Ответы на вопросы из коллекции "🔥 База ответов на тесты по Машинное обучение ответы Витте 🔥"

Дан график плотности нормального распределения. Какие выводы можно сделать о параметрах а и сигма квадрат? Выберите один ответ:

• При таких значениях не существует математического ожидания
• Значение параметра а значительно больше, чем значение параметра сигма квадрат, равного единице
• При таких значениях не существует дисперсии
• Значение параметра а равно нулю, значение параметра сигма квадрат значительно больше

Какое из приведенных действий будет соответствовать стратегии исследования в игре в лабиринт, если известно, что ход вперед/назад/налево в среднем приносит выигрыш 0.9/0.2/0.1, а ход направо еще никогда не выполнялся?
Выберите один ответ:

• Направо
• Вперед
• Назад
• Налево

Рассмотрим клиента банка как объект в задаче машинного обучения. Что из перечисленного является задачей бинарной классификации?
Выберите один или несколько ответов:

• Предсказание, когда клиент вернет кредит
• Предсказание, подключит ли клиент мобильный банк
• Предсказание, воспользуется ли клиент услугой досрочного погашения
• Предсказание, вернет ли клиент кредит

Рассмотрим пользователя социальной сети как объект в задаче машинного обучения. Что из перечисленного является задачей классификации?
Выберите один или несколько ответов:

• Предсказание пола пользователя
• Предсказание профессии пользователя
• Предсказание заработной платы пользователя
• Предсказание, какой пост пользователь сделает следующим

Установите последовательность создания перцептрона:

1. Обучение: обучить перцептрон на тренировочных данных
2. Определить функцию активации: выбрать функцию, которая будет определять, будет ли перцептрон активирован или нет
3. Определить функцию обучения: выбрать функцию, которая будет обновлять веса на основе ошибки
4. Проверка: проверить работу перцептрона на тестовых данных
5. Задать входные данные: определить количество входов и форму входных данных
6. Задать веса: инициализировать веса случайными значениями
7. Задать порог: инициализировать порог случайным значением

Какое преобразование используется в сверточных слоях для извлечения признаков из изображений?
Выберите один ответ:

• регуляризация
• агрегация
• рекурсия
• свертка
• активация

Как выбираются веса признаков в линейных моделях?
Выберите один ответ:

• Эксперт задает значения весов из собственного опыта
• Компьютер находит такие значения весов, которые приводят к наименьшей ошибке на обучающей выборке
• Эксперт анализирует рынок и решает, какие значения весов логично использовать
• Компьютер генерирует несколько случайных комбинаций весов, показывает их эксперту и последний выбирает, какие использовать

Что должно поступать на вход в алгоритме полного перебора?
Выберите один или несколько ответов:

• множество F
• параметр В
• вещественный параметр
• выборка x'

Какой метод классификации лучше использовать для определения типа цветка?

Выберите все верные утверждения:
Выберите один или несколько ответов:

• Значение модуля производной в точке показывает, насколько далеко эта точка находится от точки минимума
• Шаг градиентного спуска лучше всего выбирать одинаковым для всех шагов
• Значение модуля производной в точке показывает скорость убывания/возрастания функции в этой точке
• Значение модуля производной в точке показывает тангенс угла наклона касательной к графику в этой точке

Скалярным произведением векторов (0,1,1,0) и (0,0,15) является:
Выберите один ответ:

• Не определено в данном случае
• 15
• 0
• (0,1,15,0)

Установите последовательность программного кода:

1. print("Best value of theta:", lr.intercept_,lr.coef_,sep='n')
2. #predict. print("predicted value:",lr.predict(x_sample),sep='n')
3. lr.fit(x,y)
4. lr=LinearRegression()
5. from sklearn. linear_model import LinearRegression

Сопоставьте строчки программного кода и их описание:

1. score = model.score(X_test, y_test)
2. y_pred = model.predict(X_test)
3. from sklearn.linear_model import LinearRegression
4. model = LinearRegression()
5. model.fit(X_train, y_train)

Случай или событие, имевшее место в прошлом и служащее примером или основанием для последующих действий в настоящем это ____

У вас есть набор данных, который содержит 100 объектов с 5 признаками и 1 целевой переменной. Необходимо обучить линейную регрессию и определить среднеквадратичную ошибку (MSE) на тестовой выборке.
Выберите один ответ:

• 0.6
• 0.3
• 0.1
• 0.5
• 0.7
• 0.8
• 0.2
• 0.4

Для чего нужно разбивать данные на обучающую и тестовую выборку?
Выберите один ответ:

• Для сокращения времени обучения алгоритма: чем меньше обучающих данных, тем быстрее происходит обучение алгоритма
• нет правильного ответа
• Для постепенного обучения алгоритма: наилучшее качество обычно достигается при обучении алгоритма на среднем объеме данных, можно начать с небольшой обучающей выборки, и если ошибка алгоритма будет большой, то добавить объекты из тестовой выборки
• Для контроля качества: если алгоритм часто ошибается на тестовой выборке и практически не ошибается на обучающей выборке, это означает, что он просто "запомнил" ответы на обучающей выборке, не найдя зависимостей в данных, и такой алгоритм нужно доработать

Рассмотрим товар в супермаркете как объект в задаче машинного обучения. Что из перечисленного является задачей регрессии?
Выберите один или несколько ответов:

• Предсказание страны-изготовителя товара
• Предсказание, купит ли товар конкретный покупатель
• Предсказание стоимости товара
• Предсказание срока годности товара

Как можно сформулировать задачу классификации новостных сообщений?
Выберите один ответ:

• Определение тематики новостного сообщения: экономика, политика, спорт, образование
• Определение типа новостного сообщения: срочное, несрочное, обзор, интересные факты
• Определение целевой аудитории новостного сообщения: дети, студенты, работающие, пенсионеры
• Все варианты подходят

Что поступает на вход рекурсивного алгоритма синтеза бинарного решающего дерева ID3 ?
Выберите один или несколько ответов:

• множество элементарных предикатов
• максимальный ранг конъюнкций
• обучающая выборка
• корневая вершина дерева

Установите правильную последовательность алгоритма обучения рекуррентной нейронной сети:

1. Инициализация весов нейронной сети случайными значениями
2. Повторяем шаги 4-7 для всех элементов последовательности и для всех эпох обучения до достижения оптимальной точности
3. С использованием backpropagation through time рассчитываются градиенты для весов нейронной сети. Каждое скрытое состояние влияет на предыдущие состояния, поэтому градиенты рассчитываются в обратном порядке
4. Инициализация начальных значений скрытых состояний
5. Проход по всей последовательности с использованием forward pass. Для каждого элемента последовательности рассчитывается значение скрытых состояний и вероятности для всех возможных выходных классов. Значения скрытых состояний передаются от текущего элемента к следующему
6. Получение входных данных в виде последовательности
7. Расчет функции потерь, используя полученные вероятности и ожидаемые значения
8. Используя полученные градиенты, обновляем веса сети с помощью алгоритма оптимизации, такого как стохастический градиентный спуск

Какие модели, из ниже перечисленных относятся к многомодальным тематическим моделям?
Выберите один или несколько ответов:

• модель с медленно меняющейся тематикой
• коллаборативная фильтрация
• регуляризация матрицы перевода слов
• модель с непрерывным временем
• марковские модели синтаксиса языка
• персонализация рекламы в Интернете

В чем состоят проблемы использования алгоритмов поиска ассоциативных правил на практике?
Выберите один или несколько ответов:

• Непонятно, как использовать найденные ассоциативные правила
• Для больших баз данных поиск ассоциативных правил может занимать много времени
• Есть большой риск нахождения "случайных" ассоциативных правил, особенно если правило встретилось всего несколько раз среди миллиона примеров
• В больших базах данных ассоциативных правил может и не быть

_ задача - решение множества задач бинарной классификации единой моделью

____ оценка чистого эффекта от коммуникации с клиентом. Это моделирование необходимо, когда целевое действие со сравнимой вероятностью будет выполнено и без совершения каких-то действий с нашей стороны

Сколько точек экстремума у функции, изображенной на рисунке?
Выберите один ответ:

• 1
• 4
• 2
• 3
• 0

В numpy скалярное произведение векторов можно посчитать с помощью (несколько вариантов ответа):
Выберите один или несколько ответов:

• np.multiply0
• np.product(
• np.dot0
• @
• &

Что такое объект?
Выберите один ответ:

• Алгоритм обучения
• Единица данных
• Характеристика клиента
• Таблица с данными

Выберите все верные утверждения:
Выберите один или несколько ответов:

• Градиентный спуск из одной точки находит только одну точку локального минимума
• Шаг градиентного спуска лучше всего выбирать одинаковым для всех шагов
• Градиентный спуск можно использовать для поиска точки максимума Функции
• Градиентный спуск гарантированно находит точную точку минимума Функции

Установите последовательность программного кода:

1. plt.xlabel("Feature_1 --- >") plt.ylabel("Target_Variable --- >")
2. x, y = make_regression(n_samples=100, n_features=1, n_informative=1, noise=10, random_state=10)
3. plt.scatter(x, y, s=30, marker='o')
4. plt.title('Simple Linear Regression')
5. import numpy as np import matplotlib.pyplot as plt from sklearn. datasets import make_regression
6. y = y.reshape (100, 1)
7. plt.show()

Модель оказывается_____, когда её качество на новых данных существенно хуже качества на обучающей выборке

Установите последовательность программного кода:

1. y_pred = model.predict(X_test)
2. model.fit(X_train, y_train)
3. model = RandomForestRegressor()
4. from sklearn.ensemble import RandomForestRegressor

Пусть мы решаем задачу классификации для двух классов - на красные треугольники и синие квадраты. Хоти предсказать класс зеленого круга. Тогда выберем тот же класс, что и у объекта с известной меткой, расположенного на минимальном расстоянии от зеленого круга. Этот алгоритм называется методом_____

Алгоритм классификации, основанный на вычислении оценок сходства между объектами это ____

У вас есть набор данных, который содержит 100 объектов с 10 признаками и 1 целевой переменной. Необходимо обучить градиентный бустинг с 50 деревьями и определить среднеквадратичную ошибку (MSE) на тестовой выборке.
Выберите один ответ:

• 0.4
• 0.1
• 0.6
• 0.2
• 0.7
• 0.8
• 0.3
• 0.5

Какие данные подаются на вход "градиентного" алгоритма синтеза конъюнкции?
Выберите один или несколько ответов:

• параметр критерия останова
• желаемое количество зон г
• пары доли ошибок для отбора конъюнкций є
• признак f(x)

Петя подбрасывает симметричную монетку 7 раз. В предыдущие разы 1 раз выпал орел и 5 раз выпала решка. Какова вероятность, что на седьмой раз выпадет орел?
Выберите один ответ:

• 0,75
• 0,25
• 1
• 0,50

Что, из ниже перечисленного принято решать достоинством решающего списка?
Выберите один или несколько ответов:

• обученное по выборке правило классификации можно выполнять "вручную"
• если множество правил Ф выбрано неудачно, список может не построится
• простота классификации
• каждый объект классифицируется только одним правилом
• возможность обработки разнотипных данных с пропусками

Какая из точек на графике является точкой глобального минимума функции? Выберите один ответ:

• (-3.5518, -29.37)
• (-5, 50)
• (-0.9439, 6.028)
• (0.7457, -5.074)

Сопоставьте виды слоев и их описание:

1. этот слой периодически вставляется в covnets, и его основная функциязаключается в уменьшении размера тома, что ускоряет вычисления, сокращает объем памяти, а также предотвращает переобучение
2. добавляя функцию активации к выходным данным предыдущего слоя, эти слои добавляют нелинейности сети
3. Это слой, в котором мы вводим входные данные в нашу модель
4. это слой, который используется для извлечения объекта из входного набора данных

Итеративный процесс минимизации (обычно) функции потерь с помощью оптимизатора это____

Установите правильную последовательность программного кода:

1. import numpy as np
2. inputs = np.array([1, 2, 3])
3. output = activation_function(output)
4. if x >=0:
5. test_inputs = np.array([4, 5, 6])
6. output = np.dot(test_inputs, weights) + bias
7. weights = np.array([0.2, -0.4, 0.3])
8. bias = 0.5
9. return 1
10. def activation_function(x):
11. return 0
12. output = np.dot(inputs, weights) + bias
13. output = activation_function(output)
14. print(output)
15. else

Функция, которая является критерием для определения насколько ваша модель хороша на данных – это ___

Какая сеть используется для обработки изображений?
Выберите один ответ:

• глубокая нейронная сеть (DNN)
• сверточная нейронная сеть (CNN)
• автоэнкодер
• Генеративно-состязательные сети (GAN)
• рекуррентная нейронная сеть (RNN)
• Кохоненовские сети
• Сети Хопфилда
• сеть Больцмана

Какая функция активации используется в нейронных сетях для классификации изображений?
Выберите один ответ:

• LeakyReLU
• Softmax
• ELU
• Tanh
• ReLU
• нет правильного ответа
• Swish
• Sigmoid

Что является недостатком тривиальной рекомендующей системы?
Выберите один или несколько ответов:

• проблема "холодного старта"
• не учитываются интересы конкретного пользователя
• нечего рекомендовать новым пользователям
• надо хранить всю матрицу F

Какой тип слоя используется для объединения нескольких исходных слоев в единую карту признаков?
Выберите один ответ:

• пулинговый слой
• затеняющий слой
• конкатенационный слой
• рекуррентный слой
• сверточный слой

Что является выходными данными в алгоритме синтеза бинарного решающего дерева ID3 ?
Выберите один ответ:

• максимальный ранг конъюнкций
• корневая вершина дерева
• множество элементарных предикатов
• обучающая выборка

Что называют данными в машинном обучении?
Выберите один или несколько ответов:

• признаки
• объекты
• матрицы
• алгоритм
• функция

Какой тип функции потерь используется для задачи классификации изображений?
Выберите один ответ:

• categorical crossentropy
• logcosh
• mean squared error (MSE)
• binary crossentropy
• hinge

Какой алгоритм строит набор конъюнктивных закономерностей?
Выберите один ответ:

• алгоритм взвешенного голосования
• алгоритм КОРА
• алгоритм простого голосования
• алгоритм ТЭМП

Какой алгоритм обучения используется для обучения нейронных сетей?
Выберите один ответ:

• наивный Байесовский классификатор
• случайный лес
• градиентный спуск
• логистическая регрессия
• метод опорных векторов (SVM)

На основе какого алгоритма ансамблирования построен случайный лес?
Выберите один ответ:

• Стекинг
• Бэггинг
• Нейронные сети
• Бустинг

____ - это область computer science, в которой машины учатся решать задачи, для которых они не были запрограммированы непосредственно

Подмножество методов машинного обучения, области изучения и создания машин, которые могут обучаться это ____

Сопоставьте примеры входных и выходных данных между собой:

1. Использование входного числа
2. Использование данных с метеорологических приборов
3. Использование новостей
4. Использование датчиков автомобильного двигателя

Какова формула свертки для изображения размером 7х7 с фильтром размером 4х4 и шагом 2?
Выберите один ответ:

• (7,7)* (7,7)
• (7,7) * (4, 4)
• (4,4) * (3, 3)
• (4, 4) * (4, 4)
• (4, 4) * (4, 4)
• (4, 4) * (7, 7)
• (7,7)* (3, 3)
• (3, 3) * (4, 4)

Какова формула свертки для изображения размером 8х8 с фильтром размером 5х5 и шагом 1?
Выберите один ответ:

• (5, 5) * (5, 5)
• (7,7) * (5, 5)
• (4, 4) * (4, 4)
• (4, 4) * (5, 5)
• (8, 8) * (8, 8)
• (4, 4) * (4, 4)
• (8, 8) * (5, 5)
• (5, 5) * (8, 8)

Какие алгоритмы лучше работают на коротких обучающих выборках?
Выберите один или несколько ответов:

• Бустинг
• нет правильных ответов
• RSM
• Беггинг

Можно утверждать, что точка х дифференцируемой функции F является точкой экстремума, если:
Выберите один ответ:

• F'(x) != 0
• F'(x)=0и F"(x)< 0
• F'(x) = 0 и F"(x) > 0
• F'(x) = 0

Как логические модели работают с категориальными признаками?
Выберите один ответ:

• Предварительно нужно оцифровать признаки
• Их не нужно предобрабатывать, модель принимает категориальные признаки
• Нет правильного ответа
• Нужно провести предварительную обработку

Что настраивается в линейной регрессии?
Выберите один ответ:

• Веса признаков и смещение
• Шаг градиентного спуска
• Глубина дерева
• Число базовых моделей

Что должно поступать на вход в алгоритме жадного добавления?
Выберите один или несколько ответов:

• Т-число поколений
• вещественный параметр
• множество F
• параметр d

Для какого вида данных были придуманы рекуррентные нейронные сети?
Выберите один или несколько ответов:

• Таблицы
• Изображения
• Аудио или речь
• Текст
• Диалоги

Что, из ниже перечисленного является недостатком решающих списков?
Выберите один или несколько ответов:

• обученное по выборке правило классификации можно выполнять "вручную"
• возможность обработки разнотипных данных с пропусками
• простота классификации
• если множество правил Ф выбрано неудачно, список может не построится
• каждый объект классифицируется только одним правилом

Какой предел последовательности 1, -1/2, 1/3, -1/4, ...:
Выберите один ответ:

• Нет предела
• Нет правильного ответа
• -inf
• 0

Что такое сигмоида?
Выберите один ответ:

• Нет правильного ответа
• Метод обучения
• Функция активации
• Архитектура нейронной сети

Какие параметры участвуют в алгоритме RSM?
Выберите один или несколько ответов:

• размер элиты, переходящей в следующее поколение без изменений
• порог качества базовых алгоритмов на контроле
• максимальное число поколений
• длина обучающих подвыборок

___ - тип рекуррентной сети, когда все соединения симметричны

___ - общий случай рекуррентных сетей, когда сигнал в сети проходит через структуру в виде дерева (обычно бинарные деревья)

Нейронная сеть _____ является трёхслойной нейронной сетью. Сеть также содержит набор «контекстных блоков» (и на иллюстрации), в которых сохраняются предыдущие значения узлов скрытого слоя.

Нейронная сеть ___ - это сеть, в которой контекстные блоки связаны не со скрытым слоем, а с выходным слоем

____ нейронная сеть - это тип нейронной сети, в которой выходные данные предыдущего шага подаются в качестве входных данных на текущий шаг

Создайте простую рекуррентную нейронную сеть с одним слоем LSTM, который будет обрабатывать последовательность из 10 векторов размерности 5. Необходимо выполнить прямой проход на тестовом наборе из 20 последовательностей и получить размерность выходного тензора.
Выберите один ответ:

• (10, 5)
• (5, 20)
• (1,10)
• (5, 10)
• (20, 1)
• (10, 1)
• (20, 5)
• (1, 20)

Создайте рекуррентную нейронную сеть с двумя слоями LSTM, каждый со 100 скрытыми нейронами. Обучите модель на последовательностях длиной 4 и определите, какая последовательность будет следующей после последовательности [0.1, 0.2, 0.3, 0.4].
Выберите один ответ:

• 0.6
• 0.2
• 0.4
• 0.3
• 0.1
• 0.9
• 0.5
• 0.7

Какую задачу решает алгоритм Apriori?
Выберите один ответ:

• Поиск редко покупаемых товаров
• Выделение новых признаков
• Поиск ассоциативных правил
• Построение рекомендательных систем

Что, из ниже перечисленного называют метаинформацией?
Выберите один или несколько ответов:

• список документов Dd, на которые ссылается d
• список тематик и словарей
• список категорий Cd рубрикатора
• список авторов Ad, документа d
• тематические наборы документов
• ссылки и гиперссылки

Чем отличается стохастический градиентный спуск от обычного градиентного спуска?
Выберите один ответ:

• Мы используем случайный выбор шага градиентного спуска
• Мы выбираем каждую n-ю точку (настраиваемый параметр) случайным образом, чтобы не застревать в локальных минимумах
• Просматриваем выборку в случайном порядке, чаще обновляем вектор параметров
• Нет правильного ответа

Что из ниже перечисленного относится к моделям основанным на хранении исходных данных?
Выберите один или несколько ответов:

• сходство объектов
• оценивание профилей и клиентов
• хранение профилей вместо хранения F
• сходство клиентов
• хранение всей исходной матрицы данных F

В чем отличие обучения с подкреплением от классического обучения с учителем?
Выберите один ответ:

• В обучении с подкреплением в качестве "учителя" выступает среда
• В обучении с подкреплением каждый объект обучающей выборки ("учителя") используется только один раз
• В обучении с подкреплением в качестве "учителя" выступает агент
• В обучении с подкреплением нет обучающей выборки ("учителя"), агент обучается в ходе взаимодействия со средой

Установите правильную последовательность работы с Uplift на Python

1. Разбить данные на тестовую и контрольную группы
2. Установить необходимые библиотеки для работы с машинным обучением, такие как scikit-learn, pandas, numpy и другие
3. Использовать библиотеку Uplift для выбора модели и оптимизации гиперпараметров
4. Загрузить данные в формате, который поддерживает Uplift (например, CSV или Excel) и провести предобработку данных
5. Оценить качество модели на данных тестовой и контрольной групп
6. Обучить модель на данных тестовой и контрольной групп
7. Применить модель для решения задачи uplift-моделирования.
8. Интерпретировать результаты модели и выделить наиболее значимые признаки.

____ - модель оценивает вероятность того, что клиент выполнит целевое действие. В качестве обучающей выборки используются известные позитивные объекты и случайные негативные объекты. Модель будет пытаться искать клиентов, похожих на тех, кто совершил целевое действие.

Установите правильную последовательность работы LightAutoML

1. После выбора модели платформа проводит оптимизацию гиперпараметров, чтобы достичь наилучшего качества модели
2. После обучения модели платформа оценивает ее качество на тестовых данных и предоставляет отчет о качестве модели
3. После оптимизации гиперпараметров платформа обучает модель на тренировочных данных
4. После оценки качества модели ее можно применять для решения задачи, для которой она была создана
5. Платформа позволяет интерпретировать результаты модели, выделяя наиболее значимые признаки и их влияние на результаты
6. Платформа автоматически выбирает наиболее подходящую модель для решения задачи на основе данных, используя различные алгоритмы и методы
7. Данные загружаются в платформу и проходят предобработку, включающую в себя заполнение пропущенных значений, кодирование категориальных признаков и масштабирование числовых признаков

Установите правильную последовательность работы Uplift

1. После оптимизации гиперпараметров платформа обучает модель на данных тестовой и контрольной групп
2. После выбора модели платформа проводит оптимизацию гиперпараметров, чтобы достичь наилучшего качества модели
3. После обучения модели платформа оценивает ее качество на данных тестовой и контрольной групп и предоставляет отчет о качестве модели
4. Платформа автоматически выбирает наиболее подходящую модель для решения задачи uplift-моделирования на основе данных, используя различные алгоритмы и методы
5. Данные разбиваются на группы, в каждой из которых находятся клиенты, которые могут быть подвержены воздействию (тестовая группа) и контрольной группы, которые не подвергаются воздействию
6. Данные загружаются в платформу и проходят предобработку, включающую в себя заполнение пропущенных значений, кодирование категориальных признаков и масштабирование числовых признаков
7. Платформа позволяет интерпретировать результаты модели, выделяя наиболее значимые признаки и их влияние на результаты uplift-моделирования
8. После оценки качества модели ее можно применять для решения задачи uplift- моделирования, например, для определения наиболее эффективных маркетинговых стратегий для увеличения дохода компании

___ модель оценивает вероятность того, что клиент выполнит целевое действие при условии коммуникации. В этом случае обучающей выборкой являются данные, собранные после некоторого взаимодействия с клиентами.

Необходимо построить модель для предсказания цены на жилье на основе данных о количестве комнат, площади и этажности. Какая модель машинного обучения здесь должна применяться?
Выберите один ответ:

• Модель решающего дерева
• Модель логистической регрессии
• Модель байесовской регрессии
• Модель градиентного бустинга
• Модель XGBoost
• Модель случайного леса
• Модель нейронной сети
• Модель к-ближайших соседей

Создайте экземпляр класса AutoML и обучите его на наборе данных, состоящем из 200 строк и 6 столбцов. Какова точность модели логистической регрессии на тестовом наборе данных?
Выберите один ответ:

• 0.60
• 0.85
• 0.90
• 0.50
• 0.80
• 0.70
• 0.75
• 0.95