Ответы на вопросы из коллекции "Университет «Синергия» Нейронные сети (Темы 1-7 Итоговый и Компетентностный тесты)"

— это протяжённая узкая долина, имеющая крутой уклон в одном направлении и плавный уклон в другом

… – это алгоритм, который умеет анализировать состояние среды и совершать в ней какие-то действия

… – это метод обучения, который был использован для обучения Агента

• обучение с учителем
• обучение без учителя
• обучение с подкреплением
• обучение путем проб и ошибок

… – это понятие впервые использовано в перцептроне

• машинное обучение
• искусственный интеллект
• нейронные сети
• биг дата

… повторяется процесс с другими весами

• для учета разных критериев похожести слов
• для учета только смысловой нагрузки слов
• для учета только грамматической похожести слов
• нет правильного ответа

… свертки – это основной строительный блок сверточной нейронной сети, применяющий фильтры свертки к входным данным с целью выделения признаков

… являются корреляционными параметрическими методами

• методы оценки связи между количественными переменными
• методы строительства корреляционного поля
• методы построения графиков функции регрессии
• методы анализа выборки данных

Caffe использует библиотеку …

В … году была основана лаборатория искусственного интеллекта Массачусетского Технологического Института

• 1959
• 1961
• 1988
• 2009

В … году Карнеги Мэллои создает беспилотный автомобиль с использованием нейронных сетей

В 1978 году Дуглас Леннон создал самообучающуюся систему …

В библиотеке Caffe топология нейросетей, исходные данные и способ обучения задаются с помощью конфигурационных файлов в формате …

В использовавшейся архитектуре нейронной сети удалось обыграть …

• все методы, созданные на протяжении 10-20 лет
• только некоторые методы, созданные на протяжении 10-20 лет
• только человека, играющего в эту игру
• никакие методы не были обыграны

В нейролингвистическом программировании (NLP) происходит …

• обучение модели на базе данных
• решение сложных задач в машинном обучении
• выделение и классификация различных частей речи
• создание моделей для различных частей обработки естественного языка

Время классификации одного изображения оценивает такой критерий, как:

• гибкость настройки связей
• объем функционала
• скорость классификации
• удобство использования

Гибкость настройки связей между слоями оценивает такой критерий, как:

• объем функционала
• скорость классификации
• гибкость настройки связей
• наличие и удобство использования документации

Для понимания особенностей английского языка компьютер необходимо научить …

• пониманию структурированных данных
• распознаванию именованных объектов
• определению значения слов в предложениях
• базовым концепциям письменного языка

До применения нейронных сетей в этой задаче люди …

• реализовывали различные алгоритмы для каждой игры
• обучали нейронные сети без использования методов
• разрабатывали новые игровые консоли
• играли в компьютерные игры для разработки стратегий

Интерес к нейронным сетям возобновился в …годы

• 1940–1950-е
• 1970–1980-е
• 1990–2000-е
• 2010–2020-е

Кратковременная память вызвана печально известной проблемой … градиента

На выходе после конкатенации векторов получается …

• взвешенный вектор первого слова предложения
• вектор первого слова предложения
• несколько векторов с весами остальных слов предложения
• взвешенная сумма всех слов предложения

На эффективность и скорость обучения Агента оказывает следующее изменение параметров среды:

• никакое
• положительное
• отрицательное
• случайное

Набор статистики ходов занимает следующую часть работы алгоритма по обучению Агента:

• основное время работы
• второстепенное время работы
• зависит от параметров нейросети
• не занимает времени

Наличие реализации типовых методов глубокого обучения оценивает такой критерий, как:

• объем функционала
• скорость классификации
• гибкость настройки связей
• наличие и удобство использования документации

Нейронная сеть делает ошибку следующего типа на изображении с далматином и вишне:

• предсказывает далматина
• предсказывает вишню
• предсказывает обезьяну
• ошибки нет

Нейронная сеть допустимо ошибается на изображении с далматином и вишней, потому что …

• ошибку внесли люди, размечая выборку
• нейронная сеть не видит вишню
• нейронная сеть не видит далматина
• нейронная сеть ошибается всегда

Нейронные сети – один из самых тяжеловесных … машинного обучения

Нейронные сети … на маленьком объеме данных

• хорошо обобщают
• плохо обобщают
• используют сложные алгоритмы работают
• только с изображениями

Нейронные сети критичны к …

• объему данных
• вычислительным ресурсам
• объему обучающей выборки
• типу информации

Нейронные сети отличаются от других алгоритмов машинного обучения тем, что они …

• работают только с изображениями
• выделяют новые признаки самостоятельно
• не требуют обучающей выборки
• основаны на геометрических линиях

Нейронные сети уступили место другим алгоритмам машинного обучения, потому что …

• более сложные в использовании
• меньшая точность
• недостаток вычислительных ресурсов
• более сильные алгоритмы

Отсортируйте следующие библиотеки для работы с нейросетями по поддерживаемым языкам программирования в алфавитном порядке:

• 1 Caffe
• 2 MXNet
• 3 PyTorch
• 4 TensorFlow

Перцептрон придумал …

• Фрэнк Розенблатт
• Айзек Азимов
• Артур Сэмюэл
• Джон Маккарти

Пометка частью речи в рамках нейролингвистического программирования – это процесс …

• определения окончательной стоимости продукции
• присвоения каждому слову в предложении определенной части речи
• оценки качества текстового материала
• распознавания голоса

После каждой … весовые значения будут обновляться

После сложения «ослабленных» векторов всех слов предложения получаются такие выходные вектора, как:

• одномерный вектор размерности одного эмбединга
• вектор первого слова предложения
• вектор второго слова предложения
• все векторы всех слов предложения

Работа стандартного алгоритма градиентного спуска рассматривается на таком типе изображения, как:

• 2D-изображения
• 3D-изображения
• цветные изображения
• градиентные изображения

Распознавание именованных объектов (NER) в рамках нейролингвистического программирования – это процесс …

• распознавания лиц на фотографиях
• распознавания и категоризации именованных объектов в тексте
• распознавания смысла фразы
• распознавания настроения в тексте

Расположите следующие библиотеки для работы с нейросетями в порядке их возникновения (от самой старой до наиболее новой):

• 1 Theano
• 2 Caffe
• 3 TensorFlow
• 4 PyTorch

Расположите следующие типы реккурентных нейронных сетей по убыванию количества обратных связей:

• 1 GRU
• 2 LSTM
• 3 Simple RNN

Расположите следующие функции активации в порядке их применения в нейронной сети:

• 1 сигмоидная функция
• 2 ректифицированная линейная функция (ReLU)
• 3 гиперболический тангенс

Расположите следующие функции активации нейронов по возрастанию нелинейности:

• 1 линейная функция
• 2 гиперболический тангенс
• 3 сигмоидальная функция
• 4 ReLU (Rectified Linear Unit)

Сверточные нейронные сети классифицируют …

• изображения домов
• геометрические линии
• признаки, разработанные людьми
• различные объекты на изображениях

Системы нейролингвистического программирования в значительной степени полагаются на … ресурсы

Системы нейролингвистического программирования имеют … понимание контекста

Со словами «I» и «am» в однослойной сети происходит следующее:

• эмбеддинги слов умножаются друг на друга
• с первым словом делается скалярное умножение второго слова
• с первым словом делается скалярное умножение третьего слова
• с первым словом делается скалярное умножение всех остальных слов предложения

Со словами «I» и «stupid» в однослойной сети происходит следующее:

• с первым словом делается скалярное умножение третьего слова
• с первым словом делается скалярное умножение второго слова
• с первым словом делается скалярное умножение всех остальных слов предложения
• с первым словом не происходит никаких операций

Сопоставьте понятия и их описания:

• A. Регрессия
• B. Классификация
• C. Кластеризация
• D. метод, прогнозирующий численные значения на основе имеющихся данных
• E. метод, используемый для разделения объектов на категории или классы на основе их признаков
• F. метод, группирующий объекты в похожие кластеры на основе сходства их признаков

Сопоставьте понятия и их описания:

• A. Обучение с учителем
• B. Обучение без учителя
• C. Обучение с подкреплением
• D. обучение, при котором модель получает обратную связь в виде правильных ответов на каждый входной пример
• E. обучение, при котором модель самостоятельно изучает данные и находит в них закономерности без предоставления правильных ответов
• F. обучение, при котором модель обучается на основе положительных и отрицательных наград за свои действия

Сопоставьте понятия и их описания:

• A. Прямое распространение
• B. Обратное распространение
• C. Функция потерь
• D. математическая функция, которая измеряет разницу между предсказанными и фактическими значениями
• E. алгоритм, который используется для обновления весов нейронной сети с целью минимизации ошибки F.
• алгоритм, который используется для передачи информации от входных нейронов до выходных нейронов

Сопоставьте понятия и их описания:

• A. Данные обучения
• B. Эпоха
• C. Пакет
• D. одно полное прохождение по всем примерам данных обучения
• E. набор примеров данных, используемых для настройки параметров нейронной сети
• F. множество примеров данных, на которых обновляются веса нейронной сети

Сопоставьте понятия и их описания:

• A. Сверточный слой
• B. Полносвязный слой
• C. Выходной слой
• D. слой, в котором происходит преобразование сверточной операцией
• E. слой, в котором каждый нейрон соединен со всеми нейронами предыдущего слоя
• F. слой, в котором происходит окончательная классификация или предсказание

Сопоставьте понятия и их описания:

• A. Стрид
• B. Загиб
• C. Фильтр
• D. параметр сверточной операции, определяющий размер шага скользящего окна
• E. изгиб или искривление границ изображения для выделения особых признаков
• F. матрица весов, применяемая при свертке для выделения определенных признаков

Сопоставьте понятия и их описания:

• A. Дропаут
• B. L1 регуляризация
• C. L2 регуляризация
• D. метод, который случайным образом обнуляет некоторые нейроны во время обучения для уменьшения переобучения модели
• E. регуляризация, которая добавляет к функции потерь модули весовых коэффициентов для штрафования больших весов
• F. регуляризация, которая добавляет к функции потерь квадраты весовых коэффициентов для штрафования больших весов

Сопоставьте понятия и их описания:

• A. Пакетная нормализация
• B. Рекуррентные нейронные сети
• C. Сверточные нейронные сети
• D. метод нормализации, который приводит распределение активаций внутри слоя к среднему значению в нуле и стандартному отклонению
• E. тип нейронной сети, используемый в области обработки последовательностей, который сохраняет и использует информацию о предыдущих состояниях для предсказания следующего состояния
• F. тип нейронной сети, специализирующийся на обработке входных данных

Сопоставьте понятия и их описания:

• A. Caffe
• B. Theano
• C. MXNet
• D. простой в использовании и эффективный фреймворк для глубокого обучения, предназначенный для разработки нейросетей различных архитектур
• E. библиотека для разработки глубоких нейронных сетей, оптимизированная для использования на множестве графических процессоров
• F. высокоэффективная библиотека глубокого обучения с широким функционалом и поддержкой операций на графических ускорителях

Сопоставьте понятия и их описания:

• A. Torch
• B. CNTK
• C. DeepLearning4j
• D. многоплатформенный инструмент глубокого обучения для создания и обучения нейронных сетей
• E. фреймворк для разработки глубоких нейронных сетей, предлагающий реализацию множества алгоритмов и моделей машинного обучения
• F. гибкая и мощная библиотека для научных исследований с использованием глубокого обучения

Сопоставьте понятия и их описания:

• A. Forward pass
• B. Backpropagation Through Time
• C. Training
• D. процесс, в ходе которого модель получает входные данные и передает их через нейронную сеть, получая выходные результаты
• E. алгоритм обратного распространения ошибки во времени, используемый для обучения реккурентных
• нейронных сетей
• F. процедура настройки параметров реккурентной нейронной сети на тренировочных данных

Сопоставьте понятия и их описания:

• A. Overfitting
• B. Dropout
• C. Regularization
• D. проблема, когда модель слишком хорошо подстраивается под тренировочные данные и плохо обобщает на новые данные
• E. техника, заключающаяся в случайном выключении некоторых нейронов на этапе обучения для предотвращения переобучения
• F. метод, используемый для добавления дополнительных ограничений на веса модели с целью предотвращения переобучения

Сопоставьте понятия и их описания:

• A. Policy gradients
• B. Эксплорация и эксплуатация
• C. Функция награды
• D. метод обучения, направленный на построение и оптимизацию политики агента
• E. противостояние между исследованием новых вариантов поведения и использованием уже изученных и хорошо себя зарекомендовавших
• F. функция, которая определяет, насколько успешно агент выполнил заданную задачу

Сопоставьте понятия и их описания:

• A. Стохастическая политика
• B. Общество
• C. Вероятностная постановка задачи обучения с подкреплением
• D. правила, по которым агент принимает решения, определяя вероятности выбора каждого действия
• E. группа агентов, обменивающихся информацией, сотрудничающих или конкурирующих между собой
• F. формулировка задачи обучения с подкреплением, в которой действия и награды являются случайными величинами

Способом, которым можно улучшить алгоритм градиентного спуска является такой, как:

• стохастический градиентный спуск
• накопление импульса
• расчет градиента только для небольшого подмножества данных
• использование фиксированного набора входных данных

Стандартный алгоритм градиентного спуска связан с кривой …

• обучения
• ошибки
• потерь
• точности

Стохастический градиентный спуск – это …

• алгоритм, при котором коэффициенты меняются после обсчета N элементов выборки
• алгоритм, при котором коэффициенты меняются после обсчета всей выборки
• алгоритм, при котором значения потерь и градиентов меняются при изменении входных данных
• алгоритм, при котором алгоритм застревает на определенных участках ландшафта

Удобство использования библиотеки оценивает такой критерий, как:

• скорость обучения
• гибкость настройки связей
• удобство использования
• объем функционала

Упорядочите следующие архитектуры нейронных сетей по возрастанию сложности:

• 1 простая однослойная нейронная сеть
• 2 многослойная нейронная сеть
• 3 рекуррентная нейронная сеть
• 4 глубокая нейронная сеть со сверточными слоями

Упорядочите следующие компоненты от самого входа до выхода:

• 1сверточный слой
• 2 пулинг слой
• 3 полносвязный слой
• 4 выходной слой

Упорядочите следующие методы обработки естественного языка по степени распространенности использования:

Упорядочите следующие методы регуляризации нейросетей по влиянию на модель:

• 1 Dropout регуляризация
• 2 L2 регуляризация
• 3 L1 регуляризация

Упорядочите следующие примеры задач по работе с последовательностями в порядке наиболее подходящих для реккурентных нейронных сетей:

• 1 классификация текстовых документов
• 2 распознавание голоса
• 3 машинный перевод

Упорядочите следующие типы анализа текста по возрастанию сложности:

• 1 семантический анализ
• 2 морфологический анализ
• 3 синтаксический анализ

Упорядочите следующие типы нейронных сетей по количеству слоев (от наименьшего к наибольшему):

• 1 рекуррентная нейронная сеть (Recurrent Neural Network)
• 2 сверточная нейронная сеть (Convolutional Neural Network)
• 3 полносвязная нейронная сеть (Fully Connected Network)

Упорядочите следующие шаги в алгоритме Policy Gradients в порядке их выполнения:

• 1 вычисление вероятностей каждого действия с помощью текущей политики
• 2 вычисление функции вознаграждения по эпизоду
• 3 вычисление градиента логарифма вероятности выбранного действия
• 4 обновление параметров политики с помощью градиентного спуска
• 5 выбор действия на основе вероятностей, вычисленных ранее

Упорядочите следующие шаги в обучении модели Policy Gradients в порядке их выполнения:

• 1 генерация нескольких эпизодов с помощью текущей политики
• 2 вычисление функции потери
• 3 расчёт градиента функции потери по параметрам политики
• 4 обновление параметров политики с помощью градиентного спуска
• 5 повторение шагов a-d до достижения сходимости

Упорядочите следующие этапы обработки данных в сверточной нейронной сети от начала до конца:

• 1 применение фильтров сверточного слоя к входным данным
• 2 применение нелинейной функции активации
• 3 сжатие размерности при помощи пулинг слоя
• 4 прохождение через полносвязные слои
• 5 вычисление функции потерь

Упорядочите следующие этапы процесса машинного обучения по временной последовательности:

• 1 подготовка данных
• 2 обучение модели
• 3 тестирование модели

Фильтр … – это матрица весов, используемая в сверточных слоях нейронной сети для выделения определенных признаков во входных данных

Функция … это – математическая функция, которая определяет выход нейрона на основе суммы взвешенных входных сигналов

Ваша компания разрабатывает систему распознавания рукописного текста с помощью нейронных сетей. Вы получили новый набор данных, который содержит изображения рукописных цифр (от 0 до 9) написанных разными людьми. Ваша задача – обучить нейросеть распознавать эти цифры с максимальной точностью. Какую архитектуру нейронной сети Вы выберете для решения данной задачи?

• Полносвязная нейронная сеть (Fully Connected Network).
• Сверточная нейронная сеть (Convolutional Neural Network).
• Рекуррентная нейронная сеть (Recurrent Neural Network).

Ваша компания разработала новый алгоритм обработки естественного языка для автоматической классификации текстов. Однако перед запуском на продакшен, необходимо провести тестирование системы для проверки ее эффективности. Каким образом можно оценить точность классификации системы обработки естественного языка?

• Сравнить предсказанные метки классов с истинными метками в наборе тестовых данных и вычислить процент совпадений.
• Измерить среднюю скорость обработки текстов системой и сравнить с другими алгоритмами обработки естественного языка.
• Провести опрос среди случайно выбранных пользователей о том, насколько точно система классифицирует тексты.

Вашей задачей является написание программы, которая будет определять тональность текста. Для этого вам необходимо реализовать функцию determine_sentiment(text: str) -> str, которая будет принимать на вход текст и возвращать одно из следующих значений: «positive» – если текст имеет позитивную тональность. «negative» – если текст имеет негативную тональность. «neutral» – если текст не имеет явно выраженной эмоциональной окраски. Определите тональность текста для написания программы.

• Вам предоставлены все необходимые данные и модель машинного обучения для реализации данной функции.
• Вам необходимо самому разработать алгоритм определения тональности текста.
• Вам необходимо использовать сторонние библиотеки и API для определения тональности текста

Воображайте, что вы разрабатываете алгоритм управления автономным роботом, который должен доставить посылку от точки A до точки B в здании. Робот должен эффективно найти кратчайший путь, минуя препятствия и осуществив доставку в минимальное время. Разработайте алгоритм управления роботом

• Алгоритм принимает во внимание только текущую позицию робота и конечную точку доставки.
• Алгоритм использует маршрут, предварительно построенный по карте здания, с учетом расстояний и препятствий.
• Алгоритм двигает робота в случайном направлении, основываясь на случайных входных данных.

Вы работаете в аналитической компании и вам поручено разработать модель нейросети для классификации изображений на два класса: кошки и собаки. Выберете подходящую библиотеку для работы с нейронными сетями.

• Библиотека TensorFlow предоставляет мощные инструменты для создания и обучения нейронных сетей, а также обладает широкой поддержкой сообщества. Вы можете использовать ее интерфейс Keras, который упрощает процесс создания модели и ее обучения.
• Библиотека NumPy предоставляет функционал для работы с многомерными массивами и матричными операциями, что является основой для создания нейросетей. Вы можете использовать NumPy в сочетании с другими библиотеками, такими как SciPy или scikit-learn, для создания и обучения модели.
• Библиотека OpenCV предназначена для обработки изображений и компьютерного зрения. Она предоставляет инструменты для работы с изображениями, включая функции для предобработки данных перед обучением нейросети.

Вы работаете в компании по разработке программного обеспечения для распознавания изображений. Вашей задачей является выбрать подходящую модель нейронной сети для классификации изображений. Вам предоставлены следующие варианты моделей: Рекуррентная нейронная сеть (RNN)Сверточная нейронная сеть (CNN)Генеративно-состязательная нейронная сеть (GAN)Какую модель нейронной сети Вы выберете?

• RNN
• CNN
• GAN

Вы работаете в компании, специализирующейся на разработке системы распознавания объектов на изображениях с помощью сверточных нейронных сетей Вам предоставлен набор изображений, на которых изображены животные. Вам нужно настроить сверточную нейронную сеть для классификации изображений на следующие категории: собаки, кошки и птицы. Выберете верный ответ среди трех вариантов.

• Вам даны 1000 изображений каждой категории (собаки, кошки, птицы), и вы используете их для тренировки сверточной нейронной сети.
• Вам дан только 100 изображений каждой категории, но вы можете использовать предобученную сверточную нейронную сеть, обученную на большом наборе данных с изображениями животных.
• Вам дано только 10 изображений каждой категории, но вы сможете улучшить результаты, используя аугментацию данных, например, повороты и зеркальное отражение.

Вы работаете над проектом по анализу тональности текстовых отзывов. Выберете подходящую модель для работы с последовательностями и примите решение по использованию реккурентной нейронной сети.

• Использовать сверточную нейронную сеть (CNN) для анализа текстовых отзывов.
• Применить реккурентную нейронную сеть (RNN) типа LSTM для анализа текстовых отзывов.
• Использовать простую логистическую регрессию для анализа текстовых отзывов.

Вы разрабатываете модель нейронной сети для классификации изображений на два класса: собаки и кошки. Вам даны 10000 изображений собак и 10000 изображений кошек для обучения модели. Вы решаете использовать сверточную нейронную сеть для этой задачи. Какие преимущества сверточных нейронных сетей делают их хорошим выбором для задачи классификации изображений?

• Сверточные нейронные сети позволяют выделять важные признаки изображений, такие как углы, границы и текстуры.
• Сверточные нейронные сети обладают высокой скоростью обучения и эффективно применяются в реальных временных задачах.
• Сверточные нейронные сети могут автоматически извлекать семантические признаки изображений, позволяя модели находить общие закономерности в данных.

Вы разрабатываете нейронную сеть для классификации изображений с помощью библиотеки TensorFlow. Вам необходимо выбрать функцию активации для скрытых слоев нейронной сети. Какую функцию активации Вы выберете и почему?

• Сигмоидальная функция активации (sigmoid), потому что она позволяет получить значения в интервале 0, 1, что удобно при решении задач классификации.
• Гиперболический тангенс (tanh), потому что она тоже позволяет получить значения в интервале -1, 1, что может быть полезно при решении задач симметричной классификации.
• Функция активации ReLU (Rectified Linear Unit), потому что она способна оперативно считать градиенты, обеспечивая более быструю сходимость при обучении нейросети.

Вы разрабатываете нейронную сеть для классификации изображений. Вам нужно улучшить ее производительность, чтобы сократить время обучения и повысить точность предсказаний. Какой из следующих подходов наиболее вероятно приведет к оптимизации нейросети?

• Использование предобученных моделей и дообучение их на своем наборе данных.
• Увеличение количества слоев и нейронов в нейронной сети для увеличения ее мощности.
• Использование всех доступных признаков во входных данных без предварительной обработки.

Вы разрабатываете проект, связанный с обработкой и анализом большого объема данных с использованием нейросетей. Для этого вам необходимо выбрать подходящую библиотеку для работы с нейросетями. Какую библиотеку Вы будете использовать?

• TensorFlow
• Django
• NumPy

Вы являетесь инженером в команде по разработке искусственного интеллекта. Вам поручили создать реккурентную нейронную сеть, способную генерировать текст на основе последовательностей слов. Для тестирования вашей модели, вам нужно придумать ситуационное задание. Вам дан набор данных, состоящий из последовательностей слов, описывающих праздничное настроение. Обучите реккурентную нейронную сеть на этом наборе данных, чтобы она могла генерировать новые фразы, подобные описанию праздничного настроения.

• Ваша модель тренировалась на наборе данных, состоящем только из рождественских песен. Она генерирует следующую фразу: «Рождественская елка мерцает огнями, а воздух наполнен запахом варенья и праздничного вина».
• Ваша модель тренировалась на наборе данных, состоящем из рождественских и новогодних песен. Она генерирует следующую фразу: «На улице декабрь, и воздух наполнен ожиданием новогоднего чуда. Звезды сияют ярче, а снег хрустит под ногами».
• Ваша модель тренировалась на наборе данных, состоящем только из праздничных сказок. Она генерирует следующую фразу: «Волшебство оживает в этот праздничный вечер. Елка украшена яркими игрушками, а дети с нетерпением ждут подарков от Деда Мороза».

Вы являетесь разработчиком компании, которая занимается разработкой рекомендательной системы для онлайн-магазина. Заказчик просит вас улучшить текущую систему, чтобы она стала более точной в предлагаемых рекомендациях. Какой подход Вы выберете для этой задачи?

• Использовать полносвязную нейронную сеть с несколькими скрытыми слоями.
• Использовать сверточную нейронную сеть для обработки изображений продуктов.
• Использовать рекуррентную нейронную сеть для анализа последовательностей действий пользователя.

Вы являетесь разработчиком нейронной сети для распознавания изображений. Ваша нейронная сеть имеет слишком высокую вычислительную сложность и требует много ресурсов для обучения и работы. Какую оптимизацию Вы можете предложить для улучшения производительности нейросети?

• Увеличить количество скрытых слоев в нейросети.
• Использовать более сложный оптимизатор.
• Применить методы сжатия модели, такие как квантизация или обрезка весов.

Вы являетесь тренером спортивной команды и хотите научить свою команду исполнять определенную комбинацию движений. Вы решили использовать метод обучения с подкреплением, чтобы максимизировать результаты. Вам известно, что тренировочный процесс будет состоять из трех этапов: объяснение комбинации движений, демонстрация и исполнение каждым членом команды, а после каждой попытки команда будет получать положительное или отрицательное подкрепление в зависимости от того, насколько близко они выполнили комбинацию. Какое подкрепление (вознаграждение или штраф) следует использовать после каждой попытки выполнения комбинации движений?

• Увеличивать время тренировки каждый раз, когда команда нестандартно выполняет комбинацию движений.
• Давать каждому члену команды небольшую премию в случае успешного выполнения комбинации дижений.
• Высказывать словесную похвалу и давать поощрение всей команде в случае правильного выполнения комбинации движений.

— это протяжённая узкая долина, имеющая крутой уклон в одном направлении и плавный уклон в другом

… – это алгоритм, который умеет анализировать состояние среды и совершать в ней какие-то действия

… – это метод обучения, который был использован для обучения Агента

• обучение с учителем
• обучение без учителя
• обучение с подкреплением
• обучение путем проб и ошибок

… – это понятие впервые использовано в перцептроне

• машинное обучение
• искусственный интеллект
• нейронные сети
• биг дата

… повторяется процесс с другими весами

• для учета разных критериев похожести слов
• для учета только смысловой нагрузки слов
• для учета только грамматической похожести слов
• нет правильного ответа

… свертки – это основной строительный блок сверточной нейронной сети, применяющий фильтры свертки к входным данным с целью выделения признаков