Курс Интеллектуальные информационные системы . КМ-4. Методы машинного обучения. Тестирование

Тест решён на оценку 5.
Сами вопросы из теста:
1. Изучение и компьютерное моделирование процесса обучения является предметом исследования в области искусственного интеллекта, называемой машинным обучением (Machine Learning). Как правило, система машинного обучения пользуется не единичными наблюдениями, а целыми (конечными) множествами наблюдений сразу. Такое множество называется:
2. Множество, которое используется для обучения в алгоритмах машинного обучения (Machine Learning)., содержит
3. Обучение на основе примеров является типичным случаем индуктивного обучения и широко используется в системах искусственного интеллекта. На основе предъявленных примеров (и, возможно, контрпримеров) интеллектуальная система должна сформировать общее понятие, охватывающее примеры и исключающее контрпримеры. Как представляются примеры - объекты в системах машинного обучения?
4. Какие значения могут иметь признаки, которые используются при описании объектов обучающей выборки в алгоритмах машинного обучения:
5. В системах машинного обучения под обобщением понимается переход от рассмотрения множества объектов к рассмотрению обобщенного понятия, описывающего класс таких объектов. Таким образом, решив задачу машинного обучения мы получим
6. Интеллектуальные системы Data Mining (добыча данных) и Knowledge Discovery in Databases (обнаружение знаний в базах данных) решают задачи поиска скрытых закономерностей с использованием реальных таблиц Баз данных. При этом в качестве обучающей выборки выступает
7. Обучающая выборка задана таблицей, где каждая строка таблицы – это один объект, или пример понятия, заданный набором свойств (значений атрибутов). Один из множества атрибутов является решающим – определяет класс, к которому относится каждый объект. Какое утверждение является правильным:
8. В интеллектуальных системах Data Mining (добыча данных) и Knowledge Discovery in Databases (обнаружение знаний в базах данных) обучающая выборка – это некоторый фрагмент таблицы, хранящейся в распределённой БД. Известно, что такие таблицы могут содержать очень много атрибутов различного типа. Как определяется решающий атрибут для формирования обобщенных понятий?
9. Выберите правильный ответ. Алгоритмы машинного обучения используют в качестве входных данных обучающую выборку. Результатом является классификатор, или упорядоченная система проверок, которая позволит отнести объект классу. Алгоритмы машинного обучения могут реализовать процедуру обучения «с учителем» или обучения «без учителя». Эти два типа алгоритмов различаются тем, что:
10. Какие из перечисленных ниже алгоритмов относятся к алгоритмам обучения «с учителем»?
11. Формирование понятий по сути является процессом выделения закономерностей, свойственных множествам объектов. Такие множества объектов образуют обучающие выборки. Выберите правильное определение обучающей выборки. Обучающая выборка, которая используется в алгоритме обучения «с учителем»:
12. Какие из перечисленных ниже алгоритмов относятся к алгоритмам обучения «без учителя»:
13. Наиболее простой способ оценить, насколько хорошо построенная решающая функция (такая, как система решающих правил, или дерево решений) работает это проверить её на тестовом множестве (экзамен). Какое из утверждений верно? В качестве экзаменационного множества при этом используется: …
14. После того, как решающее правило на обучающей выборке построено, проводится экзамен – с помощью решающего правила надо разделить объекты новой, экзаменационной выборки на примеры и контрпримеры. Если решающее правило правильно проводит такое разделение, обучение заканчивается. Если результат экзамена неудовлетворителен: … Какая из предложенных стратегий верна?
15. Какое из четырёх утверждений неверно? Решающее правило, сформированное алгоритмом обобщения «с учителем», может быть представлено в следующем виде:
16. Алгоритм АМХ построения дерева решений, основанный на метрике Хемминга, строит бинарное дерево решений. Какие из приведенных ниже утверждений являются верными?
17. В алгоритме AMX построения бинарного дерева решений для каждого атрибута в таблице, задающей обучающую выборку, строится бинарный вектор. Какое расстояние D(X, Y) будет между ,бинарными векторами X и Y, если Х = <0 1 0 0 1 1> Y = < 0 1 1 1 0 1>?
18. В алгоритме AMX построения бинарного дерева решений для каждого атрибута в таблице, задающей обучающую выборку, строится бинарный вектор. Были получены три бинарных вектора X, Y, Z:
19. Какой из двух векторов: X или Y ближе к вектору Z?
20. Дана обучающая выборка, в которой все примеры относятся к одному классу. Можно ли на такой выборке построить дерево решений одним из алгоритмов построения дерева решений?
21. 1. Дерево решений - это дерево, внутренние узлы которого представляют собой проверки для входных примеров из обучающего множества, а вершины-листы взвешены именами классов (решений). 2. Дерево решений каждому входному примеру ставит в соответствие номер класса путем фильтрации этого примера через промежуточные узлы дерева сверху вниз. Результаты каждой проверки являются взаимоисключающими и исчерпывающими. 3. Проверки для каждого входного примера начинаются с корня дерева. Проверка заканчивается, когда достигнут лист дерева. 4. Каждая проверка – это проверка значения одного из признаков (атрибутов), описывающих входной пример. Проверки могут приводить к двум результатам, или более, чем к двум. Какие из приведённых утверждений ошибочны, если речь идёт о дереве решений?
22. Каким из перечисленных ниже свойств не обладает бинарное дерево решений:
23. Алгоритм ID3 Куинлана строит дерево решений на основе обучающей выборки. Какое из четырёх ниже приведённых утверждений неверно? Дерево решений, построенное алгоритмом ID3:
24. Алгоритм, основанный на использовании метрики Хэмминга, строит дерево решений, используя обучающую выборку. Какое из четырёх утверждений верны? Это дерево решений
25. Дерево решений построено алгоритмом ID3. Дерево решений используется:
26. Дерево решений построено алгоритмом ID3 на основе конкретной обучающей выборки. Выберите неверное утверждение. Результат работы алгоритма считается успешным, если:
27. Выберите утверждения, верные для алгоритмов обучения «без учителя». В интеллектуальных системах машинным обучением называется процесс создания и оптимизации алгоритма, который разделяет предъявленные объекты на классы. Для обучения используется определенный набор объектов, называемый обучающим множеством или обучающей выборкой. В алгоритмах обучения: …
28. Выберите верные для алгоритмов обучения «с учителем» утверждения. В интеллектуальных системах машинным обучением называется процесс создания и оптимизации классификационного правила, которое разделяет предъявленные объекты на классы. В алгоритмах обучения «с учителем» такой классификатор представляет:
29. Алгоритмы обучения «без учителя» - пороговый алгоритм и алгоритм MAXMIN формируют классы объектов по критерию близости объектов в пространстве признаков. Ниже приведены свойства, которыми могут обладать эти алгоритмы: 1 Число полученных классов заранее неизвестно и может быть больше двух. 2 Пороговое расстояние, определяющее границу между классами, меняется во время работы алгоритма. 3 Алгоритм выполняет несколько итераций для построения классов объектов. Для алгоритмов MAXMIN и для порогового алгоритма:
30. Алгоритмы обучения «без учителя» - алгоритм MAXMIN и алгоритм К -средних формируют классы объектов по критерию близости объектов в пространстве признаков. Ниже приведены свойства, которыми могут обладать эти алгоритмы: 1. Число полученных классов заранее известно. 2. Алгоритм выполняет несколько итераций для построения классов объектов. 3. Критерием завершения работы алгоритма является стабильность полученного разбиения обучающей выборки на классы. Для алгоритмов MAXMIN и для алгоритма К-средних
31. Обучающая выборка разбита на классы с помощью одного из алгоритмов обучения «без учителя». Какие объекты называются объектами -прототипами классов?
32. Объекты обучающей выборки заданы наборами числовых параметров и принадлежат нескольким классам. Как принять решение – к какому классу отнести новый объект, не встречавшийся ранее в обучающей выборке? Возможны стратегии: 1 Объект будет включен в один из классов, если известны центры классов и расстояние от объекта до центра этого конкретного класса минимально по сравнению с расстояниями до центров других классов. 2 Объект будет отнесён к определённому классу, если существует граница, разделяющая классы, например, гиперплоскость, для которой есть аналитическое описание (функция). Надо проверить, как расположен объект относительно этой границы. Выберите правильную стратегию.
33. Для случая двух классов задача сводится к построению только одной решающей функции; такая функция должна принимать положительные значения для объектов одного класса и отрицательные – для другого класса. Существует алгоритм построения линейной решающей функции для случая двух классов, исходными данными для которого является обучающая выборка, содержащая примеры объектов этих двух классов. Какое утверждение верно? Алгоритм построения линейной решающей функции является:
34. Объекты обучающей выборки заданы наборами числовых параметров и могут принадлежать нескольким классам. Существует метод построения решающей функции как получение уравнения границ, разделяющих классы. Для случая двух классов задача сводится к построению только одной решающей функции. Существует алгоритм построения линейной решающей функции для случая двух классов. Какие из этих утверждений верны? Такой алгоритм построения линейной решающей функции:
35. Существует метод построения решающей функции как получение уравнения границ, разделяющих классы. Для случая двух классов возможно построить линейную решающую функцию, используя алгоритм построения такой функции. Если точки двух классов расположены так, что их нельзя разделить одной линейной гиперплоскостью, возможны действия: … Какие стратегии правильные?
36. Примером интеллектуальной системы является экспертная система. Экспертная система (ЭС) - это интеллектуальная программа, которая моделирует рассуждения человека-эксперта в некоторой определенной области и использует для этого базу знаний, содержащую факты и правила о действиях в этой области, а также специальные средства логического вывода. База знаний экспертной системы может хранить информацию в следующем виде: 1 Множество дизъюнктов Хорна. 2 Наборы продукционных правил. 3 Онтология. 4 Таблицы реляционных баз данных. Какой вариант неверен
37. Для представления знаний в экспертной системе на основе семантических сетей, онтологий, используются отношения: … Какие из перечисленных отношений обеспечивают наследование свойств объектами разных уровней?
38. Какие свойства объектов, хранящихся в реальных базах данных, затрудняет их использование для машинного обучения в системах Data mining и в экспертных системах: 1) Базы данных создаются из расчета требований конкретных приложений, а не специально для машинного обучения. 2) Информация, содержащаяся в базах данных, как правило, неполна. Свойства объектов, необходимые для корректной классификации, не обязательно представлены в базе данных. 3) Отдельные значения могут содержать ошибки или вовсе отсутствовать. 4) Базы данных очень велики. 5) Базы данных изменяются со временем. Варианты ответов
39. При использовании реальной базы данных (БД) для машинного обучения в системах Data mining и в экспертных системах возникают следующие проблемы: 1) Базы данных создаются из расчета требований конкретных приложений, а не специально для машинного обучения. 2) Информация, содержащаяся в базах данных, как правило, неполна. Свойства объектов, необходимые для корректной классификации, не обязательно представлены в базе данных. 3) Отдельные значения могут содержать ошибки или вовсе отсутствовать. 4) Базы данных очень велики. 5) Базы данных изменяются со временем. Какие из этих проблем могут быть решены с помощью человека-эксперта?
40. В системе Data Mining возможна работа с обучающими выборками, которые обладают таким свойством: в обучающей выборке присутствуют объекты, идентичные по всем атрибутам (признакам), но отнесённые к разным классам. Какое определение правильно? Такие обучающие множества
41. Выберите правильный вариант. В системе Data Mining возможна работа с обучающими выборками, которые содержат противоречивую информацию. Это значит, что в обучающей выборке присутствуют объекты, идентичные по всем атрибутам (признакам), но отнесённые к разным классам. Обучающие множества, содержащие противоречия, могут быть обработаны с помощью алгоритмаПоказать/скрыть дополнительное описание