🌞Нейронные сети / Темы 1-12 / Сборник правильных ответов на отлично! 100/100

Нейронные сети
Учебные материалы
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


Статистическая оценка параметра - это ...
функция от выборочных данных, приближающая неизвестный параметр
истинное значение параметра совокупности
распределение вероятностей

Обучение с ... - это тип обучения, при котором алгоритм получает обратную связь о правильности своих действий через награды или штрафы

Метод полной связи (complete linkage) в иерархической кластеризации измеряет ... расстояние между точками
минимальное
максимальное
среднее

Выходом модели логистической регрессии является ...
категория
логарифм
вероятность наступления события

Неверно, что в задачах регрессии используется метрика ...
МАЕ
RMSE
Accuracy

... оценка - это приближенное значение параметра, представленное одним числом, рассчитанным по выборке

... - это модель обучения плотных векторных представлений слов
Hashing
Word2Vec
One-hot Encoding

Линейная ... - это модель, предполагающая линейную зависимость между входными признаками и выходной переменной

Алгоритм ... реализует эффективный градиентный бустинг с регуляризацией
Random Forest
XG Boost
kNN

Английское название метода кодирования категориальных признаков путем создания бинарных признаков для каждого значения, – …

... модели - это процесс оценки точности модели на новых, ранее не встречавшихся данных

Установите соответствие метода кодирования и его характеристики:
A. One-hot Encoding
B. Hash Encoding
C. Target Encoding
D. бинарное представление категорий
Е. сжатие признаков через хеширование
F. зависимость от целевой переменной

Установите соответствие между методом ансамблирования и его характеристикой:
A. Бэггинг
В. Бустинг
С. Стекинг
D. параллельное объединение моделей
Е. последовательное обучение моделей
F. объединение предсказаний через метамодель

Расположите в правильном порядке этапы применения метода главных компонент (РСА):
1 центрирование данных
2 вычисление ковариационной матрицы
3 поиск собственных векторов
4 проекция данных

... - это множество допустимых параметров модели, среди которых выбирается наилучшее решение в процессе обучения

Метод AdaBoost минимизирует ...
логистическую функцию потерь
экспоненциальную функцию потерь
среднеквадратичную ошибку

Ошибка второго рода заключается в том, что ...
отвергается истинная нулевая гипотеза
не отвергается ложная нулевая гипотеза
занижается уровень значимости

... нейронная сеть (CNN) - это архитектура нейронных сетей, предназначенная для обработки изображений с учетом локальной структуры данных

... Кульбака-Лейблера - это мера расхождения между двумя вероятностными распределениями, минимизируемая в алгоритме t-SNE

Для обучения без учителя характерно ...
наличие целевой переменной
нахождение скрытых структур в данных
использование меток классов

Распределение ... (или t-распределение) используется при построении доверительных интервалов для среднего на малых выборках и при неизвестной дисперсии

... - это функция активации логистической регрессии
tanh
Сигмоида
ReLU

Порог... - это порог, определяющий принадлежность объекта к классу по вероятности

В машинном обучении для регрессии подходит такая из функций потерь, как ...
Log Loss
Mean Squared Error (MSE)
Hinge Loss
Entropy Loss

... - это задача группировки объектов таким образом, чтобы внутри групп объекты были похожи друг на друга

... - это английское название слоя в свёрточной нейронной сети, который уменьшает пространственные размеры карты признаков и повышает устойчивость модели к сдвигам и искажениям

Коэффициент b₁  в линейной модели регрессии - это коэффициент ...
ошибки предсказания
смещения
наклона прямой

Процесс минимизации функции потерь в машинном обучении называется ...
валидацией
оптимизацией
регуляризацией
прогнозированием

Для оценки разбиений в деревьях классификации используют ...
метрику MSE
энтропию или индекс Джини
метрику МАЕ

При увеличении глубины дерева без ограничений ...
повышается переобучение
уменьшается переобучение
модель становится проще

Установите соответствие между понятием из области нейронных сетей и его назначением:
A. Padding
В. Stride
С. Pooling
D. добавление нулей по краям
Е. шаг перемещения ядра
F. сжатие карты признаков

Расположите в правильной последовательности этапы построения математической модели в машинном обучении:
1 определение пространства параметров
2 выбор функции потерь
3 минимизация функции потерь
4 проверка качества модели

Расположите в правильном порядке этапы построения случайного леса:
1 создание бутстреп-выборок
2 построение деревьев
3 случайный отбор признаков
4 голосование по деревьям

Установите соответствие между типом задачи в машинном обучении и функцией потерь/критерием:
А. Регрессия
В. Классификация
С. Обучение с подкреплением
D. Mean Squared Error
E. Log Loss
F. функция вознаграждения (Reward)

Установите соответствие между алгоритмом и его характеристикой:
A. Feature selection
В. Feature extraction
C. Feature engineering
D. отбор лучших признаков
E. выделение информативных признаков
F. создание новых признаков

Операция Max Pooling ...
уменьшает размер карты признаков, выбирая максимальное значение
сохраняет все значения карты признаков
выбирает минимальное значение карты признаков

... дерево - это структура данных, представляющая собой дерево решений, в узлах которого принимаются условия разбиения

Процесс минимизации функции потерь в машинном обучении называется ...
валидацией
оптимизацией
регуляризацией
прогнозированием

Для сохранения локальной и глобальной структуры данных лучше всего подходит такой метод снижения размерности, как ...
РСА
t-SNE
UMAP

Ошибка второго рода заключается в том, что ...
отвергается истинная нулевая гипотеза
не отвергается ложная нулевая гипотеза
занижается уровень значимости

В машинном обучении для регрессии подходит такая из функций потерь, как ...
Log Loss
Mean Squared Error (MSE)
Hinge Loss
Entropy Loss

... - это ансамбль слабых моделей, которые корректируют ошибки друг друга

Собственные значения ковариационной матрицы в методе главных компонент (РСА) показывают ...
связь между кластерами
дисперсию вдоль собственных векторов
минимальные расстояния между точками

Метод бэггинга ...
увеличивает смещение модели
уменьшает дисперсию модели
делает модель менее сложной

На этапе валидации модели происходит ...
настройка гиперпараметров
финальная проверка на тесте
обучение модели

В машинном обучении функция ... - это формальное выражение того, насколько сильно предсказание модели отличается от истинного значения

... - это подмножество генеральной совокупности, полученное в результате наблюдений или эксперимента, на основе которого делаются выводы о всей совокупности

Упрощенная версия LSTM называется ...
GRU
Encoder
Decoder

... - это область знаний, занимающаяся разработкой методов, позволяющих системам автоматически учиться на данных и улучшать свои результаты без явного программирования

Такой алгоритм машинного обучения, как ..., является линейным классификатором
логистическая регрессия
kNN
случайный лес

Задача прогнозирования уровня продаж относится к задачам на ...
классификацию
регрессию
кластеризацию

... - это метод оценки модели, когда данные многократно делятся на обучающую и тестовую выборки
Метод отложенной выборки (Holdout)
Кросс-валидация
Подбор гиперпараметров

Расположите в правильном порядке этапы реализации метода one-hot encoding:
1 определение всех уникальных категорий
2 создание новой матрицы признаков
3 заполнение бинарными значениями

Расположите в правильной последовательности этапы работы алгоритма AdaBoost:
1 инициализация весов
2 обучение слабой модели
3 вычисление ошибки
4 пересчет весов объектов

Установите соответствие между алгоритмом и его характеристикой:
A. Feature selection
В. Feature extraction
C. Feature engineering
D.отбор лучших признаков
Е. выделение информативных признаков
F. создание новых признаков

Расположите в правильном порядке этапы проверки статистической гипотезы:
1 формулировка нулевой и альтернативной гипотез
2 выбор уровня значимости
3 вычисление статистики критерия
4 принятие решения

Установите соответствие между метрикой и ее характеристикой:
A. МАЕ
В. MSE
С. R²
D. средняя абсолютная ошибка
Е. среднеквадратичная ошибка
F. коэффициент детерминации

Установите соответствие между свойствами оценок и их определениями:
A. Несмещенность
B. Состоятельность
C. Эффективность
D. совпадение математического ожидания оценки с истинным значением параметра
E. стремление оценки к истинному значению при росте объема выборки
F. наименьшая дисперсия среди всех несмещенных оценок

Расположите в правильной последовательности этапы обучения модели с учителем:
1 подготовка размеченного набора данных
2 обучение модели
3 оценка качества модели
4 использование модели для предсказаний

... - это метод линейного снижения размерности, основанный на анализе ковариационной матрицы
РСА
t-SNE
DBSCAN

... - это обучаемый фильтр в свёрточной сети
Порог
Ядро свёртки
Пуллинг

... - это функция, отображающая входные признаки в прогнозируемое значение

Английское название метода кодирования категориальных признаков целыми числами без создания дополнительных признаков, -...

... - это популярный алгоритм кластеризации, минимизирующий сумму квадратов расстояний до центров кластеров
K-means
DBSCAN
РСА

Базовым примером бустинга является алгоритм ...
Random Forest
AdaBoost
Bagging Trees

Bag-of-Words представляет собой ...
метод кодирования категорий
векторизацию текста по частоте слов
метод регуляризации

Алгоритм one-hot encoding - это ...
заполнение пропусков
кодирование категориальных признаков бинарными переменными
преобразование текстов в числа

На первом этапе применения метода главных компонент (РСА) происходит ...
минимизация функции потерь
центрирование данных
выбор числа кластеров

Для подбора параметров линейной регрессии используется метод ...
наименьших квадратов
максимального правдоподобия
дерева решений

... является задачей на классификацию
Предсказание температуры воздуха
Определение принадлежности письма к категории «спам»
Прогнозирование числовых значений

... размерности - это процесс преобразования данных в пространство меньшей размерности при сохранении важной информации

... - это метод ансамблирования, при котором слабые модели обучаются последовательно, исправляя ошибки предыдущих

... - это мера, минимизируемая в алгоритме XGBoost для оценки разбиений
Энтропия
Gain
Accuracy

Процесс отображения данных в высокоразмерное пространство признаков называется ..., или отображением в спрямляющее пространство

… - это задача определения принадлежности объекта к одному из заранее известных классов

Статистическая мощность теста равна
a
1-b
b

Установите соответствие между элементом линейной модели регрессии и его значением:
A. P_O
B. P₁
C. e
D. свободный член
Е. угловой коэффициент
F. погрешность модели

Расположите в правильной последовательности этапы обработки данных в свёрточной нейронной сети:
1 свёртка
2 активация
3 пулинг
4 переход к полносвязным слоям

Установите соответствие между метрикой и областью ее применения:
A. Accuracy
В. Precision
С. Recall
D. доля верных предсказаний
Е. точность на положительных классах
F. полнота на положительных классах

Установите соответствие между компонентом метода AdaBoost и его характеристикой:
A. Вес объекта
В. Вес классификатора
С. Ошибка классификации
D. влияет на обучение следующих моделей
G. определяет важность слабой модели
F. отражает качество текущего классификатора

Установите соответствие между компонентом алгоритма XGBoost и его ролью:
A. Градиент
В. Гессиан
С. Gain
D. первая производная функции потерь
G. вторая производная функции потерь
F. оценка целесообразности разбиения

Установите соответствие между методом обучения и его описанием:
A. Обучение с учителем
B. Обучение без учителя
C. Обучение с подкреплением
D. использование размеченных данных
E. поиск структуры без меток
F. исследование среды через награды

Расположите в правильном порядке этапы бинарной классификации логистической моделью:
1 вычисление линейной комбинации
2 применение сигмоиды
3 нтерпретация результата
4 вычисление функции потерь

Расположите в правильной последовательности этапы построения линейной модели регрессии:
1 формулировка гипотезы
2 оценка параметров
3 вычисление ошибки
4 проверка качества модели

Расположите этапы выбора модели в машинном обучении:
1 обучение моделей
2 оценка модели на валидации
3 выбор лучшей модели
4 оценка на тестовой выборке

Расположите в правильной последовательности этапы работы модели машинного обучения:
1 сбор данных
2 обработка данных
3 обучение модели
4 тестирование модели

Установите соответствие между понятием и его описанием:
А. Random Forest
В. AdaBoost
C. Gradient Boosting
D. бутстреп (bootstrap) + случайный выбор признаков
E. увеличение весов ошибочных объектов
F. минимизация ошибки с помощью градиента

Установите соответствие между этапом построения модели в машинном обучении и его описанием:
A. Обучение
В. Валидация
С. Тестирование
D. настройка модели
Е. выбор лучшей модели
F. проверка модели на новых данных

Модель классификации плохо работает на малых классах в несбалансированных данных.<br/> <i>Что нужно предпринять в этой ситуации?</i>
Игнорировать малые классы.
Провести балансировку классов с помощью взвешивания ошибок или выборок.
Увеличить размер всех классов.
Применить линейную регрессию вместо классификации.

Вам поручено разработать рекомендательную систему для онлайн-магазина одежды. У вас есть данные о покупках, просмотренных товарах и оценках пользователей.<br/> <i>Какие методы машинного обучения целесообразно применить? (Укажите 2 варианта ответа).</i>
Классификация на основе возраста пользователя.
Кластеризация пользователей по поведению.
Регрессия для предсказания вероятности покупки.
Обучение с подкреплением для автоматической оптимизации рекомендаций.

Аналитик хочет уменьшить размерность набора данных перед построением модели.<br/> <i>Какой метод ему следует применить?</i>
1.2-регуляризацию.
Метод главных компонент.
Кросс-валидацию.
Увеличение выборки.

Разработчик анализирует дерево дендрограммы и хочет определить разумное количество кластеров.<br/> <i>Что ему следует сделать?</i>
Обрезать дендрограмму на уровне максимального разрыва.
Игнорировать дендрограмму.
Выбрать максимальное число кластеров.
Уменьшить размерность данных.

Аналитик обучает ансамбль моделей и хочет объединить выходы моделей разных типов для повышения качества. <br/><i>Какую стратегию он должен использовать?</1>
Бэггинг.
Бустинг.
Стекинг.
Случайный лес.

Аналитик проверяет гипотезу о том, что среднее время доставки товара составляет 3 дня. Он выбрал уровень значимости 5 %. < br/> < i > Что будет означать отклонение нулевой гипотезы на этом уровне значимости? </i >
Отклонение нулевой гипотезы на этом уровне значимости будет означать, что среднее время - меньше трех дней.
Отклонение нулевой гипотезы на этом уровне значимости будет означать, что среднее время - больше трех дней.
Отклонение нулевой гипотезы на этом уровне значимости будет означать, что можно отвергнуть предположение о трех днях.
Отклонение нулевой гипотезы на этом уровне значимости будет означать, что невозможно сделать никаких выводов о среднем времени доставки товара.

Исследователь анализирует средний доход сотрудников компании. Он собрал выборку из 40 сотрудников, при этом дисперсия генеральной совокупности неизвестна.<br/> <i>Какой тип оценки ему следует использовать и что необходимо учитывать при расчёте доверительного интервала?</i>
Точечную оценку; следует использовать распределение Стьюдента.
Интервальную оценку; следует использовать распределение Стьюдента.
Точечную оценку; следует использовать нормальное распределение.
Интервальную оценку; следует использовать нормальное распределение.

Аналитик замечает, что обучение модели XGBoost становится медленным на больших данных.<Ьг/> <1>Какую стратегию оптимизации можно использовать?</1>
Увеличить глубину деревьев.
Использовать случайную подвыборку объектов и признаков при построении деревьев.
Полностью отказаться от регуляризации.
Увеличить скорость обучения (learning rate).

Модель рекуррентной нейронной сети (RNN) плохо запоминает долгосрочные зависимости.<br/> <1>Какое решение поможет исправить ситуацию?</1>
Использование модели нейронной сети LSTM или GRU.
Увеличение размера батча.
Применение более глубоких RNN.
Использование только функции активации ReLU.

Инженер строит модель XGBoost для задачи классификации с несбалансированными классами.<br/><!>Что поможет улучшить качество классификации малых классов?</!>
Игнорирование несбалансированности.
Регулировка весов классов.
Увеличение скорости обучения (learning rate).
Уменьшение числа деревьев.

Аналитик работает с большим количеством категориальных признаков, число уникальных значений которых очень велико.<Ьг/> <i>Какую стратегию кодирования ему выбрать для уменьшения размерности данных?</!>
One-hot Encoding.
Hash Encoding.
Label Encoding.
Прямое заполнение пропусков.

Аналитик обучает модель градиентного бустинга для регрессии, но замечает ее сильное переобучение.<Ьг/> <i>Какой параметр стоит в первую очередь изменить?</1>
Увеличить глубину деревьев.
Уменьшить скорость обучения (learning rate)
Увеличить размер ансамбля.
Исключить регуляризацию.

В задаче прогнозирования цен на недвижимость аналитик применил линейную регрессию, но обнаружил высокую ошибку на тестовой выборке.<br/> <i>Что вероятнее всего происходит и какие меры следует предпринять?</1>
Модель недообучилась; следует увеличить сложность модели.
Модель переобучилась; следует применить регуляризацию.
Модель недообучилась; следует уменьшить сложность модели.
Модель переобучилась; следует сократить обучающий набор.

Аналитик обнаружил, что данные содержат много выбросов, плохо влияющих на результат кластеризации методом k-средних (K-means).<br/> <!>Какой алгоритм лучше применить?</!>
Алгоритм K-means.
Алгоритм DBSCAN.
Метод распространения близости (affinity propagation).
Агломеративная кластеризация.

Аналитик строит модель для обработки длинных последовательностей и хочет использовать архитектуру, которая поддерживает параллельные вычисления.<br/> <i>Какую архитектуру следует выбрать?</!>
RNN
CNN
Transformer
LSTM

При построении модели обнаружены пропущенные значения в категориальном признаке «город».<br/> <i>Как корректно обработать пропуски?</!>
Удалить все строки с пропусками.
Ввести специальную категорию «неизвестно».
Заменить пропуски на наиболее частое значение.
Игнорировать пропуски.

Разработчик строит случайный лес для задачи классификации.<br/> <!>Что отличает случайный лес от простого бэггинга? </i >
Применение случайного отбора признаков на каждом узле.
Использование всех признаков на каждом узле.
Обучение только одного дерева.
Использование последовательного обучения моделей.

Исследователь применяет алгоритм K-means для кластеризации клиентов, но не знает, сколько кластеров выбрать. <br/><i> Какую стратегию ему стоит использовать?</!>
Задать случайное количество кластеров.
Использовать метод локтя для выбора числа кластеров.
Применить алгоритм DBSCAN.
Минимизировать количество кластеров.

Модель линейной регрессии, обученная без регуляризации, показывает хорошее качество на обучении, но плохое на тесте.<Ьг/> <i>Какое улучшение возможно в этом случае?<Д>
Увеличить скорость обучения.
Добавить регуляризацию.
Сократить обучающую выборку.
Уменьшить число признаков без анализа.

Разработчик обучает модель для классификации писем по принципу «спам» или «не спам», используя логистическую регрессию.<br/> <!>Что стоит учитывать при обучении этой модели?</1>
Стоит учитывать линейную разделимость классов.
Стоит учитывать отсутствие выбросов.
Стоит учитывать уменьшение признакового пространства.
Стоит учитывать независимость обучающих примеров.

Разработчик обучает свёрточную нейронную сеть для распознавания объектов на изображениях.<br/> <i> Как можно уменьшить размерность карты признаков без потери важной информации?</!>
Увеличить шаг свёртки.
Применить pooling.
Увеличить глубину сети.
Уменьшить размер фильтра.

Аналитик применяет метод главных компонент (РСА) для снижения размерности перед обучением классификатора. < br/> < i > Какой фактор должен учитывать аналитик при выборе числа главных компонентов? </i >
Число признаков в данных.
Уровень объясняемой дисперсии.
Количество итераций обучения.
Глубину сети.

Разработчик строит модель для распознавания рукописных цифр. Он рассматривает выбор между классификацией и регрессией.<br/> <i>Какой тип задачи и метод наиболее подходят для этого?</!>
Регрессия; использование линейной регрессии.
Классификация; использование свёрточных нейронных сетей (CNN).
Кластеризация; использование метода k-средних (k-means).
Обучение с подкреплением; использование метода Q-Learning.

Модель классификации демонстрирует высокое качество на обучении, но низкое - на тестировании.<br/><!>Что поможет решить эту проблему?</|>
Увеличение степени регуляризации.
Уменьшение количества данных.
Исключение кросс-валидации.
Переобучение на тех же данных.

Исследователь хочет выяснить, существует ли значимая разница в уровне удовлетворенности клиентов в двух магазинах.<br/> <i>Какую процедуру ему следует применить?</!>
Проверку одной выборки.
Проверку двух выборок.
Кластеризацию.
Построение доверительного интервала.

Аналитик обнаружил, что матрица признаков в задаче линейной регрессии - вырожденная (необратимая).<Ьг/>
<!>Что необходимо сделать для корректного обучения модели?</1>
Увеличить скорость обучения.
Применить L1-регуляризацию.
Использовать регуляризацию для устранения мульти коллинеарности.
Уменьшить размерность данных.

Модель классификации писем показывает плохие результаты на новых данных при отличной точности на обучающей выборке.<br/> <i>Какое явление наблюдается и что поможет исправить ситуацию?</i>
Недообучение; следует увеличить число эпох обучения.
Переобучение; следует применить регуляризацию или собрать больше данных.
Недообучение; следует уменьшить скорость обучения.
Переобучение; следует уменьшить сложность признаков.Показать/скрыть дополнительное описание