💯 Машинное обучение Синергия Ответы на тесты 1-8, итоговый тест, компетентностный

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?

Предположим, вы разрабатываете систему прогнозирования кредитного рейтинга заемщиков на основе прямого произведения искусственных нейронных сетей (ППИНС). У вас есть две уже обученные искусственные нейронные сети (ИНС): ИНС 1: обучена на исторических данных о погашении кредитов (сумма кредита, срок, процентная ставка, кредитная история); ИНС 2: обучена на данных из социальных сетей заемщиков (количество друзей, активность, интересы). Обе ИНС демонстрируют приемлемую точность, но есть подозрение, что они выявляют разные, частично пересекающиеся факторы, влияющие на кредитный рейтинг. Ваша главная цель — учесть вклад каждой ИНС в конечный прогноз в зависимости от ее индивидуальной точности и значимости выявленных факторов? Какую архитектуру ППИНС следует выбрать для объединения этих двух ИНС? Поясните ответ.

Вы разработали модель регрессии для прогнозирования цен на жилую недвижимость в городе. Ваша модель предсказывает цены в тысячах долларов. Вы хотите оценить качество своей модели на тестовой выборке. В какой ситуации наиболее целесообразно использовать среднюю абсолютную процентную ошибку (Mean Absolute Percentage Error, MAPE) в качестве основного показателя для оценки качества вашей модели?

Случайный лес — это вариант баггинга, в котором дополнительно случайным образом выбирается подмножество … для построения каждого дерева

Специалист по разработке стандартных архитектур нейронных сетей разрабатывает систему оценки кредитоспособности клиентов банка. В качестве входных данных у него есть: возраст, доход, кредитная история (количество просрочек, наличие кредитных карт), место работы, образование. Его задача — классифицировать клиентов по трем категориям: «высокий риск», «средний риск», «низкий риск». Для решения этой задачи он решил использовать радиальную нейронную сеть (RBF-сеть). Какой тип радиальной базисной функции специалист должен выбрать для построения эффективной системы оценки кредитоспособности клиентов банка?

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?

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.

Представьте, что вы аналитик данных в отделе по борьбе с мошенничеством в банке. Вам необходимо разработать систему, которая могла бы выявлять мошеннические транзакции, даже если информация о них поступает частично или с искажениями. Вы рассматриваете возможность использования ассоциативных запоминающих нейронных сетей для этой цели. Опишите, в каких конкретных экономических задачах, помимо выявления мошеннических транзакций, ассоциативные запоминающие нейронные сети (АЗС) могут быть полезны. Объясните, почему использование АЗС может быть эффективным.

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)

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.

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?

Вы работаете аналитиком кредитного риска в крупном банке. Вам поручено разработать модель для прогнозирования дефолта по кредитным продуктам для физических лиц. Исходный набор данных содержит очень большое количество признаков (сотни), включая демографические данные клиентов, информацию об их кредитной истории, транзакционную активность, и макроэкономические показатели. Обработка всех этих признаков ресурсоемка, и есть подозрение, что некоторые признаки неинформативны или даже вредны для модели. Объясните, какие преимущества может дать оптимизация признакового пространства в контексте задачи прогнозирования дефолта кредитного портфеля. Перечислите преимущества, объяснив, почему они важны.

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)?

Вы работаете аналитиком в инвестиционной компании и занимаетесь разработкой модели прогнозирования цен на акции. Вы решили использовать рекуррентные нейронные сети (RNN) для анализа временных рядов финансовых данных. Вам необходимо продемонстрировать знания в области методов обучения нейронных сетей, чтобы эффективно обучить и оптимизировать вашу модель. Для обучения RNN вы будете использовать исторические данные о ценах на акции, а также связанные с ними экономические показатели (например, процентные ставки, уровень инфляции). Какой тип обучения наиболее подходит для данной задачи?

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?

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.

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.

Частичное обучение особенно полезно в областях, где … данных является дорогим или трудоемким процессом

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

Установите соответствие между этапами анализа главных компонент (PCA) и их описаниями:

Установите соответствие между типами признаков и их описаниями в машинном обучении:

Установите соответствие между типами гибридных искусственных нейронных сетей (ИНС) и их характеристиками:

Установите соответствие между терминами, используемыми в классификации, и их определениями:

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

Установите соответствие между терминами и их определениями в контексте ROC-анализа:

Установите соответствие между понятиями сети из одного нейрона и их определениями:

Установите соответствие между понятиями концептуального обучения и их определениями:

Установите соответствие между понятиями и их определениями в контексте многослойных искусственных нейронных сетей:

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

Установите соответствие между понятиями, используемыми в обучении с подкреплением, и их определениями:

Установите соответствие между методами обучения без учителя и их основными целями:

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

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

Установите соответствие между компонентами и характеристиками прямых произведений нейронных сетей:

Умножение матрицы на … представляет собой изменение масштаба вектора

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

Состояние сети Хопфилда с минимальной энергией называется …

Сопоставьте архитектуру нейронной сети с ее типичным применением:

Случайный лес для агрегации прогнозов отдельных деревьев использует …

Расположите этапы решения задач машинного обучения в правильной последовательности:

Расположите этапы работы Персептрона Розенблатта в правильной последовательности:

Расположите этапы работы нейронной сети встречного распространения в правильной последовательности:

Расположите этапы работы многослойной искусственной нейронной сети (ИНС) в правильной последовательности:

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

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

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

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

Расположите этапы процесса оценки качества решения задачи машинного обучения в правильной последовательности:

Расположите этапы принципа «Победитель забирает все» в сети Кохонена в правильной последовательности:

Расположите этапы построения модели на основе правил в правильной последовательности:

Расположите этапы построения и использования нейросетевой модели в правильной последовательности:

Расположите этапы построения и анализа ROC-кривой в правильной последовательности:

Расположите этапы оценки качества регрессионной модели в правильной последовательности:

Расположите этапы оптимизации признакового пространства в правильной последовательности:

Размер шага … определяет, насколько сильно параметры сети изменяются на каждой итерации обучения

Преобразование … разделяет непрерывный признак на несколько интервалов

Преобразование … используется для обработки категориальных признаков, заменяя их числовыми значениями

Основная задача модели Хопфилда — … ассоциативной памяти, то есть восстановление полного образа по его части

Одним из преимуществ частичного обучения является возможность улучшения производительности модели при ограниченном количестве … данных

На оценку качества решения задачи в машинном обучении влияет …

Модель Хопфилда относится к сетям … типа, в которых выход каждого нейрона подается обратно на входы других нейронов

Модели машинного обучения можно использовать для решения многих задач, например … (Укажите 3 варианта ответа)

Метод … является распространенным подходом в частичном обучении, где неразмеченные данные используются для определения структуры данных

Метод … является разновидностью градиентного спуска, который использует адаптивный размер шага для каждого параметра

Машинное обучение позволяет компьютерам … из опыта без явного программирования

Линейное … — это функция, которая отображает векторы из одного векторного пространства в другое, сохраняя операции сложения и умножения на скаляр

Задача … заключается в отнесении входных данных к одной из нескольких категорий

Говоря об основных типах алгоритмов обучения в машинном обучении, можно утверждать, что при обучении … (укажите 2 варианта ответа)

Говоря о характеристичных особенностях связи между нейронами, можно утверждать, что …

Говоря о характеристиках способов соединения нейронов в искусственной нейронной сети (ИНС), можно утверждать, что … (укажите 2 варианта ответа)

Говоря о характеристиках правила обучения Хебба в контексте модели Хопфилда, можно утверждать, что … (Укажите 3 варианта ответа)

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

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

Говоря о характеристиках задачи аппроксимации функции в стандартной постановке машинного обучения, можно утверждать, что … (Укажите 3 варианта ответа)

Говоря о характеристиках двунаправленной ассоциативной памяти (BAM), можно утверждать, что … (Укажите 3 варианта ответа)

Говоря о характеристиках анализа главных компонент (PCA), можно утверждать, что … (укажите 3 варианта ответа)

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

Говоря о различии между бинарной и многоклассовой классификацией, можно утверждать, что … (укажите 3 варианта ответа)

Говоря о понятии «пространство гипотез» в контексте машинного обучения, можно утверждать, что … (Укажите 3 варианта ответа)

Веса связей в модели Хопфилда определяются с помощью правила …, которое усиливает связи между нейронами, которые активируются одновременно

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

Векторное … — это множество объектов, называемых векторами, для которых определены операции сложения и умножения на скаляр

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

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

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

В задаче частичного обучения, … данные обычно составляют большую часть обучающей выборки

В задаче … необходимо предсказать непрерывное числовое значение

Баггинг помогает уменьшить … модели за счет усреднения прогнозов нескольких моделей

… — это такие как системы правил IF-THEN, которые представляют знания в форме правил, определяющих поведение системы

… — это прямоугольная таблица чисел, организованных в строки и столбцы

… — это процесс группировки объектов по схожим характеристикам

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

… — это преобразование, которое приводит значения признака к диапазону от 0 до 1

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

… признаков позволяет улучшить качество модели за счет изменения масштаба и распределения признаков

… представляет собой упрощение данных, уменьшение количества признаков

… описывает математическое представление зависимости между входными и выходными данными

… модели, такие как решающие деревья и случайный лес, делят пространство признаков на области, принимая решения на основе последовательности вопросов

… модели, такие как наивный байесовский классификатор, используют теорему Байеса для вычисления вероятности принадлежности объекта к определенному классу

… модели, такие как многослойный персептрон и сверточные нейронные сети, состоят из взаимосвязанных искусственных нейронов, обучающихся из данных