💯 Нейронные сети [Тема 1-8] — ответы на тесты Синергия / МОИ / МТИ / МосАП

Нейронные сети > Тест по теме 1 / Тест по теме 2 / Тест по теме 3 / Тест по теме 4 / Тест по теме 5 / Тест по теме 6 / Тест по теме 7 / Тест по теме 8 / Итоговый тест / Компетентностный тест

• правильные ответы на вопросы из тестов по данной дисциплине
• вопросы отсортированы в лексикографическом порядке

Нейронные сети

• Введение в курс
• Тема 1. Основные понятия теории нейронных сетей
• Тема 2. Стандартные архитектуры нейронных сетей
• Тема 3. Методы обучения нейронных сетей
• Тема 4. Ассоциативные запоминающие нейронные сети
• Тема 5. Технологии машинного обучения
• Тема 6. Модели машинного обучения
• Тема 7. Ансамбли моделей и оценка качества обучения
• Тема 8. Оптимизация признакового пространства
• Заключение
• Итоговая аттестация

… — это базовый строительный блок нейронной сети, который получает входные данные, обрабатывает их и передает выходной сигнал

Тип ответа: Текcтовый ответ

… — это мера ошибки между предсказанными и фактическими значениями, используемая для оценки производительности нейронной сети

Тип ответа: Текcтовый ответ

… — это метод ансамблирования, при котором несколько моделей обучаются на различных подвыборках обучающего набора данных

Тип ответа: Текcтовый ответ

… — это метод отбора признаков, который оценивает каждый признак отдельно, игнорируя зависимости между признаками

Тип ответа: Текcтовый ответ

… — это преобразование, которое приводит значения признака к нулевому среднему и единичному стандартному отклонению

Тип ответа: Текcтовый ответ

… — это процесс добавления новых данных к уже существующему набору данных с целью увеличения его размера и улучшения обобщающей способности модели

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

• Аугментация данных
• Оверсэмплинг
• Фичеринжиниринг
• Нормализация данных

… — это ситуация, когда нейронная сеть хорошо работает на обучающих данных, но плохо обобщает на новые, не виденные ранее данные

Тип ответа: Текcтовый ответ

… измеряет долю правильно классифицированных объектов

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

• Метрика точность (accuracy)
• Type I error
• Type II error
• F-мера (F-measure)

… используется для нахождения оптимальной разделяющей гиперплоскости между классами в задачах классификации

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

• Алгоритм k ближайших соседей (k-Nearest Neighbors, KNN)
• Алгоритм опорных векторов
• Линейная регрессия
• Алгоритм обратного распространения ошибки (Backpropagation algorithm)

… матрицы равен сумме элементов, расположенных на главной диагонали

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

• Ранг
• Определитель
• След
• Минор

… методы — это техники машинного обучения, которые объединяют прогнозы нескольких базовых моделей для повышения общей точности и надежности

Тип ответа: Текcтовый ответ

… методы объединяют прогнозы нескольких моделей для повышения общей точности и надежности

Тип ответа: Текcтовый ответ

… обучения — это параметр в алгоритме обучения, определяющий размер шага при обновлении весов нейронной сети

Тип ответа: Текcтовый ответ

… описывает математическое представление зависимости между входными и выходными данными

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

• Модель кластеризации
• Модель регрессии
• Математическая модель
• Вероятностная модель

… признаков — это процесс выбора наиболее информативных признаков из исходного набора данных

Тип ответа: Текcтовый ответ

… признаков — это процесс преобразования исходных признаков в новый набор признаков, который лучше подходит для обучения модели

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

• Преобразование
• Регуляризация
• Нормализация
• Фильтрация шума
• Масштабирование

… распространения — это вид нейронной сети, где информация движется только в одном направлении, от входа к выходу

Тип ответа: Текcтовый ответ

… регрессия используется для прогнозирования непрерывных числовых значений

Тип ответа: Текcтовый ответ

… сети являются мощным инструментом для решения задач, связанных с обработкой последовательностей, таких как текст и временные ряды

Тип ответа: Текcтовый ответ

Алгоритм … — это метод снижения размерности, который проецирует данные на подпространство меньшей размерности, максимизируя дисперсию данных

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

• главных компонент (PCA)
• t-SNE (t-distributed Stochastic Neighbor Embedding)
• MDS (Multidimensional Scaling)
• LLE (Locally Linear Embedding)

Английская аббревиатура, обозначающая метод снижения размерности данных, который позволяет сохранить наиболее важную информацию, — …

Тип ответа: Текcтовый ответ

Ассоциативные запоминающие нейронные сети (АЗС) предназначены для … информации на основе схожести с известными образцами

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

• восстановления (или извлечения, вспоминания)
• создания новых образов путём комбинирования известных признаков
• предсказания будущих значений временных рядов
• компрессии больших объёмов данных методом автоэнкодинга

Баггинг помогает уменьшить … модели за счет усреднения прогнозов нескольких моделей

Тип ответа: Текcтовый ответ

В … нейронной сети выход одного слоя передается обратно на вход этого же слоя, создавая циклы и позволяя сети запоминать информацию о предыдущих состояниях

Тип ответа: Текcтовый ответ

В … нейронных сетях используются специальные “вентили” (gates) для контроля потока информации, что позволяет им эффективно обрабатывать последовательности данных

Тип ответа: Текcтовый ответ

В … нейронных сетях нейроны организованы в слои, и каждый нейрон в слое связан со всеми нейронами в следующем слое

Тип ответа: Текcтовый ответ

В ансамблевом методе … несколько моделей объединяются для получения более точного прогноза

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

• «К-ближайшие соседи»
• «случайный лес»
• «логистическая регрессия»
• «градиентный спуск»
• «главных компонент»

В модели Хопфилда каждый нейрон имеет два состояния: -1 и …

Тип ответа: Текcтовый ответ

В обучении … нейронная сеть обучается на неразмеченных данных, стремясь выявить скрытые закономерности и структуры

Тип ответа: Текcтовый ответ

В процессе обучения в нейронной сети настраиваются …

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

• параметры веса (Weights) и смещения (Biases)
• входные данные (Input data) и количество слоев (Number of layers)
• количество слоев (Number of layers) и функцию активации (Activation function)

В процессе обучения нейронной сети, … распространение ошибки используется для коррекции весов и смещений

Тип ответа: Текcтовый ответ

В числе задач, которые можно решить с помощью машинного обучения, …

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

• сортировка списка чисел, классификация изображений, прогнозирование цен на акции, обнаружение мошеннических транзакций
• классификация изображений, прогнозирование цен на акции, обнаружение мошеннических транзакций
• сортировка списка чисел, классификация изображений, прогнозирование цен на акции, обнаружение мошеннических транзакций, расчет заработной платы сотрудников

В числе недостатков, которые есть в классических сетях Хопфилда, … (укажите 2 варианта ответа)

Тип ответа: Множественный выбор • с выбором нескольких правильных ответов из предложенных вариантов

• низкая емкость памяти
• вероятность застревания в локальных минимумах энергетической функции
• отсутствие способности к обучению
• слишком сложная архитектура
• невозможность обработки небинарных образов

Важность признаков в случайном лесу можно оценить, измеряя, насколько … точность модели при исключении этого признака

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

• повышается
• уменьшается
• не изменяется
• стабилизируется

Векторы, которые образуют … векторного пространства, линейно независимы и порождают все векторы этого пространства

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

• нормаль
• базис
• ортогональ
• диагональ

Вы — аналитик данных в компании, занимающейся онлайн-кредитованием. Ваша задача — повысить эффективность системы оценки кредитоспособности заемщиков с помощью технологий машинного обучения. Какая задача машинного обучения наиболее релевантна для непосредственной классификации заемщиков по степени риска (например, «высокий риск», «средний риск», «низкий риск») на основе исторических данных? Укажите входные данные (признаки), которые будут использоваться, и ожидаемый результат.

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

• Регрессия: прогнозирование конкретной суммы кредита, которую можно одобрить заемщику. Входные данные: возраст, доход, кредитная история, профессия. Ожидаемый результат: рекомендуемая сумма кредита в денежных единицах.
• Кластеризация: группировка заемщиков по общим признакам (например, возрасту и доходу) без предварительного определения классов риска. Входные данные: возраст, доход, кредитная история, профессия. Ожидаемый результат: группы (кластеры) заемщиков, объединенных по сходству признаков.
• Классификация: оценка вероятности невозврата кредита. Входные данные: возраст заемщика, кредитная история, доход, профессия, наличие собственности. Ожидаемый результат: класс риска («высокий риск», «средний риск», «низкий риск»).
• Ассоциативные правила: выявление закономерностей между различными характеристиками заемщиков (например, «если заемщик молод и имеет низкий доход, то он часто допускает просрочки»). Входные данные: возраст, доход, кредитная история. Ожидаемый результат: правила, описывающие связи между характеристиками заемщиков.

Вы аналитик в компании, которая специализируется в прогнозировании спроса на электроэнергию в регионе. Вам необходимо разработать модель, которая сможет точно предсказывать потребление электроэнергии на следующий день, чтобы оптимизировать производство и избежать дефицита или избытка. Определите тип задачи машинного обучения, который наиболее подходит для прогнозирования спроса на электроэнергию. Опишите, что является целевой переменной в этой задаче, и какие значения она может принимать.

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

• Тип задачи: регрессия (прогнозирование непрерывного числового значения). Целевая переменная: потребление электроэнергии (спрос на электроэнергию). Возможные значения целевой переменной: любое неотрицательное вещественное число, выражающее объем потребления энергии в единицах измерения (кВт/ч, МВт/ч и т.д.).
• Тип задачи: классификация (предсказание категорий). Целевая переменная: категория энергопотребления (например, низкий/нормальный/высокий уровень потребления). Возможные значения целевой переменной: три фиксированные категории: низкий, нормальный, высокий уровень потребления электроэнергии.
• Тип задачи: генерация текста (создание новых предложений). Целевая переменная: текстовое описание ожидаемых условий потребления электроэнергии. Возможные значения целевой переменной: произвольные тексты, описывающие ожидаемое поведение потребителей электроэнергии (например, «Ожидается умеренное потребление в течение суток»).

Вы работаете аналитиком в банке и разрабатываете систему автоматической обработки обращений клиентов. Вам необходимо классифицировать каждое обращение по типу. У вас есть следующие варианты классификации: вариант 1: «Мошенническая операция» или «Не мошенническая операция»; вариант 2: «Запрос на кредит», «Жалоба», «Консультация», «Техническая поддержка», «Мошенничество». Какая задача машинного обучения соответствует каждому из этих вариантов классификации?

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

• Варианту 1: многоклассовая классификация; варианту 2: бинарная классификация.
• Варианту 1: бинарная классификация; варианту 2: регрессия.
• Варианту 1: бинарная классификация; варианту 2: многоклассовая классификация.
• Варианту 1: регрессия; варианту 2: многоклассовая классификация.

Вы работаете аналитиком в компании, занимающейся оценкой кредитных рисков. Вы создали модель машинного обучения для прогнозирования вероятности дефолта заемщиков. Исходный набор данных содержал 100 различных признаков, характеризующих заемщиков (возраст, доход, кредитная история, образование, место работы и т. д.). После обучения модели вы обнаружили, что ее производительность на тестовом наборе данных не так высока, как ожидалось, и наблюдаете признаки переобучения. Какое действие целесообразно предпринять для оптимизации признакового пространства и улучшения обобщающей способности модели (снижения переобучения)?

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

• Следует добавить в модель регуляризацию (например, L1- или L2-регуляризацию) и увеличить размер обучающей выборки.
• Следует увеличить количество признаков, добавив новые, сгенерированные случайным образом признаки.
• Следует выбрать наиболее важных признаков и исключения остальных, с помощью метода отбора признаков (например, Recursive Feature Elimination или SelectFromModel с использованием Lasso).
• Следует преобразовать все числовые признаки в категориальные, разбив их на небольшое количество интервалов (биннингом).

Вы работаете аналитиком данных в банке и вам необходимо разработать модель для прогнозирования оттока клиентов (т.е. клиентов, которые собираются закрыть свои счета в банке).  Какой метод машинного обучения лучше всего подходит для задачи прогнозирования оттока клиентов (где необходимо отнести каждого клиента к одной из двух категорий: «уйдет» или «останется»)?

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

• Метод кластеризации.
• Метод регрессии.
• Метод классификации.
• Метод уменьшение размерности.

Вы разрабатываете систему машинного обучения для прогнозирования оттока клиентов (customer churn) в телекоммуникационной компании. Вы используете подход концептуального обучения, где каждая гипотеза представляет собой описание профиля клиента, склонного к оттоку. Предположим, вы определили следующие атрибуты для описания клиентов: Возраст: {Молодой, Средний, Пожилой} Уровень дохода: {низкий, средний, высокий} Продолжительность использования услуг: {Короткая, Средняя, Длинная} Вы решили использовать представление гипотезы, в котором «*» означает «любое значение» для атрибута, например, гипотеза «Молодой, *, *» означает, что все молодые клиенты склонны к оттоку, независимо от их дохода и продолжительности использования услуг. Из каких элементов состоит пространство гипотез в вашей системе прогнозирования оттока клиентов? Какой стратегии придерживается алгоритм при поиске оптимальной гипотезы?

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

• Пространство гипотез состоит из всех возможных комбинаций значений атрибутов (3 * 3 * 3 = 27 гипотез). Поиск ведется путем перебора всех гипотез и выбора наиболее точной.
• Пространство гипотез состоит только из наиболее общих гипотез (например, “*, *, *”, “Молодой, *, ”). Поиск ведется от общей гипотезы к более конкретным.
• Пространство гипотез состоит из всех возможных комбинаций значений атрибутов, включая обобщенные значения (‘’). Поиск ведется от наиболее общих гипотез к более специфичным, отбрасывая гипотезы, не соответствующие обучающим данным (отрицательным примерам).
• Пространство гипотез состоит только из наиболее специфичных гипотез (например, «Молодой, Низкий, Короткая»). Поиск ведется от специфичных гипотез к более общим.

Говоря о преимуществах ансамблевых методов, по сравнению с использованием одной модели, можно утверждать, что у этих методов … (укажите 3 варианта ответа)

Тип ответа: Множественный выбор • с выбором нескольких правильных ответов из предложенных вариантов

• повышенная точность
• снижен риск переобучения
• простота интерпретации
• повышенная устойчивость к шуму в данных
• более быстрая скорость обучения

Говоря о характеристиках «Карты ансамблевого ландшафта» (Ensemble Landscape), можно утверждать, что … (Укажите 2 варианта ответа)

Тип ответа: Множественный выбор • с выбором нескольких правильных ответов из предложенных вариантов

• карта ансамблевого ландшафта отображает разнообразие моделей в ансамбле, но не показывает их производительность
• карта ансамблевого ландшафта позволяет визуализировать производительность и разнообразие моделей в ансамбле
• различные методы снижения размерности могут быть использованы для визуализации карты ансамблевого ландшафта в двух или трех измерениях

Говоря о характеристиках конструирования признаков, можно утверждать, что … (Укажите 3 варианта ответа)

Тип ответа: Множественный выбор • с выбором нескольких правильных ответов из предложенных вариантов

• конструирование признаков — это процесс автоматического выбора лучших признаков из исходного набора данных
• конструирование признаков предполагает создание новых признаков на основе существующих, с целью улучшения производительности модели
• создание новых признаков может включать в себя математические операции, комбинации признаков, или использование экспертных знаний
• хорошо сконструированные признаки могут значительно улучшить точность модели и упростить процесс обучения

Говоря о характеристиках обучения усиленных правил (Boosting), можно утверждать, что … (Укажите 3 варианта ответа)

Тип ответа: Множественный выбор • с выбором нескольких правильных ответов из предложенных вариантов

• Boosting — это метод, в котором модели обучаются независимо друг от друга, а затем их результаты усредняются
• Boosting заключается в последовательном обучении моделей, где каждая последующая модель фокусируется на исправлении ошибок предыдущих моделей
• AdaBoost и Gradient Boosting являются примерами алгоритмов, использующих принцип Boosting
• Boosting позволяет создавать более точные и устойчивые модели путем объединения слабых моделей в одну сильную

Деревья … строятся путем последовательного разбиения данных на основе наиболее информативных признаков

Тип ответа: Текcтовый ответ

Для несбалансированных наборов данных, метрика … часто является более информативной, чем точность

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

• F2-мера
• F3-мера
• F4-мера
• F1-мера

Для разделения узла такие параметры, как максимальная глубина … и минимальное количество образцов, необходимо настраивать при обучении модели дерева решений

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

• дерева
• потерь
• функции
• скорости обучения
• деревьев в ансамбле

Емкость ассоциативных запоминающих нейронных сетей (АЗС) ограничена и зависит от количества …

Тип ответа: Текcтовый ответ

К методам борьбы с переобучением нейронных сетей относятся …

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

• увеличение размера обучающего набора данных, использование регуляризации (L1 или L2) и использование Dropout
• увеличение размера обучающего набора данных и использование регуляризации (L1 или L2)
• увеличение размера обучающего набора данных, использование регуляризации (L1 или L2), использование Dropout и использование большего размера батча

К методам преобразования признаков относят … (укажите 3 варианта ответа)

Тип ответа: Множественный выбор • с выбором нескольких правильных ответов из предложенных вариантов

• отбор признаков на основе фильтров
• полиномиальные признаки
• метод главных компонент (PCA)
• отбор признаков на основе оберток
• One-Hot Encoding

К методам, которые используют для оценки качества модели классификации, следует отнести … (укажите 3 варианта ответа)

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

• среднеквадратичную ошибку (MSE)
• точность (Accuracy)
• полноту (Recall)
• F1-меру (F1-score)

К преимуществам оптимизации признакового пространства относят … (укажите 4 варианта ответа)

Тип ответа: Множественный выбор • с выбором нескольких правильных ответов из предложенных вариантов

• уменьшение переобучения
• увеличение скорости обучения
• улучшение интерпретируемости модели
• уменьшение вычислительных затрат
• автоматическое исправление ошибок в данных

К типам слоев, используемых в рекуррентных нейронных сетях (RNN) для обработки последовательностей данных, относятся …

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

• LSTM (Long Short-Term Memory) и GRU (Gated Recurrent Unit)
• Dense Layer (Плотный слой) и Convolutional Layer (Сверточный слой)
• Max Pooling Layer и LSTM (Long Short-Term Memory)

Машинное обучение позволяет компьютерам … из опыта без явного программирования

Тип ответа: Текcтовый ответ

Метод … понижает размерность данных, преобразуя их в набор некоррелированных переменных, называемых главными компонентами

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

• «главных компонент»
• «К-ближайшие соседи»
• «логистическая регрессия»
• «случайный лес»
• «градиентный спуск»

Метод K-ближайших … классифицирует объект на основе классов K ближайших к нему объектов в обучающем наборе

Тип ответа: Текcтовый ответ

Неверно, что в сверточных нейронных сетях (CNN) можно встретить …

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

• полносвязный слой (Fully Connected Layer)
• сверточный слой (Convolutional Layer)
• слой подвыборки (Pooling Layer)
• слой активации (Activation Layer)
• слой DropConnect

Неверно, что к процессам разработки модели машинного обучения относят… (Укажите 2 варианта ответа)

Тип ответа: Множественный выбор • с выбором нескольких правильных ответов из предложенных вариантов

• сбор и подготовка данных
• выбор модели
• написание бизнес-отчета
• обучение модели
• оценку модели
• внедрение модели
• создание презентации для инвесторов

Нейронные сети, особенно эффективные для задач компьютерного зрения, используют … слои для автоматического извлечения признаков из изображений

Тип ответа: Текcтовый ответ

Обучение … — это метод, при котором нейронная сеть обучается на размеченных данных, т.е. данных с известными правильными ответами

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

• с подкреплением
• с учителем
• без учителя

Обучение … — это процесс, при котором модель учится на данных, которые имеют как входные признаки, так и соответствующие им метки или целевые значения

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

• с подкреплением
• с учителем
• без учителя

Обучение … позволяет моделям учиться на неразмеченных данных, выявляя скрытые структуры и закономерности

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

• с подкреплением
• с учителем
• без учителя

Пакетный … спуск — это метод обучения, который разбивает обучающий набор данных на небольшие пакеты и обновляет веса сети после обработки каждого пакета

Тип ответа: Текcтовый ответ

Представьте, вы младший аналитик в отделе рисков банка. Ваша команда разрабатывает систему для прогнозирования вероятности невозврата кредита (дефолта) физическими лицами. Для этого планируется использовать нейронные сети. Вам необходимо продемонстрировать понимание основных концепций, лежащих в основе нейронных сетей, чтобы эффективно участвовать в процессе разработки и анализа модели. Предложите базовую архитектуру многослойного персептрона (MLP) для решения задачи прогнозирования невозврата кредита. Укажите: Количество входных нейронов и почему вы выбрали именно это количество. Количество скрытых слоев и нейронов в каждом слое. Обоснуйте свой выбор (какие факторы вы учитывали?). Функцию активации для каждого слоя (скрытых слоев и выходного слоя). Обоснуйте свой выбор. Функцию потерь, которую вы будете использовать для обучения сети.

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

• Входной слой: 10-20 нейронов (по количеству признаков заемщика, например, возраст, доход, кредитная история) Скрытые слои: 2 слоя: 64 и 32 нейрона (обеспечивают достаточную сложность, но без сильного риска переобучения), ReLU активация (эффективна, избегает проблем с градиентом) Выходной слой: 1 нейрон. Сигмоида активация (выдает вероятность дефолта от 0 до 1) Функция потерь: Binary Cross-Entropy (стандарт для бинарной классификации)
• Входной слой: 40-50 нейронов (по количеству признаков заемщика, например, возраст, доход, кредитная история) Скрытые слои: 3 слоя: 64 нейрона (обеспечивают достаточную сложность, но без сильного риска переобучения), ReLU активация (эффективна, избегает проблем с градиентом) Выходной слой: 2 нейрона. Сигмоида активация (выдает вероятность дефолта от 0 до 1) Функция потерь: Binary Cross-Entropy (стандарт для бинарной классификации)
• Входной слой: 20-30 нейронов (по количеству признаков заемщика, например, возраст, доход, кредитная история) Скрытые слои: 4 слоя: 72 нейрона (обеспечивают достаточную сложность, но без сильного риска переобучения), ReLU активация (эффективна, избегает проблем с градиентом) Выходной слой: 10 нейронов. Сигмоида активация (выдает вероятность дефолта от 0 до 1) Функция потерь: Binary Cross-Entropy (стандарт для бинарной классификации)
• Входной слой: 60 нейронов (по количеству признаков заемщика, например, возраст, доход, кредитная история) Скрытые слои: 3 слоя: 2 нейрона (обеспечивают достаточную сложность, но без сильного риска переобучения), ReLU активация (эффективна, избегает проблем с градиентом) Выходной слой: 5нейронов. Сигмоида активация (выдает вероятность дефолта от 0 до 1) Функция потерь: Binary Cross-Entropy (стандарт для бинарной классификации)

Представьте, что вы аналитик в инвестиционном фонде. Вам поставлена задача: разработать высокоточную модель для прогнозирования вероятности банкротства компаний на основе финансовых показателей и макроэкономических данных. Вам необходимо использовать ансамблевые методы для повышения точности прогнозов и корректно оценить качество полученной модели.  Почему ансамблевые методы могут быть более эффективными, чем использование одной сложной модели, для прогнозирования вероятности банкротства? Перечислите три преимущества.

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

• Потому что у ансамблевых методов повышенная точность. В Преимущества: устойчивость к переобучению, уменьшение влияния выбросов, возможность работы с разнородными данными.
• Потому что у ансамблевых методов эффективная точность. Преимущества: устойчивость к переобучению, уменьшение влияния выбросов, возможность работы с разнородными данными.
• Потому что у ансамблевых методов повышенная точность. Преимущества: устойчивость к обучению, уменьшение влияния выбросов, возможность работы с разнородными данными.

Представьте, что вы аналитик данных в компании, которая занимается автоматизацией обработки текстовой информации из финансовых отчетов. Вам нужно выбрать подходящую архитектуру нейронной сети для задачи классификации финансовых новостей по темам, например, «макроэкономика», «рынок акций», «корпоративные финансы». Какую следует выбрать стандартную архитектуру нейронных сетей для решения поставленной задачи? Перечислите основные преимущества выбранной архитектуры. (укажите 2 варианта ответа)

Тип ответа: Множественный выбор • с выбором нескольких правильных ответов из предложенных вариантов

• Следует выбрать многослойный персептрон (MLP). Ее преимущества: способность к обучению нелинейным зависимостям, могут эффективно моделировать сложные, нелинейные взаимосвязи между входными признаками и вероятностью дефолта, что часто характерно для кредитных данных.
• Следует выбрать сверточную нейронную сеть (CNN). Ее преимущества: хорошо извлекает локальные признаки из текста, такие как сочетания слов, и не требует ручного извлечения признаков.
• Следует выбрать рекуррентную нейронную сеть (RNN). Ее преимущества: хорошо учитывает последовательность слов в тексте и может улавливать долгосрочные зависимости.
• Следует выбрать автоэнкодер. Ее преимущества: обучаются без учителя, используя только входные данные, эффективно кодирует данные в сжатое представление (латентное пространство).

Представьте, что вы аналитик данных в консалтинговой компании, которая специализируется на анализе рынка недвижимости. Ваша задача — разработать модель для прогнозирования стоимости жилья в определенном регионе.  Какие две модели машинного обучения лучше всего подойдут для решения задачи прогнозирования стоимости жилья. Поясните ответ, указав преимущества модели.

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

• 1) линейная регрессия (Linear Regression), ее преимущества: простота, интерпретируемость; 2) Ансамблевые методы на основе деревьев решений: Случайный лес (Random Forest) или Градиентный бустинг (Gradient Boosting), ее преимущества: автоматическое обнаружение сложных зависимостей, обработка категориальных признаков.
• 1) K-средних, ее преимущества: группировки схожих объектов в кластеры; 2) опорные вектора для классификации, ее преимущества: разделения данных на классы.
• 1) Наивный Байесовский классификатор, ее преимущества: показывает низкие результаты в задачах регрессии по сравнению с другими моделями; 2) Логистическая регрессия, ее преимущества: прогнозирование вероятности принадлежности объекта к определенному классу.
• 1) Нейронные сети с недостаточной архитектурой, ее преимущества: простые нейронные сети; 2) Модели временных рядов, ее преимущества: прогнозирование значений во времени, учитывая прошлые значения этой же переменной.

Представьте, что вы аналитик данных в крупной розничной компании. Ваша задача заключается в том, что нужно разработать модель. Эта модель должна предсказывать объем продаж определенной категории товаров на следующую неделю на основе данных о прошлых продажах, рекламных акциях и других экономических факторов. Для решения этой задачи вы решили использовать нейронные сети. Вы рассмотрели несколько вариантов возможного выбора архитектуры нейронных сетей:  многослойный персептрон (MLP); рекуррентная нейронная сеть (RNN); комбинация MLP и RNN. Какая архитектура нейронных сетей наиболее подойдет для задачи прогнозирования объема продаж?

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

• Для задачи прогнозирования объема продаж, лучше использовать рекуррентную нейронную сеть (RNN), в частности LSTM (Long Short-Term Memory).
• Для задачи прогнозирования объема продаж, лучше использовать только рекуррентную нейронную сеть (RNN).
• Для задачи прогнозирования объема продаж, лучше использовать комбинации MLP и RNN.

Представьте, что вы аналитик данных в хедж-фонде, специализирующемся на краткосрочной торговле акциями. Вам поручено разработать систему для прогнозирования направления движения цены (вверх или вниз) конкретной акции в течение следующего часа. Для повышения точности прогнозов вы планируете использовать ансамблевые методы машинного обучения. Предложите три различных типа моделей машинного обучения, которые, на ваш взгляд, подходят для использования в качестве базовых моделей в ансамбле для прогнозирования направления движения цены акции. Для каждой модели кратко опишите, как она работает и почему она может быть полезна в этой задаче.

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

• Модель 1: Логистическая регрессия. Описание: Модель предсказывает вероятность принадлежности к одному из двух классов (вверх или вниз) на основе линейной комбинации входных признаков. Почему полезна: простая и быстрая модель, хорошо подходит для базового прогнозирования и интерпретации. Модель 2: Дерево решений. Описание: модель строит дерево, где каждый узел представляет собой проверку одного из признаков, а листья представляют собой прогнозы. Почему полезна: способна выявлять сложные нелинейные зависимости и хорошо работает с разными типами данных. Модель 3: Машина опорных векторов (SVM). Описание: модель находит оптимальную разделяющую гиперплоскость между классами. Почему полезна: эффективна в пространствах высокой размерности и может хорошо обобщать на новые данные.
• Модель 1: Логистическая инверсия. Описание: Модель анализирует вероятность принадлежности к одному из четырех классов (вверх или вниз) на основе линейной комбинации входных признаков. Почему полезна: простая и быстрая модель, хорошо подходит для базового прогнозирования и интерпретации. Модель 2: Дерево решений. Описание: модель строит дерево, где каждый узел представляет собой проверку нескольких из признаков. Почему полезна: способна выявлять простые нелинейные зависимости и хорошо работает с разными типами данных. Модель 3: Машина опорных векторов (SVM). Описание: модель находит среднюю разделяющую гиперплоскость между классами. Почему полезна: эффективна в пространствах низкой размерности и может хорошо обобщать на новые данные.
• Модель 1: Логистическая инверсия. Описание: Модель анализирует вероятность принадлежности к одному из четырех классов (вверх или вниз) на основе линейной комбинации входных признаков. Почему полезна: простая и быстрая модель, хорошо подходит для базового прогнозирования и интерпретации. Модель 2: Дерево решений. Описание: модель клонирует дерево, где каждый узел представляет собой проверку всех вероятностных признаков. Почему полезна: способна выявлять программируемые линейные зависимости и хорошо работает с разными типами данных. Модель 3: Машина опорных векторов (SVM). Описание: модель находит среднюю квадратичную разделяющую гиперплоскость между классами. Почему полезна: эффективна в пространствах общей размерности и может хорошо обобщать на новые данные.
• Модель 1: Логистическая инверсия. Описание: Модель анализирует вероятность принадлежности к одному из четырех классов (вверх или вниз) на основе линейной комбинации входных признаков. Почему полезна: простая и быстрая модель, хорошо подходит для базового прогнозирования и интерпретации. Модель 2: Дерево решений. Описание: модель клонирует дерево, где каждый узел представляет собой проверку всех вероятностных признаков. Почему полезна: способна выявлять программируемые линейные зависимости и хорошо работает с разными типами данных. Модель 3: Оптимизационная регрессия. Описание: Модель предсказывает вероятность принадлежности к одному из трех классов (вверх или вниз) на основе линейной комбинации входных признаков. Почему полезна: простая и нелинейная модель, хорошо подходит для базового прогнозирования и интерпретации.

Представьте, что вы инженер машинного обучения. Работаете в стартапе, который разрабатывает систему автоматической обработки видео для выявления нарушений правил дорожного движения. Вам необходимо выбрать наиболее подходящую архитектуру нейронной сети для решения подзадачи классификации транспортных средств (легковой автомобиль, грузовик, автобус, мотоцикл) на отдельных кадрах видео.  Опишите ключевые характеристики задачи классификации транспортных средств на кадрах видео (тип данных, объем данных, требования к точности и скорости).

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

• Тип данных: изображения (кадры видео). Каждый кадр представляет собой массив пикселей (например, RGB). Объем данных: предположим, что у нас есть датасет из 100 000 размеченных кадров видео, представляющих различные транспортные средства, погодные условия и время суток. Требования к точности: необходимо достичь точности не менее 95 % для надежного выявления нарушений ПДД. Требования к скорости: время обработки одного кадра не должно превышать 50 мс для обеспечения обработки видео в реальном времени.
• Тип данных: изображения (кадры видео). Каждый кадр представляет собой массив пикселей (например, RGB). требования к точности: необходимо достичь точности не менее 95 % для надежного выявления нарушений ПДД. Требования к скорости: время обработки одного кадра не должно превышать 50 мс для обеспечения обработки видео в реальном времени.
• Тип данных: изображения (кадры видео). Каждый кадр представляет собой массив пикселей (например, RGB). Объем данных: предположим, что у нас есть датасет из 100 000 размеченных кадров видео, представляющих различные транспортные средства, погодные условия и время суток. Требования к точности: необходимо достичь точности не менее 95 % для надежного выявления нарушений ПДД.

Представьте, что вы используете сеть Кохонена (карту Кохонена, самоорганизующуюся карту — SOM) для сегментации клиентской базы банка на основе их транзакционной активности (средний чек, частота покупок, типы покупок). Сеть обучена. Теперь, согласно принципу «Победитель получает все», вам нужно отнести нового клиента к существующему кластеру. Как определить кластер, к которому будет отнесен новый клиент?

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

• Для определения необходимого кластера рассчитывается среднее значение векторов всех нейронов.
• Для определения необходимого кластера определяется нейрон, как среднее значение векторов всех нейронов (нейрон-победитель)
• Для определения необходимого кластера определяется нейрон, вектор весов которого наиболее близок к вектору транзакционной активности клиента (нейрон-победитель).
• Для определения необходимого кластера определяется нейрон, вектор весов которого наиболее далекий к вектору активности клиента (нейрон-победитель).

Представьте, что вы работаете аналитиком данных в банке, занимающемся разработкой модели кредитного скоринга для оценки кредитоспособности заемщиков. Исходный набор данных содержит большое количество признаков (финансовые показатели, социально-демографические данные, история кредитных операций и т.д.). Вы подозреваете, что не все признаки одинаково важны и что оптимизация признакового пространства может улучшить производительность модели.  Почему оптимизация признакового пространства может быть полезна для задачи кредитного скоринга? Назовите три причины.

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

• Потому что она уменьшит переобучение. Это позволит повысить скорость обучения, улучшить интерпретируемости модели, снизить затраты на сбор данных.
• Потому что она увеличит переобучение. Это позволит повысить скорость обучения, улучшить интерпретируемость модели, повысить затраты на сбор данных, выявить ошибки при аналитике данных, определить степень загруженности данных в банке.
• Потому что она увеличит переобучение. Это позволит повысить скорость обучения, улучшить интерпретируемость модели, повысить затраты на сбор данных, выявить ошибки при аналитике данных.

Представьте, что вы работаете в отделе анализа рисков банка. Ваша задача — разработать систему, которая могла бы выявлять мошеннические транзакции, даже если информация о них поступает частично или с искажениями. Вы рассматриваете возможность использования ассоциативной памяти для этой цели.  Что является ключевым принципом работы ассоциативной запоминающей нейронной сети?

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

• Классификация данных на основе заранее определенных признаков.
• Восстановление целого образа по его частичному или искаженному представлению.
• Поиск оптимального решения задачи оптимизации.
• Прогнозирование будущих значений временного ряда.

Представьте, что вы разрабатываете систему ассоциативной памяти на основе сети Хопфилда для восстановления неполных или искаженных данных о финансовых показателях компании, например, рентабельность, ликвидность, оборачиваемость активов. Вы хотите, чтобы сеть «помнила» несколько типичных профилей компаний, представляющих различные отрасли. Как, согласно правилу Хебба, изменяются веса связей между нейронами в сети Хопфилда при обучении (запоминании) нового профиля компании?

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

• Увеличиваются веса связей между нейронами, соответствующими финансовым показателям, которые имеют одинаковый знак (оба положительные или оба отрицательные) в запоминаемом профиле, уменьшаются веса связей между нейронами с разными знаками.
• Веса всех связей между нейронами устанавливаются равными нулю независимо от конкретного финансового профиля, что фактически блокирует способность сети восстанавливать ассоциации и приводить к полной потере способности хранить какую-либо информацию о ранее запомненном финансовом состоянии компании.
• Веса связей устанавливаются случайным образом перед каждым новым запомненным профилем, что нарушает стабильность ассоциативного процесса и приводит к постепенной утрате предыдущих состояний, делая невозможным восстановление полного набора профилей и нарушая принцип сохранения информации в сети Хопфилда.
• Происходит произвольное увеличение весов некоторых связей между нейронами, соответствующих произвольно выбранным ключевым финансовым показателям (таким как рентабельность), игнорируя влияние остальных показателей и создавая дисбаланс, приводящий к невозможности эффективного восстановления исходных данных при частичном повреждении или пропусках значений.

Представьте, что вы стажер-аналитик в финансовом отделе. Вам поручено помочь в разработке модели, предсказывающей вероятность дефолта по кредитам. Для этого используются нейронные сети.  Для обучения модели используются исторические данные по кредитам, где для каждого кредита известно был ли дефолт или нет.  Какой тип обучения нейронной сети лучше всего подходит в данном случае?

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

• В данном случае подойдет тип «обучение без учителя».
• В данном случае подойдет тип «Обучение с подкреплением.
• В данном случае подойдет тип «Обучение с учителем».
• В данном случае подойдет тип «Генеративное обучение».

Преобразование … разделяет непрерывный признак на несколько интервалов

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

• масштабирования
• нормализации
• кодирования
• дискретизации

Процесс изменения весов соединений в нейронной сети с целью улучшения ее производительности называется …

Тип ответа: Текcтовый ответ

Расположите в хронологическом порядке этапы процесса обучения ансамблевой модели на примере «случайного леса»:

Тип ответа: Сортировка

• 1 выбор ансамблевого метода и гиперпараметров
• 2 обучение нескольких базовых моделей на разных подмножествах данных и/или признаков
• 3 объединение прогнозов базовых моделей для получения окончательного прогноза
• 4 оценка производительности ансамбля на тестовом наборе данных

Расположите стандартные архитектуры нейронных сетей в порядке возрастания сложности моделируемых зависимостей и специализированности применения:

Тип ответа: Сортировка

• 1 многослойный персептрон (MLP)
• 2 автоэнкодер (Autoencoder)
• 3 сверточная нейронная сеть (CNN)
• 4 рекуррентная нейронная сеть (RNN)
• 5 трансформер (Transformer)
• 6 генеративно-состязательная сеть (GAN)

Расположите этапы оценки качества регрессионной модели в правильной последовательности:

Тип ответа: Сортировка

• 1 подготовка данных и разделение на обучающую и тестовую выборки
• 2 обучение модели на обучающей выборке
• 3 применение обученной модели к тестовой выборке для получения прогнозов
• 4 вычисление метрик качества на тестовой выборке (MSE, MAE и т.д.).

Расположите этапы построения и использования нейросетевой модели в правильной последовательности:

Тип ответа: Сортировка

• 1 подготовка и предварительная обработка данных
• 2 выбор архитектуры нейронной сети (количество слоев, типы слоев, функции активации)
• 3 обучение модели на тренировочных данных
• 4 оценка производительности модели на тестовых данных
• 5 применение обученной модели для решения задачи (например, классификации, регрессии)

Расположите этапы построения модели на основе правил в правильной последовательности:

Тип ответа: Сортировка

• 1 извлечение или генерирование правил из данных
• 2 определение критериев для оценки качества правил
• 3 оценка и выбор лучших правил
• 4 применение правил к новым данным для предсказания результата

Расположите этапы процесса обучения нейронной сети в правильной последовательности (от начала до конца):

Тип ответа: Сортировка

• 1 forward propagation (Прямое распространение)
• 2 вычисление функции потерь (Loss calculation)
• 3 dackpropagation (Обратное распространение ошибки)
• 4 обновление весов (Weight update)

Расположите этапы процесса обучения нейронной сети с использованием градиентного спуска в хронологической последовательности:

Тип ответа: Сортировка

• 1 инициализация весов сети
• 2 forward pass (прямое распространение) и вычисление функции потерь
• 3 вычисление градиентов функции потерь
• 4 обновление весов сети

Расположите этапы процесса оптимизации признакового пространства в правильной последовательности:

Тип ответа: Сортировка

• 1 сбор и анализ данных для определения необходимости оптимизации признакового пространства
• 2 выбор метода оптимизации признакового пространства
• 3 применение выбранного метода оптимизации
• 4 оценка производительности модели на основе отобранных/преобразованных признаков

Расположите этапы процесса применения модели машинного обучения (например, линейной регрессии) для прогнозирования в хронологическом порядке:

Тип ответа: Сортировка

• 1 сбор и подготовка данных
• 2 обучение модели на обучающем наборе данных
• 3 оценка производительности модели на тестовом наборе данных
• 4 использование обученной модели для прогнозирования новых данных

Расположите этапы процесса принятия решений на основе нечеткой логики в правильной последовательности:

Тип ответа: Сортировка

• 1 фаззификация (преобразование четких входных значений в нечеткие множества)
• 2 применение нечетких правил (IF-THEN rules) к нечетким входным данным
• 3 агрегация результатов применения нечетких правил
• 4 дефаззификация (преобразование нечеткого множества в четкое значение)

Расположите этапы процесса прямого распространения (forward propagation) в искусственной нейронной сети (ИНС) в правильной последовательности:

Тип ответа: Сортировка

• 1 получение входных данных на входном слое сети
• 2 вычисление выходного значения каждого нейрона путем применения функции активации к взвешенной сумме входов
• 3 передача выходных значений нейронов текущего слоя в качестве входных данных для нейронов следующего слоя
• 4 представление результата работы сети на выходном слое

Расположите этапы работы в типичной слоистой архитектуре нейронной сети в правильной последовательности:

Тип ответа: Сортировка

• 1 инициализация весов и смещений (bias) сети
• 2 подача входных данных на входной слой
• 3 прямое распространение данных через слои сети и применение функций активации
• 4 вычисление функции потерь (loss function) на основе предсказанных и фактических значений
• 5 обратное распространение ошибки (backpropagation) и обновление весов

Расположите этапы работы двунаправленной ассоциативной памяти (BAM) в правильной последовательности при извлечении сохраненного паттерна:

Тип ответа: Сортировка

• 1 преобразование входного паттерна в биполярный формат (+1 и -1)
• 2 подача входного паттерна (например, паттерна X) на входной слой сет
• 3 вычисление выходного паттерна, соответствующего входному паттерну, с использованием матрицы весов
• 4 проверка на сходимость: повторное преобразование выходного паттерна (паттерн Y) обратно во входной слой и сравнение с исходным входным паттерном

Расположите этапы работы сети Хопфилда в правильной последовательности:

Тип ответа: Сортировка

• 1 инициализация сети (задание весов синапсов)
• 2 подача входного образа (частичного или зашумленного)
• 3 обновление состояния нейрона (асинхронное или синхронное)
• 4 проверка достижения устойчивого состояния (минимума энергетической функции)

С целью улучшения работы ассоциативных запоминающих нейронных сетей (АЗС) рекомендуется …

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

• использовать более сложные правила обучения, применять введение скрытых слоев и использовать стохастического обновления нейронов
• только применять введение скрытых слоев
• использовать более сложные правила обучения, применять введение скрытых слоев и увеличить скорости обучения

Случайный … — это ансамблевый метод, который обучает несколько деревьев решений на различных подмножествах данных и случайных подмножествах признаков

Тип ответа: Текcтовый ответ

Сопоставьте алгоритм машинного обучения с типом решаемой задачи:

Тип ответа: Сопоставление

• A. K-средних (K-Means)
• B. Линейная регрессия
• C. Дерево решений
• D. Метод опорных векторов
• E. кластеризация (Clustering)
• F. регрессия (Regression)
• G. классификация (Classification)
• H. классификация

Сопоставьте архитектуру нейронной сети с ее типичным применением:

Тип ответа: Сопоставление

• A. CNN
• B. RNN
• C. LSTM (Long Short-Term Memory)
• D. Transformer
• E. классификация и обработка изображений (например, распознавание объектов)
• F. обработка последовательностей текста (например, машинный перевод)
• G. анализ временных рядов, предсказание, генерация музыки
• H. анализ текста, перевод, генерация текста, понимание естественного языка

Сопоставьте метрику оценки качества с ее определением:

Тип ответа: Сопоставление

• A. Точность (Precision)
• B. Полнота (Recall)
• C. F1-мера
• D. доля правильно предсказанных положительных объектов от общего числа предсказанных положительных объектов
• E. доля правильно предсказанных положительных объектов от общего числа фактических положительных объектов
• F. гармоническое среднее между точностью и полнотой

Сопоставьте модель машинного обучения с ее основными преимуществами:

Тип ответа: Сопоставление

• A. Линейная регрессия
• B. SVM
• C. Дерево решений
• D. Случайный лес
• E. хорошая интерпретируемость и простота
• F. эффективна в пространствах высокой размерности
• G. не требует нормализации данных
• H. высокая точность, устойчивость к переобучению, может оценивать важность признаков

Способ проверить, насколько хороша модель, когда данные разделяются на две части: одна для обучения, другая для проверки, называется «разделение на обучающий и …»

Тип ответа: Текcтовый ответ

Такие задачи как … могут быть решены с использованием методов обучения без учителя

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

• кластеризация клиентов на основе классификации изображений с предварительно заданными метками, понижение размерности данных для визуализации или предварительной обработки, поиск аномалий в данных, таких как обнаружение мошеннических транзакций
• кластеризация клиентов на основе их покупательского поведения, понижение размерности данных для визуализации или предварительной обработки, поиск аномалий в данных, таких как обнаружение мошеннических транзакций
• кластеризация клиентов на основе их покупательского поведения, понижение размерности данных для визуализации или предварительной обработки, поиск аномалий в данных, таких как классификация изображений с предварительно заданными метками
• кластеризация клиентов на основе их регрессионного анализа, понижение размерности данных для визуализации или предварительной обработки, поиск аномалий в данных, таких как обнаружение мошеннических транзакций

Установите соответствие между компонентами и характеристиками прямых произведений нейронных сетей:

Тип ответа: Сопоставление

• A. Базовые сети (Basic Networks)
• B. Результирующая сеть (Resulting Network)
• C. Оператор прямого произведения
• D. состоит из базовых сетей, которые обрабатывают различные входные данные или решают отдельные подзадачи
• E. обладает способностью обрабатывать входные данные разных типов или размерностей, объединяя результаты базовых сетей
• F. определяет способ объединения выходов базовых сетей

Установите соответствие между компонентами нейро-нечеткой системы и их функциями:

Тип ответа: Сопоставление

• A. Входной слой
• B. Слой фаззификации
• C. Слой правил
• D. Выходной слой
• E. принимает входные данные и передает их в следующий слой
• F. определяет степень принадлежности входных значений к нечетким множествам
• G. держит нечеткие правила, которые связывают входные переменные с выходными
• H. получает окончательный результат, например, значение выходной переменной

Установите соответствие между методами и их применением для оценки значимости признаков:

Тип ответа: Сопоставление

• A. Permutation Importance
• B. Feature Importance from Tree-based Models
• C. Univariate Feature Selection
• D. оценивает значимость признака на основе того, насколько сильно ухудшается производительность модели при случайном перемешивании значений этого признака
• E. оценивает значимость признаков на основе того, насколько часто они используются в деревьях решений (например, в случайном лесу)
• F. использует статистические тесты для оценки связи между каждым признаком и целевой переменной

Установите соответствие между понятиями и их определениями в контексте глубинного обучения:

Тип ответа: Сопоставление

• A. Сверточная нейронная сеть (CNN)
• B. Рекуррентная нейронная сеть (RNN)
• C. Функция активации (Activation function)
• D. используется для обработки изображений, автоматически извлекая признаки
• E. используется для обработки последовательных данных, таких как текст или временные ряды
• F. преобразует входной сигнал нейрона в выходной, вводя нелинейность в модель

Установите соответствие между понятиями и их определениями:

Тип ответа: Сопоставление

• A. Функция активации
• B. Функция потерь
• C. Нейрон
• D. Обучение нейронной сети
• E. функция, определяющая, как выходной сигнал нейрона зависит от его входных данных
• F. функция, измеряющая разницу между предсказанными и фактическими значениями
• G. базовая единица нейронной сети, принимающая входы, взвешивающая их и применяющая функцию активации
• H. процесс обновления весов в нейронной сети на основе ошибки предсказания

Установите соответствие между понятиями концептуального обучения и их определениями:

Тип ответа: Сопоставление

• A. Пространство гипотез
• B. Поиск в пространстве гипотез
• C. Концепт
• D. Пример
• E. совокупность всех возможных гипотез, которые могут быть использованы для представления целевой концепции.
• F. процесс выбора гипотезы, которая наилучшим образом соответствует обучающим примерам.
• G. представляет собой описание правила или функции, которая определяет принадлежность объекта к определенной категории.
• H. представляет собой конкретный объект или событие, которое либо соответствует концепту (положительный пример), либо не соответствует (отрицательный пример).

Установите соответствие между терминами и их определениями в контексте применения сети Хопфилда для решения задач комбинаторной оптимизации:

Тип ответа: Сопоставление

• A. Нейрон
• B. Энергетическая функция
• C. Вес связи
• D. элемент сети, представляющий переменную задачи, состояние которого кодирует решение
• E. функция, минимизация которой соответствует нахождению оптимального решения комбинаторной задачи
• F. параметр, представляющий влияние одного элемента задачи на другой; задает силу взаимодействия между ними

Установите соответствие между типом обучения и вопросом, который он помогает решить:

Тип ответа: Сопоставление

• A. Обучение с учителем
• B. Обучение без учителя
• C. Обучение с подкреплением
• D. Полуавтоматическое обучение
• E. классифицировать данные на основе известных примеров.
• F. найти скрытые закономерности в данных, не имея правильных ответов.
• G. обучить агента принимать оптимальные решения в сложной среде.
• H. улучшить модель, используя как ограниченное количество точных примеров, так и большой объем общих данных.

Установите соответствие понятий и их характеристик:

Тип ответа: Сопоставление

• A. Нейрон в сети Хопфилда
• B. Синапс в сети Хопфилда
• C. Энергетическая функция
• D. Процесс обновления состояния нейронов (асинхронное обновление)
• E. выполняет функцию принятия решения о своем состоянии на основе активности других нейронов
• F. выполняет функцию сохранения информации о связях между нейронами
• G. представляет собой определение стабильности состояния сети
• H. представляет собой переход сети в состояние, соответствующее локальному минимуму энергетической функции (стремление к стабильности)

Функция … определяет, как выходной сигнал нейрона зависит от взвешенной суммы входных сигналов и смещения

Тип ответа: Текcтовый ответ

Частичная задача обучения использует как … данные, так и неразмеченные данные для построения модели

Тип ответа: Текcтовый ответ

Энергетическая функция сети Хопфилда достигает … в устойчивых состояниях, представляющих запомненные образы

Тип ответа: Текcтовый ответ