Основы нейронных сетей Синергия Ответы на тесты 1-7, итоговый тест, компетентностный

Представлены ответы на большинство вопросов по предмету "Основы нейронных сетей" (Темы 1-7).

Результат сдачи зависит от попавшихся вопросов.

Мой итоговый набранный балл 100 из 100 (Скриншот прилагаю).

ВНИМАНИЕ! Покупайте работу, только убедившись, что ваши вопросы совпадают с представленными ниже. Для этого рекомендую сначала запустить тест и сверить хотя бы несколько вопросов.

УЧЕБНЫЕ МАТЕРИАЛЫ

• Введение в курс
• Тема 1. Понятие биологического и искусственного нейрона
• Тема 2. Искусственные нейронные сети
• Тема 3. Процедуры обучения
• Тема 4. Введение в нейроуправление
• Тема 5. Традиционные схемы управления
• Тема 6. Нейроуправление в пакете MatLab
• Тема 7. Схемы нейронного управления
• Заключение
• Итоговая аттестация

ТЕСТ 1

Биологические нейроны могут создавать связи, называемые …

Взвешенная сумма (net) в контексте искусственной нейронной сети – это …

• сумма всех входных сигналов
• произведение всех весов
• сумма взвешенных сигналов

Внутри клеточного тела находится … , которое содержит генетическую информацию

Вы стажируетесь в компании, занимающейся исследованиями в области машинного обучения, и вам поручили создать тест на знание основ нейронных сетей. Какое из следующих определений наилучшим образом описывает понятие «нейронная сеть»?

• Нейронная сеть — это программы, которые пытаются имитировать способность человеческого мозга к анализу данных, распознаванию образов и принятию решений.
• Нейронная сеть — это технология, используемая для соединения компьютеров в распределенную сеть для обработки больших объёмов данных.
• Нейронная сеть — это вычислительная технология, применяемая для оптимизации работы центрального процессора в компьютере.

Для разных типов искусственных нейронов используют самые разные функции …

Каждая связь между нейронами в сети характеризуется …

• весом
• длиной
• цветом
• силой

Синапсы в контексте искусственной нейронной сети – это …

• циркулирующие числа
• связи между нейронами
• веса прямого прохода

Сопоставьте компоненты биологического нейрона с их функциями:

A. Дендриты

B. Аксон

C. Синапсы

D. прием сигналов от других нейронов

E. передача сигнала другим нейронам

F. соединение с другими нейронами для передачи сигналов

Сумматор внутри искусственного нейрона …

• умножает входные сигналы на свои веса
• преобразует взвешенную сумму в исходный сигнал
• суммирует входные сигналы, умноженные на соответствующие веса

У нейрона есть … - более длинная и одиночная ветвь, которая передает электрические импульсы другим нейронам

Упорядочьте компоненты биологического нейрона по мере прохождения сигнала:

1 клеточное тело

2 дендриты

3 аксон

4 синапсы

ТЕСТ 2

… функция активации используется в последнем слое многослойной нейронной сети для решения задачи классификации с множеством классов

В финансовой сфере однослойная нейронная сеть может выполнять следующие функции …

• аппроксимация функций и обработка текста
• прогнозирование цен на акции и спроса на товары
• анализ клиентской базы данных и управление складскими запасами
• разработка рекламных кампаний и маркетинговых стратегий

Ваша компания хочет разработать систему автоматической классификации электронных писем на спам и не спам. Какой тип нейронной сети вы бы предложили использовать в этой системе, и почему?

• Сверточная нейронная сеть, так как она хорошо подходит для анализа изображений и текстов.
• Рекуррентная нейронная сеть, потому что она учитывает контекст и последовательность в данных, что важно для анализа текста.
• Глубокая нейронная сеть прямого распространения, так как она позволяет обучаться на больших данных и выявлять сложные зависимости между входными и выходными данными в процессе обучения.

Внутренний слой однослойной нейронной сети …

• принимает данные от выходного слоя
• вычисляет взвешенную сумму входов с применением активационной функции
• принимает данные от входного слоя
• отправляет данные выходному слою

Входной слой принимает входные данные и передает их нейронам … слоя

Выходной слой принимает выходные значения от нейронов внутреннего слоя и генерирует … выходные данные

Однослойная нейронная сеть может быть использована в следующих областях …

• медицина, автоэлектроника, аэрокосмическая промышленность
• компьютерное зрение, медицина, финансы
• промышленное производство, развлекательная индустрия, сельское хозяйство
• недвижимость, политика, образование

Однослойная нейронная сеть может использоваться для …

• решения задачи классификации
• аппроксимации функций
• управления роботами
• проектирования баз данных

Однослойные нейронные сети могут использоваться для … данных

Сопоставьте архитектуру нейронной сети с ее описанием:

A. Полносвязанная сеть

B. Сверточная сеть

C. Рекуррентная сеть

D. каждый нейрон предыдущего слоя связан с каждым нейроном следующего слоя

E. хорошо подходит для анализа изображений

F. подходит для обработки последовательностей и временных рядов

Упорядочьте этапы обучения нейронной сети в правильной последовательности:

1 инициализация весов

2 применение функции активации

3 обратное распространение ошибки

ТЕСТ 3

Backpropagation – это метод … распространения

Алгоритмы обучения нейросетей без учителя используют данные без классификации или …

Вы разрабатываете нейронную сеть для предсказания цен на недвижимость. Вам необходимо выбрать метод оптимизации для обучения нейронной сети. У вас есть большой объем данных и важно, чтобы метод был эффективным и быстро сходился. Какой метод оптимизации наиболее подходит для обучения нейронной сети в данной ситуации?

• Стохастический градиентный спуск (SGD).
• Метод имитации отжига (Simulated Annealing).
• Метод адам (Adam).

Обучение без учителя применяют для кластеризации, языковых моделей, обнаружения … , статистических моделей

Обучение нейронных сетей без учителя от обучения с учителем отличает …

• наличие эталонных ответов
• корректировка весовых коэффициентов
• необходимость трансформации ответа в понятную форму
• использование данных без классификации или меток

Обучение с учителем подходит для решения вопросов, в которых известен требуемый …

Принцип обучения нейронных сетей, который подразумевает необходимость наличия эталонных ответов, — это обучение …

• с учителем
• без учителя
• с подкреплением
• посредством трансферного обучения

Сопоставьте фазу процедуры backpropagation с ее описанием:

A. Прямое распространение (forward propagation)

B. Расчет градиента (gradient calculation)

C. Обновление весов (weight update)

D. процесс, при котором данные проходят через сеть от входа к выходу

E. вычисление частных производных функции потерь по всем весам сети

F. использование градиента для обновления весов сети

Типы задач, которые хорошо подходят для обучения нейронных сетей без учителя, — это …

• прогнозирование
• функции аппроксимации
• кластеризация
• распознавание звуков

Типы задач, которые хорошо подходят для обучения нейронных сетей с учителем, — это …

• кластеризация
• распознавание звуков
• языковые модели
• функции аппроксимации

Упорядочьте этапы процедуры обучения нейронной сети в порядке их выполнения:

1 подача входных данных и вычисление выхода сети

2 расчет ошибки между ожидаемым и фактическим выходом

3 корректировка весов сети для уменьшения ошибки

ТЕСТ 4

Важным аспектом многослойного … является его способность обучаться по данным

Вы инженер, работающий над созданием автопилота для беспилотного летательного аппарата (БПЛА). Вам нужно определить подходящий метод управления для обеспечения безопасных и стабильных полетов.

Какой метод управления наиболее подходит для обеспечения стабильности и безопасности полетов в контексте разработки автопилота для беспилотного летательного аппарата?

• Метод глубокого обучения (Deep Learning).
• Пропорционально-дифференциально-интегральный контроллер (PID-регулятор).
• Генетические алгоритмы.

Нейронные сети обладают высокой устойчивостью к … и неопределенности в данных

Нейронные сети способны моделировать и … сложные нелинейные функции

Особенность нейронных сетей, которая делает их особенно полезными для управления системами с нелинейной динамикой и адаптацией к изменяющимся условиям окружающей среды, — это …

• способность к работе с нелинейными системами
• параллельная обработка информации
• способность к обучению на основе данных
• устойчивость к шуму и неопределенности

Особенность нейронных сетей, которая позволяет им быстро адаптироваться к изменяющимся условиям и оптимизировать свою работу в реальном времени, — это …

• способность к работе с нелинейными системами
• способность к обучению на основе данных
• параллельная обработка информации
• устойчивость к шуму и неопределенности

Особенность нейронных сетей, которая позволяет им быстро анализировать большие объемы данных и принимать решения в реальном времени в условиях автоматического управления, — это …

• способность к работе с нелинейными системами
• параллельная обработка информации
• способность к обучению на основе данных
• устойчивость к шуму и неопределенности

Особенность нейронных сетей, которая позволяет им эффективно моделировать нелинейные системы и управлять ими, — это …

• способность к работе с нелинейными системами
• параллельная обработка информации
• способность к обучению на основе данных
• устойчивость к шуму и неопределенности

Рекуррентные нейронные сети обладают способностью запоминать и использовать информацию из предыдущих временных шагов при обработке … данных

Сопоставьте архитектуру нейронной сети с областью ее применения:

A. Простые нейронные сети

B. Сверточные нейронные сети

C. Многослойные персептроны

D. автономное управление автономными автомобилями

E. управление умным домом

F. автономная навигация для роботов

Упорядочьте этапы обучения нейронной сети для автоматического управления в порядке их выполнения:

1 подача входных данных

2 обработка данных в слоях сети

3 корректировка весов связей в сети

4 принятие решений и управление

ТЕСТ 5

… составляющая накапливает ошибку регулирования

Вы управляете проектом разработки нейронной сети для распознавания лиц. Какую традиционную схему управления нейросетями вы выберете для этого проекта?

• Водопадная модель управления, в которой процесс разработки разделен на последовательные этапы: сбор и анализ требований, проектирование, реализация, тестирование и внедрение.
• Инкрементная модель управления, в которой функциональность нейронной сети постепенно увеличивается на каждой итерации разработки, начиная с базовой версии.
• Эволюционная модель управления, в которой процесс разработки нейросети осуществляется через циклы развития, каждый из которых включает в себя этапы: планирование, разработка, тестирование и пересмотр требований.

Ключевым элементом любой САУ является …

Ключевым элементом любой системы автоматического управления является …

• датчик
• индикатор
• регулятор
• привод

Одной из разновидностей регуляторов является …-интегрально-дифференцирующий регулятор

Одной из разновидностей регуляторов является регулятор …

• простой
• сложный
• пропорционально-интегрально-дифференцирующий (ПИД-регулятор)
• с обратной связью

Системы автоматического … предназначены для автоматического изменения одного или нескольких параметров объекта управления

Системы автоматического управления могут использовать игры …

• логические
• на бумаге
• моделирующие реальные физические процессы

Сопоставьте этапы каскадной модели управления нейросетями с их описаниями:

A. Разработка

B. Тестирование

C. Внедрение

D. нейросеть внедряется в реальное рабочее окружение и начинает активное использование

E. происходит создание архитектуры нейросети и программирование ее поведения

F. проверяется работоспособность нейросети, ее точность и устойчивость

Упорядочьте этапы каскадной модели управления нейросетями в правильной последовательности:

1 сбор требований

2 тестирование

3 внедрение

4 внедрение

Целью системы автоматического управления (САУ) является …

• проведение научных экспериментов
• установление требуемого режима работы объекта управления
• увеличение производственной мощности
• создание новых материалов

ТЕСТ 6

Ваша компания разрабатывает автономные системы управления для беспилотных авиационных аппаратов. Вы ищете программное обеспечение для реализации нейроуправления в системе. Какая из программных систем является наиболее подходящей для этой цели?

• MATLAB с Neural Network Toolbox.
• Microsoft Word.
• Adobe Photoshop.

Для обучения созданной сети, выбирается закладка …

Для работы алгоритма требуется, чтобы характеристика вход-выход нейроподобных элементов была неубывающей и имела ограниченную …

Пакет Neural Networks Toolbox для MATLAB включает в себя … различных функций

• 50
• 100
• 160
• 200

Процесс настройки сети получил название «… сети»

Создание сети завершается нажатием кнопки ….

Сопоставьте понятия и их определения:

A. Transport Delay

B. Transfer Fcn

C. Ramp

D. транспортная задержка

E. передаточная функция

F. Наклон

Тип нейронной сети, который использует MATLAB для создания обобщенно-регрессионной НС (GRNN), — это …

• однослойный перцептрон
• многослойный перцептрон
• сеть Ворда
• GRNN

Тип функциональной зависимости, который реализует созданная нейронная сеть a, согласно предоставленным данным, — это …

• y = x
• y = x^2
• y = sin(x)
• y = e^x

Упорядочьте этапы построения нейронной сети в пакете MatLab в правильной последовательности:

1 выбор типа нейронной сети (например, обучение с учителем или без учителя)

2 определение числа слоев и нейронов в каждом слое

3 задание функции активации для каждого слоя

4 выбор метода обучения и параметров обучения

5 установка критерия останова

Экспериментальные данные для создания нейронной сети a используются в диапазоне …

• (-∞, ∞)
• (0, ∞)
• (-1, 1)
• (0, 1)

ТЕСТ 7

Аксон искусственного нейрона – это …

• функция активации
• аксон, обеспечивающий связь нейрона с нейронами следующего слоя
• вес синапса
• ядро нейрона, которое осуществляет обработку входных сигналов

Вы руководите разработкой системы автопилотирования для беспилотного летательного аппарата (БПЛА) и рассматриваете использование нейронных компьютерных сетей для управления поведением и принятия решений. К Какую схему управления следует выбрать для обеспечения надежной работы автопилота?

• Программирование автопилота, используя случайные нейронные сети, чтобы создать неожиданные маневры и поведение, которое трудно предсказать для потенциальных угроз.
• Использование глубоких нейронных сетей для анализа данных с датчиков, таких как радары и камеры, с последующим принятием решений о маневрах и безопасности.
• Программирование рекуррентных нейронных сетей для создания стабильных и предсказуемых маневров, что способствует безопасной полетной деятельности.

Значение аксона искусственного нейрона определяется функцией …

• у = f(S)
• у = w*x
• у = a+b
• у = x - w

Информация об управляющем сигнале, а также о контролируемых возмущениях поступает на … нейронной сети

Многослойные сети могут быть сопоставлены с оболочкой представления знаний … систем

Определите правильный порядок этапов в обучении нейронной сети:

1 инициализация весов

2 прямое распространение

3 оценка результатов

4 обратное распространение ошибки

Первым этапом при реализации схемы нейронного управления является …

• сбор данных
• разработка архитектуры
• оптимизация и настройка
• определение задачи

Простейшим методом усовершенствования … спуска является введение момента, когда влияние градиента на изменение весов накапливается со временем

Сопоставьте виды нейронных сетей с их описанием:

A. CNN (Convolutional Neural Network)

B. RNN (Recurrent Neural Network)

C. DNN (Deep Neural Network)

D. применяется для обработки и анализа изображений, включая фильтрацию, классификацию и сегментацию

E. используется для анализа последовательных данных или данных со связями во времени

F. общий термин, используемый для нейронных сетей с более чем одним скрытым слоем

Структурный синтез нейросетевых систем управления базируется на использовании конечного числа типовых … структур

Функция активации в искусственных нейронных сетях – это …

• вес синапса
• узел, который связывает нейрон с нейронами следующего слоя
• уровень влияния входа нейрона
• функция, которая определяет выходное значение аксона нейрона

ИТОГОВЫЙ ТЕСТ

… составляющая предназначена для противодействия отклонениям от целевого значения, которые прогнозируются в будущем

… тангенс применяется в качестве функции активации биологами для более реалистичной модели нервной клетки

Resilient propagation — это метод … распространения

Блок Weight … содержит библиотеку блоков, реализующих некоторые функции весов и смещений

В искусственной нейронной сети на вес связи умножается …

• взвешенная сумма
• сигнал сумматора
• результат прохождения через синапс
• ядро нейрона

Возможная чувствительность однослойных нейронных сетей к шуму и выбросам в данных обусловлена …

• сложной структурой
• огромным количеством входных переменных
• методом обратного распространения ошибки
• простотой структуры

Двойной щелчок на блоке Transfer Functions приводит к появлению … блоков функций активации

Диапазон входов определяется (в окне Create New Network) с помощью опции … (укажите сочетание из трех слов)

Для … нейронных сетей требуется большое количество данных

Для просмотра структурной схемы сети необходимо, выбрав имя сети (networkl), воспользоваться кнопкой …

Для реализации схемы нейронного управления необходимо …

• осуществить сбор данных, разработку архитектуры, обучение модели
• определить задачи, настроить параметры, осуществить развертывание и использование
• разработать архитектуру, осуществить обучение модели, тестирование и валидация
• сделать оптимизацию и настройку, развертывание и использование, определить задачи

Если в определенной точке производная меняет свой знак с «+» на «−», то это говорит о росте …

Если модель не дает желаемые результаты, требуется … ее параметры или архитектуру, чтобы улучшить ее работу

Если условие остановки … не исполняется, то происходит возврат к расчету производных

За пропорциональное управление отвечает …

• пропорциональная составляющая P
• интегральная составляющая I
• дифференциальная составляющая D
• коэффициент

К упрощениям в информационных технологиях можно отнести …

• невозможность быстрого моделирования сложных систем
• неработающие компьютеры
• переполнение мозга биологическими механизмами
• недостаток математических моделей

Каждый нейрон в выходном слое принимает на вход значения от нейронов предыдущего слоя и вычисляет свое значение с помощью функции …

Класс алгоритмов машинного обучения, который имитирует работу человеческого мозга для выполнения сложных задач – это … нейронные сети

Метод обучения нейронных сетей, который особенно полезен для управления роботами, автомобилями и производственными процессами, — это обучение …

• с учителем
• без учителя
• с подкреплением
• методом обратного распространения ошибки

Метод управления, который позволяет автоматически настраивать параметры ПИД регулятора в реальном времени – это … управление ПИД регуляторов

Многослойные нейронные сети также успешно применяются в обработке … языка

На входы искусственной нейронной сети подаются …

• веса связей
• индексы нейронов
• величины электрического сигнала
• степени возбуждения нейрона

Нейрон смотрит на … сумму и если она получается больше его порога, то нейрон выдает выходной сигнал, равный 1

Нейроноподобные элементы для работы алгоритма должны …

• обладать высокой вероятностью
• иметь линейную зависимость
• быть неубывающими и иметь ограниченную производную
• быть максимально точными

Обучение нейронных сетей с учителем наиболее подходит для …

• распознавания звуков
• кластеризации
• функции аппроксимации
• языковых моделей

Однослойная нейронная сеть для распознавания образов и шаблонов может использоваться в …

• медицине и образовании
• сфере услуг и транспорте
• системах безопасности и компьютерном зрении
• индустрии развлечений и туризме

Основное преимущество, используемое нейронными сетями в автоматическом управлении, которое делает их надежными инструментами для адаптации к изменяющимся условиям, — это …

• способность к работе с нелинейными системами
• параллельная обработка информации
• способность к обучению на основе данных
• устойчивость к шуму и неопределенности

Особенность нейронных сетей, которая позволяет им обрабатывать данные с ошибками и адаптироваться к изменениям в окружающей среде, делая их надежными инструментами для автоматического управления, — это …

• способность к работе с нелинейными системами
• параллельная обработка информации
• способность к обучению на основе данных
• устойчивость к шуму и неопределенности

После обучения модель тестируется и … на новых данных

После сбора данных требуется разработать структуру нейронной сети или … нейронного управления

Поставьте в правильном порядке этапы итеративной модели управления нейросетями:

1 анализ

2 проектирование

3 реализация

4 тестирование

Принцип обучения нейронных сетей, который основан на использовании данных без классификации или меток, — это обучение …

• с учителем
• без учителя
• с подкреплением
• посредством трансферного обучения

Принцип обучения нейронных сетей, который подразумевает корректировку весовых коэффициентов на основе эталонных ответов, — это обучение …

• с учителем
• без учителя
• с подкреплением
• посредством трансферного обучения

Принцип работы многослойных нейронных сетей, который охарактеризован как метод обучения, основанный на минимизации ошибки между выходными значениями и ожидаемыми выходными значениями, — это …

• прямое распространение
• обратное распространение ошибки
• метод Гаусса-Ньютона
• кластеризация данных

Пропорциональное управление противодействует …

• увеличению ошибки
• изменению скорости
• отклонению регулируемой величины от заданного значения
• внешним воздействиям

Пропорциональный закон управления …

• никогда не стабилизируется в заданном значении
• приводит к автоколебаниям
• не имеет недостатков
• сложен в настройке

Расположите этапы обработки информации в искусственном нейроне по порядку:

1 Прием входных сигналов

2 Вычисление взвешенной суммы входных сигналов

3 Применение функции активации к взвешенной сумме

4 Применение активационной функции для получения выходного сигнала

Самая часто используемая в нейронных сетях сигмоида — … функция

Сверточные нейронные сети (CNN) оптимизированы для работы с визуальными и … данными

Сопоставьте компоненты искусственного нейрона с их аналогами в биологическом нейроне:

A. Веса связей

B. Сумматор

C. Функция активации

D. синапсы

E. клеточное тело

F. аксон

Сопоставьте метод обучения нейронных сетей и его особенности:

A. Метод обратного распространения ошибки

B. Генетические алгоритмы

C. Методы глубокого обучения

D. обучение на основе корректировки весов связей между нейронами

E. обучение, основанное на эволюционных принципах

F. использование многослойных структур для извлечения сложных зависимостей из данных

Сопоставьте метод оптимизации и его описание:

A. Стохастический градиентный спуск (SGD)

B. Метод адам (Adam)

C. Метод имитации отжига (Simulated Annealing)

D. метаэвристический алгоритм, использующийся для поиска глобального оптимума

E. простой метод оптимизации, основанный на идее поочередного подбора случайных образцов для обновления весов

F. эффективно сочетает в себе преимущества адаптивных методов моментума и RMSprop

Сопоставьте область применения нейронных сетей с примером ее использования:

A. Автономная навигация для роботов

B. Управление умным домом

C. Автономное управление автономными автомобилями

D. определение преград и планирование маршрута на основе визуальной информации

E. автоматическое управление освещением и отоплением на основе данных с датчиков

F. принятие решений о движении, обнаружении объектов на дороге и безопасном следовании маршруту

Сопоставьте понятия и их определения:

A. Step

B. Scope

C. To Workspace

D. переходная функция

E. осциллограф

F. в рабочее пространство

Сопоставьте понятия и их определения:

A. Transport Delay

B. Transfer Fcn

C. Ramp

D. транспортная задержка

E. передаточная функция

F. Наклон

Сопоставьте типы слоев нейронных сетей с их функциями:

A. Convolutional Layer

B. Recurrent Layer

C. Dense Layer

D. используется для извлечения признаков из входных изображений

E. позволяет моделировать последовательные данные и данные со связями во времени

F. слой, в котором каждый нейрон связан со всеми нейронами предыдущего и последующего слоя

Сопоставьте фазу процедуры обучения нейронной сети с ее описанием:

A. Обратное распространение (backpropagation)

B. Расчет градиента (gradient computation)

C. Применение градиентного спуска (gradient descent)

D. процесс, при котором корректируются веса в соответствии с градиентом функции потерь

E. метод обучения, при котором данные проходят через сеть вперед и затем в обратном направлении для корректировки весов

F. процедура вычисления производных функции потерь по весам сети

Сопоставьте функции активации с их описанием:

A. Сигмоид

B. ReLU (Rectified Linear Unit)

C. Tanh (Гиперболический тангенс)

D. функция активации, которая преобразует взвешенную сумму в диапазон между 0 и 1

E. простая функция, возвращающая максимум из 0 и входного значения

F. аналог функции сигмоид, возвращающий значение в диапазоне между -1 и 1

Сопоставьте функцию активации с ее описанием:

A. ReLU (Rectified Linear Unit)

B. Сигмоидальная функция

C. Гиперболический тангенс

D. линейная функция с пороговой активацией. Оптимальна для большинства нейронных сетей

E. S-образная кривая, используется в выходном слое для бинарной классификации

F. S-образная функция, похожа на сигмоидальную функцию, но имеет значения в диапазоне [-1, 1]

Сопоставьте циклы разработки нейросети в спиральной модели управления с их описаниями:

A. Определение целей

B. Анализ рисков

C. Тестирование

D. формулируются требования к функциональности и производится планирование разработки.

E. определяются вероятные риски, которые могут повлиять на успешность разработки.

F. происходит создание и тестирование нейросети на каждой итерации.

Сопоставьте шаг обучения нейронной сети с его последовательностью выполнения:

A. Обратное распространение ошибки

B. Инициализация весов

C. Применение функции активации

D. шаг 3

E. шаг 2

F. шаг 1

Сопоставьте этапы итеративной модели управления нейросетями с их характеристиками:

A. Анализ

B. Проектирование

C. Реализация

D. определяются требования к функциональности нейросети и ее возможности

E. создается детальный план реализации нейросети на основе выявленных требований

F. непосредственно создается и тестируется нейросеть

Сопоставьте этапы обработки информации в искусственном нейроне с их функциями:

A. Прием входных сигналов

B. Вычисление взвешенной суммы входных сигналов

C. Применение функции активации к взвешенной сумме

D. обработка входных данных и присвоение им весов

E. получение окончательного выходного сигнала

F. формирование окончательного решения

Способность однослойных нейронных сетей моделировать сложные нелинейные зависимости между входными и выходными данными – это …

• простота
• интерпретируемость
• высокая скорость обучения
• ограниченная способность моделирования

Тип нейронной сети, в которой используется для аппроксимации выбранной функции y = x^2, — это …

• однослойный перцептрон
• сеть Хэмминга
• многослойный перцептрон
• сеть Хопфилда

Тип нейронной сети, который использует MATLAB для создания обобщенно-регрессионной НС (GRNN), — это …

• однослойный перцептрон
• многослойный перцептрон
• сеть Ворда
• GRNN

Упорядочьте методы оптимизации в порядке возрастания сложности (от меньшего к большему):

1 стохастический градиентный спуск (SGD)

2 метод адаптивных градиентов (Adagrad)

3 метод имитации отжига (Simulated Annealing)

Упорядочьте процесс обучения нейронной сети в MatLab в правильной последовательности:

1 инициализация весов нейронной сети

2 подача обучающих примеров на вход нейронной сети

3 распространение входных сигналов через сеть и вычисление выхода

4 сравнение выхода сети с ожидаемым выходом и корректировка весов

5 оценка качества обучения и принятие решения о его завершении

Упорядочьте типы нейронных сетей по возрастанию сложности (от меньшего к большему):

1 полносвязанные сети

2 сверточные сети

3 рекуррентные сети

Упорядочьте типы нейронных сетей по их применению в автоматическом управлении от наименее к наиболее распространенному:

1 простые нейронные сети

2 сверточные нейронные сети

3 многослойные персептроны

Упорядочьте циклы разработки нейросети в спиральной модели управления в правильной последовательности:

1 определение целей

2 анализ рисков

3 разработка

4 тестирование

Упорядочьте этапы в обработке данных при использовании нейронных сетей в хронологическом порядке:

1 подготовка данных

2 применение алгоритма обучения

3 тестирование модели

4 оценка результатов

Упорядочьте этапы обработки информации в биологическом нейроне в хронологическом порядке:

1 Прием сигналов от других нейронов через дендриты

2 Стимуляция клеточного тела для генерации сигнала

3 Передача электрических импульсов через аксон

4 Формирование синапсов для соединения с другими нейронами

Упорядочьте этапы обучения нейронной сети в правильной последовательности:

1 инициализация весов

2 применение функции активации

3 обратное распространение ошибки

Упорядочьте этапы обучения нейронной сети для автоматического управления в порядке их выполнения:

1 подача входных данных

2 обработка данных в слоях сети

3 корректировка весов связей в сети

4 принятие решений и управление

Упорядочьте этапы процедуры обучения методом обратного распространения ошибки (backpropagation) в порядке их выполнения:

1 передача вперед входных данных и вычисление результатов каждого слоя

2 расчет градиента функции потерь по весам сети

3 применение градиентного спуска для обновления весов

Упорядочьте этапы создания нейронной сети в пакете MatLab в правильной последовательности:

1 определение структуры нейронной сети (например, Feedforward, Recurrent)

2 определение функций активации для каждого слоя

3 инициализация нейронной сети

4 задание параметров обучения и метода обучения

5 установка весов и пороговых значений

Установите порядок основных этапов в использовании нейронной сети для распознавания образов в хронологическом порядке:

1 определение функции активации

2 обработка входных данных

3 обучение модели

4 прямое распространение

Функция, которая чаще всего используется в качестве функции активации в искусственных нейронных сетях, — это … функция

• линейная
• ступенчатая
• полиномиальная
• сигмоидальная

Этап, который описывает оптимизацию параметров и архитектуры при реализации схемы нейронного управления, — это …

• тестирование и валидация
• определение задачи
• оптимизация и настройка
• развертывание и использование

Эффект интегрального насыщения может привести к … сигнала

КОМПЕТЕНТНОСТНЫЙ ТЕСТ

Вам предстоит объяснить концепцию биологического нейрона и его аналога в искусственных нейронных сетях. Какое из утверждений лучше всего описывает биологический нейрон?

• Биологический нейрон — это элементарная единица нервной системы, состоящая из клеточного тела, дендритов и аксона, которая передает электрические или химические сигналы другим нейронам или эффекторным клеткам, таким как мышцы или железы.
• Биологический нейрон — это вычислительная единица искусственной нейронной сети, которая принимает входные сигналы, обрабатывает их с помощью линейной алгебры и передает результат следующему слою нейронов.
• Биологический нейрон — это междисциплинарная область знаний, охватывающая широкий спектр исследований мозга и нейронных процессов: от молекулярных структур, до работы нейронных сетей и мозга в целом, структуры мозга и функционирования нервной системы, связи нервных процессов с общей физиологией и поведением человека.

Ваша компания разрабатывает автономные системы управления для беспилотных авиационных аппаратов. Вы ищете программное обеспечение для реализации нейроуправления в системе. Какая из программных систем является наиболее подходящей для этой цели?

• MATLAB с Neural Network Toolbox.
• Microsoft Word.
• Adobe Photoshop.

Ваша компания решила использовать искусственные нейронные сети для оптимизации производственного процесса, и вы хотите выбрать наиболее подходящую архитектуру нейронной сети для данной задачи. Что вы будете принимать во внимание при выборе архитектуры?

• Количество данных, доступных для обучения нейронной сети и их качество.
• Цветовую схему используемых изображений в производственном процессе.
• Общую инфраструктуру предприятия, включая вычислительные и финансовые ресурсы.

Вы инженер, планирующий разработать систему автопилота для беспилотного грузового космического корабля. Вам предстоит выбрать основной метод управления для обеспечения безопасного и точного перемещения корабля в космическом пространстве. Какая традиционная схема управления наиболее подходит для системы автопилота беспилотного космического корабля?

• Пропорционально-интегрально-дифференциальная схема (ПИД-регулятор).
• Логическое управление (алгоритмы решения задач в виде правил).
• Нейромодельное управление (использование искусственных нейронных сетей).

Вы инженер, работающий над созданием автопилота для беспилотного летательного аппарата (БПЛА). Вам нужно определить подходящий метод управления для обеспечения безопасных и стабильных полетов. Какой метод управления наиболее подходит для обеспечения стабильности и безопасности полетов в контексте разработки автопилота для БПЛА?

• Метод глубокого обучения (Deep Learning).
• Пропорционально-дифференциально-интегральный контроллер (PID-регулятор).
• Генетические алгоритмы.

Вы проектируете систему умного дома и хотите использовать нейронные компьютерные сети для управления различными устройствами. Какую схему управления следует выбрать для обеспечения эффективной автоматизации и комфорта жильцов?

• Использовать глубокие нейронные сети для анализа поведения жильцов и предсказания их потребностей, например, автоматическое регулирование температуры и освещения в соответствии с привычками.
• Программировать случайные нейронные сети для управления устройствами дома, чтобы создать непредсказуемые и разнообразные сценарии работы умного дома.
• Создавать рекуррентные нейронные сети для определения оптимального расписания работы устройств дома и непрерывного обучения на основе поведения.

Вы работаете над обучением нейронной сети для распознавания изображений. Вы решили использовать метод обратного распространения ошибки для корректировки весов сети во время обучения. Какая фаза процедуры обучения нейронной сети является ответственной за корректировку весов сети на основе градиента функции потерь?

• Фаза обратного распространения (backpropagation).
• Расчет градиента (gradient computation).
• Применение градиентного спуска (gradient descent).

Вы работаете с робототехникой и хотите научить робота двигаться по прямой линии и избегать препятствий без столкновений. Вам надо выбрать подходящий метод для управления роботом. Какой метод управления наиболее подходит для данной ситуации, где робот должен двигаться по прямой линии и избегать препятствий?

• Пропорционально-дифференциально-интегральный контроллер (PID-регулятор).
• Метод случайного поиска.
• Метод обратного распространения.

Вы разрабатываете искусственную нейронную сеть для распознавания рукописных цифр. После обучения ваша модель даёт неудовлетворительные результаты при классификации некоторых цифр. Что может быть причиной неточности нейронной сети?

• Недостаточное количество тренировочных данных для цифр, на которых модель показывает низкую точность.
• Программная ошибка в реализации алгоритма обратного распространения ошибки.
• Неправильный выбор цветовой гаммы изображений для входных данных.

Вы разрабатываете нейронную сеть для предсказания цен на недвижимость. Вам необходимо выбрать метод оптимизации для обучения нейронной сети. У вас есть большой объем данных и важно, чтобы метод был эффективным и быстро сходился. Какой метод оптимизации наиболее подходит для обучения нейронной сети в данной ситуации?

• Стохастический градиентный спуск (SGD).
• Метод имитации отжига (Simulated Annealing).
• Метод адам (Adam).

Вы руководите проектом по разработке автономных беспилотных автомобилей. Какую схему управления с помощью нейронных компьютерных сетей следует использовать для обеспечения оптимальной производительности и безопасности автомобилей?

• Использование сверточных нейронных сетей для обработки и анализа изображений с камер и датчиков автомобиля для принятия решений о маневрах и поведении на дороге.
• Использование рекуррентных нейронных сетей для обработки временных последовательностей данных, таких как информация о движении других транспортных средств и пешеходов.
• Программирование автомобилей, используя рандомные нейронные сети для создания непредсказуемых и обучаемых моделей поведения на дороге.

Вы стажируетесь в компании, занимающейся исследованиями в области машинного обучения, и вам поручили создать тест на знание основ нейронных сетей. Какое из следующих определений наилучшим образом описывает понятие «нейронная сеть»?

• Нейронная сеть — это программы, которые пытаются имитировать способность человеческого мозга к анализу данных, распознаванию образов и принятию решений.
• Нейронная сеть — это технология, используемая для соединения компьютеров в распределенную сеть для обработки больших объёмов данных.
• Нейронная сеть — это вычислительная технология, применяемая для оптимизации работы центрального процессора в компьютере.

Вы участвуете в стажировке по машинному обучению и вам предложили объяснить своим коллегам понятие искусственного нейрона. Какое из объяснений наилучшим образом описывает понятие искусственного нейрона?

• Искусственный нейрон — это миниатюрные процессоры, способные к обработке и передаче электрических сигналов для эмуляции поведения нейронной сети мобильных устройств.
• Искусственный нейрон — это множество математических и логических операций, выполняемых компьютером, предназначенных для обработки данных и принятия решений на основе паттернов.
• Искусственный нейрон – это вычислительная модель, вдохновленная биологическими нейронами, которая принимает входные данные, умножает их на весовые коэффициенты и передает результат через функцию активации для получения выхода.

Вы являетесь руководителем отдела разработки и вам предстоит управлять проектом по созданию нейронной сети для распознавания образов. Какую традиционную схему управления нейросетями вы выберете?

• Каскадную модель управления, в которой процесс разработки нейросети разделен на последовательные этапы: сбор требований, проектирование, разработка, тестирование и внедрение.
• Итеративную модель управления, в которой процесс разработки нейросети разделен на короткие итерации, каждая из которых включает в себя этапы: анализ, проектирование, реализация и тестирование.
• Спиральную модель управления, в которой процесс разработки нейросети осуществляется через повторяющиеся циклы, каждый из которых включает в себя этапы: определение целей, анализ рисков, разработка, тестирование и оценка результатов.

УЧЕБНЫЕ МАТЕРИАЛЫ

• Введение в курс
• Тема 1. Понятие биологического и искусственного нейрона
• Тема 2. Искусственные нейронные сети
• Тема 3. Процедуры обучения
• Тема 4. Введение в нейроуправление
• Тема 5. Традиционные схемы управления
• Тема 6. Нейроуправление в пакете MatLab
• Тема 7. Схемы нейронного управления
• Заключение
• Итоговая аттестация