degli stessi
  • 2)
    La tecnica utilizzata consente di ricostruire i dati originali da quelli ridotti senza alcuna perdita di informazione
  • 3)
    La tecnica utilizzata per la riduzione non consente di ricostruire i dati originali
  • 4)
    Nessuna delle altre alternative
 1
277 Cosa si intende per riduzione dei dati lossless?
  • 1)
    La tecnica utilizzata consente di ricostruire i dati originali da quelli ridotti senza alcuna perdita di informazione
  • 2)
    La tecnica utilizzata per la riduzione consente di ricostruire i dati originali solo tramite una approssimazione degli stessi
  • 3)
    Nessuna delle altre alternative
  • 4)
    La tecnica utilizzata per la riduzione non consente di ricostruire i dati originali
 1
281 Cosa si intende per splitting?
  • 1)
    È una tecnica di discretizzazione basata sul binning
  • 2)
    È la fase di un processo di discretizzazione in cui gli attributi vengono trasformati in modo che abbiano tutti lo stesso peso o influenza
  • 3)
    È una tecnica di discretizzazione basata sul clustering
  • 4)
    È una fase di un processo di discretizzazione in cui si identificano ricorsivamente uno o più punti in cui suddividere gli intervalli di definizione degli attributi
 4
288 Che tipo di distanza si può utilizzare fra due punti descritti da variabili binarie asimmetriche?
  • 1)
    SMC
  • 2)
    Jaccard
  • 3)
    Minkowski
  • 4)
    Lagrange-Tchebychev
 2
289 Che tipo di distanza si può utilizzare fra due punti descritti da variabili binarie simmetriche?
  • 1)
    Jaccard
  • 2)
    SMC
  • 3)
    Lagrange-Tchebychev
  • 4)
    Minkowski
 2
293 Che tipo di distanza si può usare fra due istanze descritte con attributi di tipologia mista?
  • 1)
    Lagrange-Tchebychev
  • 2)
    Nessuna delle altre alternative
  • 3)
    Minkowski
  • 4)
    Euclidea
 2
294 Che tipo di apprendimento si utilizza quando si creano modelli per il clustering?
  • 1)
    Non supervisionato
  • 2)
    Supervisionato
  • 3)
    Parzialmente supervisionato
  • 4)
    Semi-supervisionato
 1
296 Con riferimento agli algoritmi di clustering, quali delle seguenti affermazioni è falsa?
  • 1)
    Non ci sono classi predefinite, l'apprendimento del modello non avviene utilizzando esempi etichettati
  • 2)
    È sempre noto a priori il numero di cluster da cercare
  • 3)
    Gli algoritmi di clustering aspirano a trovare gruppi nei dati in modo tale che la somiglianza dei dati all'interno dello stesso gruppo sia alta e sia bassa per punti appartenenti a gruppi diversi.
  • 4)
    Gli algoritmi di clustering possono essere utilizzati per la compressione dei dati
 2
307 Che cosa è un dendogramma?
  • 1)
    È un diagramma ad albero che mostra le sequenze di fusioni fra cluster generati man mano da un algoritmo di clustering partizionale
  • 2)
    È un diagramma ad albero che mostra le sequenze di fusioni fra cluster generati man mano da un algoritmo di clustering density-based
  • 3)
    È un diagramma ad albero che mostra le sequenze di fusioni fra cluster generati man mano da un algoritmo di clustering gerarchico
  • 4)
    Nessuna delle altre alternative
 3
312 Cosa rappresenta il parametro Epsilon dell'algoritmo di clustering DBSCAN?
  • 1)
    Il minimo raggio del vicinato
  • 2)
    Nessuna delle altre alternative
  • 3)
    Il massimo raggio del vicinato
  • 4)
    Il valor medio del raggio del vicinato
 3
313 Che cosa è il supporto di una regola associativa?
  • 1)
    È la frequenza delle transazioni nel database che verificano l'antecedente della regola
  • 2)
    È la frequenza delle transazioni nel database che verificano la regola rispetto a quelle che ne verificano l'antecedente
  • 3)
    Nessuna delle altre alternative
  • 4)
    È la frequenza relativa delle transazioni nel database che verificano la regola
 1
314 Che cosa è la confidenza di una regola associativa?
  • 1)
    È la frequenza delle transazioni nel database che verificano la regola rispetto a quelle che ne verificano l'antecedente
  • 2)
    È la frequenza delle transazioni nel database che verificano l'antecedente della regola
  • 3)
    È la frequenza relativa delle transazioni nel database che verificano la regola
  • 4)
    Nessuna delle altre alternative
 1
317 Che cosa è una regola associativa?
  • 1)
    È un'implicazione della forma X->Y, dove X è un itemset ed Y è un item
  • 2)
    È un'implicazione della forma X->Y, dove X e Y sono degli item
  • 3)
    È un'implicazione della forma X->Y, dove X e Y sono degli itemset
  • 4)
    È un'implicazione della forma X->Y, dove X è un item ed Y è un itemset
 1
318 Cosa è la Market Basket Analysis?
  • 1)
    Nessuna delle altre alternative
  • 2)
    Una analisi ha l'obiettivo di studiare la regolarità, all'interno delle transazioni registrate, nelle vendite dei supermercati
  • 3)
    Una analisi ha l'obiettivo di studiare la regolarità, all'interno delle transazioni registrate, nel contesto del mercato giocatori di pallacanestro
  • 4)
    Una analisi ha l'obiettivo di studiare come assumere i dipendenti nelle pubbliche amministrazioni americane
 2
319 Che cosa è un itemset?
  • 1)
    Un insieme di articoli
  • 2)
    Un insieme di transazioni
  • 3)
    Nessuna delle altre alternative
  • 4)
    Un insieme di regole
 1
322 Che cosa è un itemset frequente?
  • 1)
    Un itemset con confidenza minore di un valore stabilito
  • 2)
    Un itemset con supporto minore di un valore stabilito
  • 3)
    Un itemset con supporto maggiore di un valore stabilito
  • 4)
    Un itemset con confidenza maggiore di un valore stabilito
 3
325 Che approccio usa APRIORI per la generazione di regole associative?
  • 1)
    L'algoritmo Apriori usa un approccio per livelli per generare le regole associative. Ogni livello corrisponde al numero di item che appartengono all'antecedente.
  • 2)
    L'algoritmo Apriori usa un approccio ricorsivo per generare le regole associative. Ogni livello di ricorsione corrisponde al numero di item che appartengono al conseguente.
  • 3)
    L'algoritmo Apriori usa un approccio ricorsivo per generare le regole associative. Ogni livello di ricorsione corrisponde al numero di item che appartengono all'antecedente.
  • 4)
    L'algoritmo Apriori usa un approccio per livelli per generare le regole associative. Ogni livello corrisponde al numero di item che appartengono al conseguente.
 1
327 Con riferimento all'algoritmo FP-growth, quante scansioni del database vengono effettuate per la generazione dell'FP-tree?
  • 1)
    Due
  • 2)
    Una sola
  • 3)
    Tante quanti sono gli item frequenti
  • 4)
    Non serve scansionare il database
 1
329 Con riferimento all'algoritmo FP-growth, cosa viene fatto durante la seconda scansione nella fase di generazione dell'FP-tree?
  • 1)
    1), Si identificano tutti gli itemset frequenti dal database, 2) Si crea una lista L degli itemset frequenti ordinati secondo il loro supporto o frequenza
  • 2)
    Si crea effettivamente l'albero
  • 3)
    1), Si identificano tutti gli 1-temset frequenti dal database, 2) Si crea una lista L degli 1-itemset frequenti ordinati secondo il loro supporto o frequenza
  • 4)
    1), Si identificano tutti gli itemset frequenti dal database, 2) Si crea una lista L degli itemset frequenti ordinati secondo la loro confidenza
 3
330 Con riferimento all'algoritmo FP-growth, cosa viene fatto nei primi due passi della generazione dell'FP-tree?
  • 1)
    1), Si identificano tutti gli 1-temset frequenti dal database, 2) Si crea una lista L degli 1-itemset frequenti ordinati secondo il loro supporto o frequenza
  • 2)
    1), Si identificano tutti gli itemset frequenti dal database, 2) Si crea una lista L degli itemset frequenti ordinati secondo la loro confidenza
  • 3)
    1), Si identificano tutti gli itemset frequenti dal database, 2) Si crea una lista L degli itemset frequenti ordinati secondo il loro supporto o frequenza
  • 4)
    1), Si identificano tutti gli 1-temset frequenti dal database, 2) Si crea una lista L degli 1-itemset frequenti ordinati secondo la loro confidenza
 3
332 Con riferimento all'algoritmo FP-growth, che filosofia si utilizza per la generazione degli itemset frequenti?
  • 1)
    Si segue un approccio top-down: si parte ad esplorare l'albero dei pattern frequenti a partire dalla radice verso le foglie
  • 2)
    Nessuna delle altre alternative
  • 3)
    Si segue un approccio bottom-up: si parte ad esplorare l'albero dei pattern frequenti a partire dalle foglie verso la radice
  • 4)
    Si segue un approccio random: si parte ad esplorare l'albero dei pattern frequenti a caso
 3
336 Cosa si intende per classificazione binaria?
  • 1)
    Nessuna delle altre alternative
  • 2)
    Gli attributi per la descrizione degli oggetti sono tutti binari
  • 3)
    Si considerano solo due classi
  • 4)
    Gli attributi per la descrizione degli oggetti sono in parte binari
 3
338 Che tipo di apprendimento si utilizza quando si creano modelli di classificazione?
  • 1)
    Semi supervisionato
  • 2)
    Nessuna delle altre alternative
  • 3)
    Non supervisionato
  • 4)
    Supervisionato
 4
339 Come sono i dataset che in genere si utilizzano nel contesto della classificazione?
  • 1)
    Etichettati
  • 2)
    Filtrati
  • 3)
    Senza valori mancanti
  • 4)
    Non etichettati
 1
342 Che tipo di problema risolvono gli alberi di decisione?
  • 1)
    Generazione di regole associative tramite APRIORI
  • 2)
    Nessuna delle altre alternative
  • 3)
    Clustering
  • 4)
    Classificazione
 4
343 Cosa rappresenta ogni nodo interno in un albero di decisione?
  • 1)
    Nessuna delle altre alternative
  • 2)
    Un possibile valore di un attributo
  • 3)
    Il valore predetto per la classe
  • 4)
    Un attributo
 4
344 Cosa rappresenta una foglia in un albero di decisione?
  • 1)
    Nessuna delle altre alternative
  • 2)
    Il valore predetto per la classe
  • 3)
    Un attributo
  • 4)
    Un possibile valore di un attributo
 2
345 Con riferimento agli alberi di decisione, che filosofia si utilizza per la generazione della classe stimata?
  • 1)
    Si segue un approccio bottom-up: si parte ad esplorare l'albero a partire dalle foglie verso la radice
  • 2)
    Nessuna delle altre alternative
  • 3)
    Si segue un approccio random: si parte ad esplorare l'albero a caso
  • 4)
    Si segue un approccio top-down: si parte ad esplorare l'albero dalla radice verso le foglie
 4
349 Con che tipo di attributi lavora il classificatore ID3?
  • 1)
    Nominali
  • 2)
    Numerici
  • 3)
    Stringhe
  • 4)
    Nessuna delle altre alternative
 1
350 Che cosa si usa come misura di rilevanza degli attributi nell'algoritmo ID3?
  • 1)
    Information gain
  • 2)
    Distanza euclidea
  • 3)
    Distanza coseno
  • 4)
    Nessuna delle altre alternative
 1
352 Che tipo di attributi può gestire senza pre-elaborazione il classificatore C45 rispetto al classificatore ID3?
  • 1)
    Stringhe
  • 2)
    Numerici
  • 3)
    Nominali
  • 4)
    Nessuna delle altre alternative
 2
355 Cosa utilizza l'algoritmo CART per misurare l'impurità di un database o di un generico insieme di transazioni?
  • 1)
    Il gain ratio
  • 2)
    La distanza coseno
  • 3)
    L'indice di Gini
  • 4)
    L'information gain
 3
360 Come avviene la classificazione di un nuovo punto quando si utilizza il classificatore KNN?
  • 1)
    Nessuna delle altre alternative
  • 2)
    Si considerano tutti i K punti del training set vicini al punto da classificare e si sceglie a caso la classe che ricorre maggiormente fra i vicini
  • 3)
    Si considerano tutti il punto del training set più vicino al punto da classificare e si sceglie la classe associata a tale punto
  • 4)
    Si costruisce il modello dove i parametri sono ottenuti con il metodo dei minimi quadrati e si stima con i parametri ottenuti la classe
 3
364 Cosa è il rote classifier?
  • 1)
    Il più semplice classificatore neurale
  • 2)
    Nessuna delle altre alternative
  • 3)
    Il più semplice classificatore lazy
  • 4)
    Il più semplice classificatore bayesiano
 3
366 Con riferimento ai classificatori basati su regole, cosa è la copertura di una regola?
  • 1)
    Frazione delle istanze nel database che soddisfano antecedente e conseguente rispetto alla copertura
  • 2)
    Nessuna delle altre alternative
  • 3)
    Frazione delle istanze che hanno portato alla generazione della regola
  • 4)
    Frazione delle istanze nel database che soddisfano l'antecedente
 4
367 Con riferimento ai classificatori basati su regole, cosa è l'accuratezza di una regola?
  • 1)
    Frazione delle istanze nel database che soddisfano antecedente e conseguente rispetto alla copertura
  • 2)
    Frazione delle istanze che hanno portato alla generazione della regola
  • 3)
    Nessuna delle altre alternative
  • 4)
    Frazione delle istanze nel database che soddisfano l'antecedente
 1
368 Con riferimento ai classificatori basati su regole, cosa sono le regole mutuamente esclusive?
  • 1)
    Un insieme di regole R è detto mutuamente esclusivo se esiste una regola per ogni combinazione di valori degli attributi
  • 2)
    Un insieme di regole R è detto mutuamente esclusivo se nessuna coppia di regole può essere attivata da più di due istanze
  • 3)
    Un insieme di regole R è detto mutuamente esclusivo se nessuna coppia di regole può essere attivata dalla stessa istanza
  • 4)
    Nessuna delle altre alternative
 3
369 Con riferimento ai classificatori basati su regole, cosa sono le regole esaustive?
  • 1)
    Nessuna delle altre alternative
  • 2)
    Un insieme di regole R ha una copertura esaustiva se nessuna coppia di regole può essere attivata dalla stessa istanza
  • 3)
    Un insieme di regole R ha una copertura esaustiva se nessuna coppia di regole può essere attivata da più di due istanze
  • 4)
    Un insieme di regole R ha una copertura esaustiva se esiste una regola per ogni combinazione di valori degli attributi
 4
371 Cosa deve simulare un percettrone?
  • 1)
    Il funzionamento di un neurone
  • 2)
    Il funzionamento del cervello
  • 3)
    Il funzionamento di un assone
  • 4)
    Il funzionamento di una rete neurale
 1
373 Che cosa è il percettrone?
  • 1)
    L'elemento base dell'FP-growth
  • 2)
    L'elemento base degli alberi di decisione
  • 3)
    L'elemento base delle reti neurali artificiali
  • 4)
    L'elemento base per il clustering
 3
374 Cosa significa addestrare un percettrone?
  • 1)
    Identificare il numero di ingressi
  • 2)
    Nessuna delle altre alternative
  • 3)
    Identificare il numero di pesi
  • 4)
    Identificare il numero di neuroni
 3
376 Come si chiama l'algoritmo di apprendimento dei parametri di un percettrone?
  • 1)
    Back propagation
  • 2)
    Nessuna delle altre alternative
  • 3)
    Delta rule
  • 4)
    Sequential covering
 3
378 Come avviene la generazione dei pesi iniziali nell'algoritmo backpropagation?
  • 1)
    A caso
  • 2)
    Nessuna delle altre alternative
  • 3)
    Con il metodo dei minimi quadrati
  • 4)
    Con la propagazione all'indietro dell'errore
 1
382 Che problemi possono essere risolti con le reti neurali feedforward?
  • 1)
    Clustering
  • 2)
    Ottimizzazione
  • 3)
    Classificazione
  • 4)
    Generazione di regole associative
 3
383 Come si chiama l'algoritmo di apprendimento delle reti feedforward?
  • 1)
    Deltra rule
  • 2)
    Sequential covering
  • 3)
    Nessuna delle altre alternative
  • 4)
    Back propagation
 4
387 Cosa viene riportato sugli assi di una curva ROC?
  • 1)
    TNR, FPR
  • 2)
    TPR, FPR
  • 3)
    TPR, TNR
  • 4)
    Nessuna delle altre alternative
 2
1381 Cosa si intende per riduzione dei dati lossless?
  • 1)
    La tecnica utilizzata consente di ricostruire i dati originali da quelli ridotti senza alcuna perdita di informazione
  • 2)
    La tecnica utilizzata per la riduzione consente di ricostruire i dati originali solo tramite una approssimazione degli stessi
  • 3)
    Nessuna delle altre alternative
  • 4)
    La tecnica utilizzata per la riduzione non consente di ricostruire i dati originali
 1