Нейронные сети | Темы 1-12 | Итоговый тест | 98 баллов | Синергия | 2026

Год сдачи: 2026

Итоговый результат: 98 из 100 баллов

Количество вопросов: 157

Введение в курс
Тема 1. Введение в машинное обучение
Тема 2. Статистические оценки и проверка гипотез
Тема 3. Машинное обучение как математическое моделирование
Тема 4. Введение в линейные модели и задача регрессии
Тема 5. Линейные модели и задача классификации
Тема 6. Выбор и оценка моделей, работа с признаками
Тема 7. Деревья и ансамбли
Тема 8. Бустинг
Тема 9. Признаковые представления для дискретных входных данных
Тема 10. Современные нейросетевые архитектуры
Тема 11. Кластеризация
Тема 12. Снижение размерности
Заключение
Итоговая аттестация

Список вопросов:

1. Алгоритм, который используется для снижения размерности данных, называется методом …
2. В регрессии решаются задачи на …
3. Такой метод, как …, используется для генерации изображений
4. Метод, при котором агент обучается взаимодействовать с окружающей средой для максимизации награды, называется обучением с …, или reinforcement learning
5. Для кластеризации данных применяется алгоритм …
6. Для увеличения разрешения изображений используется техника …
7. Математическая статистика изучает методы сбора, … и интерпретации данных
8. Выборка – это …
9. Для малых выборок и неизвестной дисперсии используется t-распределение, или распределение …
10. При увеличении объема выборки ширина доверительного интервала …
11. При уменьшении уровня значимости a …
12. При увеличении мощности теста …
13. Линейная регрессия предполагает, что зависимость между признаками и целевой переменной является … зависимостью
14. Согласно теореме No Free Lunch, …
15. Градиентный спуск обновляет параметры модели в направлении максимального уменьшения функции …
16. К недообучению модели приводит …
17. Функция потерь измеряет …
18. В библиотеках для глубокого обучения PyTorch и TensorFlow используется такой метод оценки градиента, как …
19. Теорема Гаусса–Маркова предполагает, что …
20. … – это явление, когда признаки линейно зависимы и ухудшают обучение модели
21. Процесс выбора оптимального значения коэффициента регуляризации – это …, или перекрестная проверка
22. Ковариационная матрица коэффициентов линейной регрессии характеризует …
23. Классификация – это задача, в которой требуется определить … объекта по его признаковому описанию
24. Задача классификации, где один объект может относиться сразу к нескольким …, – это многозначная классификация
25. Такой тип целевой переменной, как …, характерен для задачи классификации
26. Функция потерь для логистической … называется кросс-энтропией
27. Функция потерь … используется при обучении логистической регрессии
28. Байесовский классификатор принимает решение, максимизируя … (условную) вероятность класса
29. Критерий AIC оценивает …
30. При увеличении числа признаков без увеличения объема данных …
31. Критерий … сильнее штрафует модель за сложность по сравнению с критерием AIC
32. … в линейной регрессии стимулирует разреженность модели, зануляя коэффициенты
33. Английское сокращенное название ядра радиально-базисной функции, или ядра Гаусса, – …
34. Метод … расширяет классический алгоритм анализа главных компонент (PCA) на нелинейные зависимости
35. Решающие деревья строят модель, последовательно разбивая пространство признаков с помощью условий разбиения, признаков и …
36. Для оценки разбиений в классификационных решающих деревьях используются такие критерии, как индекс … и энтропия
37. Алгоритм CART при построении дерева для задачи регрессии минимизирует …
38. … – это метод ансамблирования, в котором несколько моделей обучаются на различных подвыборках данных, полученных методом случайной выборки с возвращением
39. Стекинг использует для объединения предсказаний базовых моделей …
40. В случае если ансамблевые деревья сильно коррелируют между собой, …
41. … – это сокращенное английское название метода ансамблирования, который увеличивает вес ошибочно классифицированных объектов при построении следующих моделей.
42. Градиентный бустинг интерпретируется как градиентный спуск в пространстве …
43. На каждом шаге градиентного бустинга …
44. В алгоритме XGBoost для каждой модели учитываются не только градиенты, но и вторые производные (…)
45. В алгоритме XGBoost прирост (gain) измеряет …
46. Процесс удаления неэффективных разбиений дерева называется …
47. Английское название метода кодирования категориальных признаков, при котором каждому значению соответствует отдельный бинарный признак, – …
48. Разреженное представление данных характеризует то, что …
49. Английское название метода построения векторного представления текста через частоту появления слов без учета их порядка – …
50. Алгоритм TF-IDF по сравнению с простым подсчетом слов учитывает …
51. … – это процесс разбиения текста на более мелкие элементы (токены), такие как слова или символы
52. Английское название алгоритма, обучающего плотные векторные представления слов на основе их контекста, – …
53. Missing indicator …
54. … – это техника заполнения пропущенных значений в наборах данных с использованием различных методов, таких как среднее значение, медиана и др.
55. Небольшой обучаемый тензор, который скользит по изображению и выявляет локальные признаки, – это … (фильтр)
56. Процесс добавления нулей по краям изображения перед свёрткой, – это …
57. Max Pooling – это операция в свёрточных нейронных сетях (CNN), которая …
58. Затрудняет обучение рекуррентных нейронных сетей (RNN) на длинных последовательностях такая проблема, как …
59. LSTM – это тип рекуррентных нейронных сетей, способных запоминать долгосрочные зависимости благодаря …
60. Скрытые представления данных внутри сети называются … признаками
61. … – это процесс группировки объектов по их сходству без использования размеченных данных
62. Английское название классического алгоритма, минимизирующего сумму квадратов расстояний до центров кластеров, – …
63. На M-шаге (шаге максимизации) EM-алгоритма происходит …
64. При использовании типа агломеративной кластеризации complete linkage в иерархической кластеризации … между кластерами
65. Собственные значения ковариационной матрицы в методе главных компонент (PCA) показывают …
66. Мера расхождения между двумя вероятностными распределениями, минимизируемая в алгоритме t-SNE – это … Кульбака–Лейблера
67. Параметр min_dist в алгоритме UMAP …
68. Эффективнее обрабатывает большие наборы данных при снижении размерности данных такой алгоритм, как …
69. Параметр perplexity в алгоритме t-SNE …
70. Такой метод, как …, лучше сохраняет как глобальную, так и локальную структуру данных
71. … на данных – это процесс автоматического выявления закономерностей в данных и применения их для принятия решений или прогнозов
72. Ошибка второго рода заключается в том, что …
73. В машинном обучении функция … – это формальное выражение того, насколько сильно предсказание модели отличается от истинного значения
74. Для подбора параметров линейной регрессии используется метод …
75. … – это задача определения принадлежности объекта к одному из заранее известных классов
76. Такой алгоритм машинного обучения, как …, является линейным классификатором
77. На этапе валидации модели происходит …
78. Процесс отбора только самых важных признаков называется feature …
79. … – это техника, при которой ошибки предыдущих моделей исправляются следующими моделями
80. … – это ансамбль слабых моделей, которые корректируют ошибки друг друга
81. … – это модель обучения плотных векторных представлений слов
82. … нейронная сеть (CNN) – это архитектура нейронных сетей, предназначенная для обработки изображений с учетом локальной структуры данных
83. … – это задача группировки объектов таким образом, чтобы внутри групп объекты были похожи друг на друга
84. Неверно, что такой метод кластеризации, как …, требует задания числа кластеров заранее
85. Собственные значения ковариационной матрицы в методе главных компонент (PCA) показывают …
86. На первом этапе применения метода главных компонент (PCA) происходит …
87. … Кульбака–Лейблера – это мера расхождения между двумя вероятностными распределениями, минимизируемая в алгоритме t-SNE
88. Аналитик анализирует тексты отзывов клиентов и хочет автоматически группировать их по темам. Какую технологию ему следует использовать?
89. Исследователь анализирует средний доход сотрудников компании. Он собрал выборку из 40 сотрудников, при этом дисперсия генеральной совокупности неизвестна. Какой тип оценки ему следует использовать и что необходимо учитывать при расчёте доверительного интервала?
90. В задаче прогнозирования цен на недвижимость аналитик применил линейную регрессию, но обнаружил высокую ошибку на тестовой выборке. Что вероятнее всего происходит и какие меры следует предпринять?
91. Инженер обучает линейную модель на признаках, где наблюдается сильная корреляция между несколькими переменными. Какая техника поможет стабилизировать модель?
92. Модель классификации демонстрирует высокое качество на обучении, но низкое – на тестировании. Что поможет решить эту проблему?
93. Разработчик строит случайный лес для задачи классификации. Что отличает случайный лес от простого бэггинга?
94. Инженер строит модель XGBoost для задачи классификации с несбалансированными классами. Что поможет улучшить качество классификации малых классов?
95. Аналитик работает с большим количеством категориальных признаков, число уникальных значений которых очень велико. Какую стратегию кодирования ему выбрать для уменьшения размерности данных?
96. Разработчик хочет получить 2D-представление сложных многомерных данных, которое хорошо сохраняет локальную структуру, дает приемлемое сохранение глобальной структуры, быстро работает на больших данных и позволяет добавлять новые точки без полного переобучения. Какой метод стоит для этого использовать?
97. Исследователь хочет выяснить, существует ли значимая разница в уровне удовлетворенности клиентов в двух магазинах. Какую процедуру ему следует применить?
98. Разработчик применяет метод k ближайших соседей (k-NN) для задачи регрессии и замечает высокую чувствительность модели к шуму данных. Какое изменение параметров может помочь?
99. Аналитик обнаружил, что матрица признаков в задаче линейной регрессии – вырожденная (необратимая). Что необходимо сделать для корректного обучения модели?
100. Модель классификации плохо работает на малых классах в несбалансированных данных. Что нужно предпринять в этой ситуации?
101. Исследователь обучает решающее дерево для классификации клиентов по уровню дохода. Он замечает, что дерево переобучается. Что необходимо сделать для борьбы с переобучением?
102. При анализе текстовых данных необходимо учитывать не только наличие слова, но и его значимость в корпусе. Какую модель векторизации следует выбрать?
103. Исследователь применяет алгоритм K-means для кластеризации клиентов, но не знает, сколько кластеров выбрать. Какую стратегию ему стоит использовать?
104. В числе необходимых условий для применения нормального уравнения в линейной регрессии – … (укажите 2 варианта ответа)
105. В числе характерных особенностей метода главных компонент (PCA) – … (укажите 2 варианта ответа)
106. Важными для статистических оценок являются такие свойства, как … (укажите 2 варианта ответа)
107. В числе характерных особенностей свёрточной нейронной сети (CNN) – … (укажите 2 варианта ответа)
108. Такие методы, как …, – это алгоритмы нелинейного снижения размерности данных (укажите 2 варианта ответа)
109. Говоря о том, какие свойства характерны для AdaBoost, можно утверждать, что этот метод … (укажите 2 варианта ответа)
110. Такие критерии, как …, используют при сравнении моделей (укажите 2 варианта ответа)
111. Байесовский классификатор … (укажите 2 варианта ответа)
112. К статистическим моделям следует отнести … (укажите 2 варианта ответа) л
113. К ансамблям моделей относятся такие методы, как … (укажите 2 варианта ответа)
114. К вероятностной кластеризации относятся такие методы, как … (укажите 2 варианта ответа)
115. Плотностные оценки для кластеризации используют такие алгоритмы, как … (укажите 2 варианта ответа)
116. В тематическом моделировании текстов применяются такие методы, как … (укажите 2 варианта ответа)
117. К бустингу относятся такие алгоритмы, как … (укажите 2 варианта ответа)
118. … поможет избежать переобучения модели (укажите 2 варианта ответа)
119. К методам обработки текста относятся такие методы, как … (укажите 2 варианта ответа)
120. Установите соответствие между типом ошибки и ее описанием:
121. Установите соответствие между типами задач и их характеристиками:
122. Установите соответствие между понятием и его описанием:
123. Установите соответствие между методом обучения и его описанием:
124. Установите соответствие между элементом метода факторизации матриц (SVD) и его характеристикой …
125. Установите соответствие между понятием и его характеристикой:
126. Установите соответствие между методом и его характеристикой:
127. Установите соответствие между архитектурой нейронной сети и ее особенностью:
128. Установите соответствие между метрикой и ее характеристикой:
129. Установите соответствие между элементами задачи классификации и их характеристиками:
130. Установите соответствие между элементами логистической модели и их характеристиками:
131. Установите правильную последовательность этапов обработки категориального признака с помощью метода one-hot encoding:
132. Установите соответствие между понятием и его характеристикой:
133. Установите соответствие между метрикой и областью ее применения:
134. Установите соответствие между критерием и его свойством:
135. Установите соответствие между функцией потерь и ее свойством:
136. Установите соответствие между алгоритмом и его характеристикой:
137. Расположите в правильной последовательности этапы оптимизации модели с помощью градиентного спуска:
138. Расположите в правильной последовательности этапы обучения модели с учителем:
139. Расположите этапы применения метода главных компонент (PCA):
140. Расположите в правильном порядке этапы обработки задачи классификации:
141. Расположите в правильном порядке этапы алгоритма K-means:
142. Расположите в правильном порядке этапы построения модели обучения с учителем:
143. Установите соответствие между понятием и его характеристикой:
144. Расположите в правильном порядке этапы построения доверительного интервала:
145. Установите соответствие между типом задачи и примером:
146. Расположите в правильной последовательности этапы построения классификационной модели:
147. Установите соответствие между методом и его характеристикой:
148. Расположите этапы обработки изображения в свёрточной нейронной сети:
149. Расположите в правильной последовательности этапы обучения с подкреплением:
150. Расположите в правильном порядке этапы проверки гипотезы:
151. Расположите этапы работы алгоритма бустинга:
152. Расположите этапы построения ансамбля методом «случайного леса»:
153. Расположите в правильной последовательности этапы работы алгоритма AdaBoost:
154. Расположите в правильном порядке этапы обработки пропущенных данных:
155. Расположите в правильном порядке этапы проверки статистической гипотезы:
156. Расположите в правильной последовательности этапы одного шага градиентного бустинга:
157. Расположите в правильной последовательности этапы построения линейной модели регрессии: