Для студентов Финуниверситет по предмету Машинное обучениеБилеты к экзамену по машинному обучениюБилеты к экзамену по машинному обучению
2024-01-242024-01-24СтудИзба
Вопросы/задания: Билеты к экзамену по машинному обучению
Описание
В файле информация по следующим темам
1. CRISP DM
2. Типы задач в машинном обучении (классификация, регрессия,
кластеризация, выявление аномалий и др.).
3. Линейная регрессия.
4. Аналитическое и численное решение задачи МНК.
5. Градиентный спуск в машинном обучении.
6. Обучение и функция потерь. Минимизация потерь: итерационный
подход. Градиентный спуск с линейной регрессией.
7. Метрики качества регрессии: MSE, MAE, коэффициент детерминации,
MAPE, RMSE
8. Градиентный спуск, стохастический градиентный спуск.
9. Деревья решений: алгоритм ID-3, C4.5
10. Энтропия и индекс Джини
11. Обработка пропущенных значений, стрижка, регуляризация. Сильные
и слабые стороны деревьев решений
12. CART.
13. Underfitting & Overfitting в машинном обучении, методы обнаружения
и борьбы с ними, регуляризация
14. Понятие Feature Selection в машинном обучении, методы применяемые
в sklearn
15. Понятие Feature Engineering в машинном обучении, способы
преобразования нечисловых признаков в числовые - методы
применяемые в sklearn
16. Задача оценивания вероятностей, логистическая регрессия.
17. Loss функция в задачи бинарной классификации.
18. Матрица ошибок, AUC
19. Метрики качества в задачах классификации: F1, MCC, Kappa
20. Общая идея разложения MSE на смещение и разброс.
21. Ансамблевые методы в машинном обучении: бэггинг, бустинг и
стекинг
22. Бэггинг и метод случайных подпространств. Случайные леса.
23. Бустинг. AdaBoost
24. Градиентный бустинг над решающими деревьями.
25. Различные имплементации градиентного бустинга: CatBoost, XGBoost,
LightGBM – основные отличия.
26. Задача кластеризации. Области применения
27. Алгоритм k-means. Проблемы кластерного анализа
28. Постановка задачи анализа временных рядов.
29. Основные методы применяемы для решения задачи анализа временных
рядов.
1. CRISP DM
2. Типы задач в машинном обучении (классификация, регрессия,
кластеризация, выявление аномалий и др.).
3. Линейная регрессия.
4. Аналитическое и численное решение задачи МНК.
5. Градиентный спуск в машинном обучении.
6. Обучение и функция потерь. Минимизация потерь: итерационный
подход. Градиентный спуск с линейной регрессией.
7. Метрики качества регрессии: MSE, MAE, коэффициент детерминации,
MAPE, RMSE
8. Градиентный спуск, стохастический градиентный спуск.
9. Деревья решений: алгоритм ID-3, C4.5
10. Энтропия и индекс Джини
11. Обработка пропущенных значений, стрижка, регуляризация. Сильные
и слабые стороны деревьев решений
12. CART.
13. Underfitting & Overfitting в машинном обучении, методы обнаружения
и борьбы с ними, регуляризация
14. Понятие Feature Selection в машинном обучении, методы применяемые
в sklearn
15. Понятие Feature Engineering в машинном обучении, способы
преобразования нечисловых признаков в числовые - методы
применяемые в sklearn
16. Задача оценивания вероятностей, логистическая регрессия.
17. Loss функция в задачи бинарной классификации.
18. Матрица ошибок, AUC
19. Метрики качества в задачах классификации: F1, MCC, Kappa
20. Общая идея разложения MSE на смещение и разброс.
21. Ансамблевые методы в машинном обучении: бэггинг, бустинг и
стекинг
22. Бэггинг и метод случайных подпространств. Случайные леса.
23. Бустинг. AdaBoost
24. Градиентный бустинг над решающими деревьями.
25. Различные имплементации градиентного бустинга: CatBoost, XGBoost,
LightGBM – основные отличия.
26. Задача кластеризации. Области применения
27. Алгоритм k-means. Проблемы кластерного анализа
28. Постановка задачи анализа временных рядов.
29. Основные методы применяемы для решения задачи анализа временных
рядов.
Характеристики вопросов/заданий
Предмет
Учебное заведение
Семестр
Просмотров
3
Покупок
0
Качество
Идеальное компьютерное
Размер
2,91 Mb
Список файлов
- Машинное_Обучение.docx 2,91 Mb