Ответы на вопросы из коллекции "Алгоритмы интеллектуальной обработки больших объемов данных"

Весь процесс обучения глубокой сети можно свести к процессу?

• Предобучение сети используя машину Больцмана
• Осуществить тонкую настройку весов, используя алгоритм обратного распростронения ошибки (fint turning)
• Оба варианта верны
• Не верен ни один вариант

Укажите достоинства машины Боцмана:

• Существует возможность вычислить Z
• Невозможно использовать семплирование Гиббса
• Время, требуемое для обучения такой модели экспоненциально зависит от размера машины

На электронную почту пришло письмо. Пусть X – бинарный признак, указывающий, содержит входящее письмо сочетание слов "вам оставили наследство" (=1), или нет(=0), а Y – класс письма, указывающий, спам это (=1), или нет (=0). Известно, что P(Y=1)=0,05, P(X=1|Y=1)=0,0001, P(X=1|Y=0)=0,00001, и в письме присутствует указанное словосочетание. Каким решающим правилом нужно воспользоваться – максимального правдоподобия (ML) или апостериорного максимума (MAP), чтобы определить, пришедшее письмо – спам или нет:

• ML: письмо не спам.
• ML: письмо - спам.
• MAP: письмо не спам.
• MAP: письмо - спам.
• Ни ML, ни MAP применить нельзя.

Слой нейронной сети – это:

• один или несколько нейронов, на входы которых подаются разные сигналы;
• один или несколько нейронов, на входы которых подается один и тот же общий сигнал;
• Количество нейронов зависит от типа нейронной сети;

Какие задачи может решать Text Mining

• Суммаризация текста
• Классификация и кластеризация документов
• Извлечение метаданных, выделение сущностей
• Все перечисленное

Укажите пропущенные слова в первом правиле Хебба: "Если два нейрона по разные стороны от синапсов активируются …, то "вес" синапса … "

• одной и той же функцией, изменяется в соответствии с функцией активации
• сигмоидой , не изменяется
• синхронно, слегка возрастает
• одновременно, уменьшится

Какое утверждение можно отнести к первому правилу Хебба ?

• если два нейрона по разные стороны от синапсов активируются синхронно, то "вес" синапса, слегка возрастает
• если два нейрона по разные стороны от синапсов активируются aсинхронно, то "вес" синапса, слегка возрастает
• если два нейрона по разные стороны от синапсов активируются синхронно, то "вес" синапса, слегка уменьшается
• если два нейрона по разные стороны от синапсов активируются асинхронно, то "вес" синапса, слегка уменьшается

Сети с обратными связями – это

• сети Хопфилда (задачи ассоциативной памяти);
• Перцептрон;
• сети Кохонена (задачи кластерного анализа);
• Рекуррентные нейронные сети;

Выберите сферы применения PCA

• Визуализация данных;
• Построение деревьев решений;
• Обработка изображений;
• Выявление максимальной избыточности;
• Отбор признаков;

Иерархические дивизимные методы характеризуются следующим:

• Делением одного кластера на меньшие кластеры, в результате образуется последовательность расщепляющих групп;
• Последовательным объединением исходных элементов и соответствующим уменьшением числа кластеров;
• В зависимости от исследуемого объекта возможно как деление, так и объединение групп;

Назовите причины использования алгоритмов кластеризации.

• заниматься разметкой данных бывает достаточно дешево
• позволяет разбить данные без разметки данных
• позволяет увеличить значимое количество признаков
• позволяет отслеживать изменения данных во времени

Выберите лишний этап методологии CRISP-DM:

• Обучение модели
• Понимание данных
• Подготовка данных
• Понимание бизнес-целей
• Внедрение
• Моделирование
• Оценка

Что из перечисленного является средством EDA?

• Histogram
• Scatter plot
• Visual estimation
• Piechart

Сколько слоев может обработать одна ограниченная машина Больцмана (restricted Boltzmann machine - RBM)?

• 1
• 2
• 3
• Не больше 4, иначе сеть станет неустойчивой
• Зависит от числа нейронов в каждом слое
• Нет ограничений

Какая функция активации применяется наиболее удобна для описания выходного сигнала нейрона?

• Сигмоидальная
• Гистерезис
• Единичный скачок
• Арктангенсная
• Гиперболическая

Укажите не верное выражение характеристики использования алгоритма RandomForest

• Алгоритм прост
• Не переобучается
• Хорошо параллелится
• "Быстро" работает для большого объема данных

Какие характерные активности этапа подготовки данных (Data Preparation) для процесса CRISP-DM

• Понять чем характеризуется задача
• Удаление шума
• какого результата нужно достичь
• Заполнение отсутсвующих значений

На диаграмме процесса CRISP-DM после этапа Моделирование (Modeling) следует этап

• Понимание бизнес-целей (Business Understanding
• Подготовка данных (Data Preparation)
• Оценка (Evaluation)
• Внедрение (Deployment)

Рассмотрим многослойный персептрон, состоящий из вытянутых в линейную цепочку 10 нейронов (один из них входной, один выходной, а 8 образуют 8 скрытых слоев). Для коррекции весов используется алгоритм обратного распространения ошибки (back propagation). Функция ошибки среднеквадратическая. Значения весов и ошибка на выходе не превышают по модулю единицы. Выберите, при каких значениях сигнала на входе градиент на входе может превысить 0,0001.

• 1
• 2,5
• 25
• 100
• 125
• 225
• 250

Укажите основные подходы к построению стохастических методов:

• Stacking
• Bootstrap aggregation
• Метод случайных подпространств
• Построение ансамблей классификаторов

Выберете верное высказывание, характеризующее паралич сети для Backprop?

• Значение градиента затухает экспоненциально, сходимость замедляется
• При малых значениях весов эффект затухания усиливается
• При больших значениях весов значение градиента может экспоненциально возрастать, алгоритм расходится
• все перечисленное верно

Выберете верное высказывание, характеризующее семплирование по Гиббсу?

• Не требуется явно выраженное совместное распределение, а нужны лишь условные вероятности для каждой переменной, входящей в распределение
• Алгоритм на каждом шаге берет одну случайную величину и выбирает ее значение при условии фиксированных остальных
• Можно показать, что последовательность получаемых значений образуют возвратную цепь Маркова.
• все перечисленное верно

Дан единичный квадрат с координатами вершин (0;0), (0;1), (1;1), (1;0). При этом первая и третья вершины относятся к классу "-1", а вторая и четвертая – "1". Требуется построить классификатор, получающий на входе координату вершины, а на выходе дающий метку класса (задача XOR). Функция потерь определяется числом неправильно классифицированных вершин с учетом их веса. В результате применения алгоритма AdaBoost были построены три модели со следующими разделяющими границами: (1) прямая, проходящая через точки (1/2;0) и (0;1/2), (2) прямая, проходящая через точки (1/2;1) и (1;1/2), (3) прямая, проходящая через точки (1/2;1) и (0;1/2). Изначально веса вершин одинаковы и равны 1/4, далее они пересчитываются в соответствии с алгоритмом. Укажите получившиеся веса первой, второй и третьей модели соответственно:

• 1/3, 1/5, 1/7
• log 3, log 5, log 7
• 3,5,7
• 1/3, 1/5, 1/8
• log 3, log 5, log 8
• 3,5,8

Какой из режимов обучения для "Ограниченной машины больцмана" будет самым точным и давать истинный градиент?

• online learning
• batch learning
• full-batch learning
• нет правильного ответа

В чем задача функции активации?

• Описание выходного сигнала всей нейронной сети
• Выбор сигмоиды, описывающей выходной сигнал нейрона
• Перевести нейрон в рабочее состояние
• Ограничить амплитуду выходного значения нейрона

Укажите минимальное количество скрытых слоев многослойного персептрона и нейронов в них, которое достаточно для построения равномерной аппроксимации с заданной точностью для любого обучающего множества, представленного набором m>1 входов и желаемого отклика f.

• 1 слой, m нейронов
• 1 слой, m^2 нейронов
• 1 слой, количество нейронов не известно
• m слоев, 1 нейрон в каждом
• m слоев, m нейронов в каждом
• m слоев, m^2 нейронов в каждом

Что из указанного работает лучше для больших обучающих выборок в ситуациях когда в данных имеются сложные зависимости

• Стохастические методы
• RSM
• Все перечисленное
• Бустинг

Выберите верные утверждения

• Стохастические методы лучше работают для коротких обучающих выборках
• Для бустинга лучше строить короткие композиции из сильных моделей
• Бэггинг наиболее эффективен, когда данных очень много
• Бустинг предполагает последовательное построение композиции
• Бустинг лучше работает для больших обучающих выборок
• RSM наиболее эффективен, когда количество наблюдений значительно меньше размерности этих данных

Факты об алгоритме бустинга. При нулевой ошибке на обучающей выборке, количество ошибок на тестовой выборке ?

• падает
• возрастает
• одинаково

Где лучшая область применения нейронных сетей ?

• распознавание образов в видеопотоке и изображениях
• распознавание речи
• текстовая классификация
• информационный поиск данных

Укажите верное утверждение

• Метод главных компонент использует меньшее количество компонент, в отличие от метода независимых компонент
• Метод главных компонент добивается ортогональности между полученными компонентами, а метод независимых компонент - не ортогональности
• Метод независимых компонент работает с коррелированными данными, в отличие от метода главных компонент
• Метод главных компонент применяется в основном для задач, где необходимо разделять сигналы, а метод независимых компонент - для визуального разделения данных

Какова идея метода главных компонент?

• поиск гиперплоскости заданной размерности, такой что бы ошибка проектирования выборки на данную гиперплоскость была минимальной
• поиск проекции на гиперплоскость с сохранением большей части дисперсии в данных
• проекция данных на гиперплоскость с критической ошибкой проектирования

Какая мотивация для сдерживания размерности признакового описания данных?

• визуализация + Отве. скорость обучения
• экономия при эксплуатации
• аппроксимация данных
• гибкость построения новых моделей

Выберите верные свойства функции, присущие функции ядра

• Симметричность
• Отрицательная определенность
• Несимметричность
• Положительная определенность

Преимущества SVM?

• глобальная оптимизация
• нечувствителен к шумам и стандартизации данных
• находит разделяющую полосу максимальной ширины
• разреженное решение

Даны три обучающих примера (x1,x2): (0;4), (0;-4), (4;-4), первый относится к классу "1", второй и третий – к классу "-1". Постройте решающую границу методом опорных векторов (SVM). В качестве тестовых возьмите примеры A(-1;-1), B(-1;1), C(1;1), D(1;-1), первые два относятся к классу "-1", вторые два – к "1". Укажите, какие тестовые примеры подтверждают решающую границу.

• A, D
• A, C
• C, D
• A, B
• B, C
• B, D

В модели линейной регрессии h(x,w) чем является w?

• Расширение обучающего объекта x до x = 1
• Обучающая выборка
• Вектор предположений о будущем состоянии объекта x
• Вектор весов

Назовите преимущества "наивного Байесовского классификатора" ?

• не требует отбора признаков
• использует наивные предположения
• стабилен при смещении выборки
• оптимален по производительности
• генеративная модель

При обработке текстов, укажите подходы для приведения токенов к единому виду, чтобы избавиться от поверхностной разницы в написании ?

• сформулировать набор правил, по которым преобразуется токен
• явно хранить связи между токенами
• хранить связи меду токеном и образованным от него различные части речи
• всегда преобразовывать токен к существительному

В обобщенной формуле обучения модели learning= representation +Evaluation+ optimization критериями Evaluation являются

• KL-дивергенция
• функция правдоподобия
• constrained
• unconstrained (GD, Newton+)
• Эмпирический риск

Что из этого является видом модели классификации?

• k-means
• Дискриминантные модели
• Скользящая средняя
• Функции решения
• Генеративные модели

На чем основана кластеризация DBSCAN?

• На отсутствии шумов в наборе данных
• На расширении кластеров
• На выявлении граничных объектов
• На плотности объектов

Для использования алгоритмов иерархической кластеризации текста, какие подходы существуют для выбора "типичного" представителя - кластроида в каждом из кластеров ?

• минимизируем сумму порядков расстояний до других объектов к кластере
• минимизируем сумму квадратов расстояний до других объектов к кластере
• минимизируем сумму расстояний до других объектов к кластере
• минимизируем максимальное расстояние до других объектов к кластере

Укажите достоинство использования PCA

• Легкость с вычислением собственных векторов ковариационной матрицы в случае большого количества данных
• Координаты объектов в новом пространстве определены однозначно
• Простой алгоритм
• все перечисленное

Дендрограмма формируется как результат работы:

• Дивизимного кластерного анализа
• Метода Apriori
• Агломеративного кластерного анализа
• Численного прогнозирования

Для задачи функции активации - ограничить амплитуду выходного значения нейрона, чаще всего используется сигмоидальная (S-образная) функция(и) ?

• синусоидальная функция
• гиперболический тангенс
• логистическая функция

На плоскости даны 6 точек с координатами A(1;1), B(2;2), C(3;2), D(3;4), E(4;5), F(5;4). Осуществите алгоритм иерархической агломеративной кластеризации. Расстояние между кластерами определите как полную связь (complete linkage). Определите точку, объединившуюся последней:

• B
• A
• C
• D
• E
• F

Физический смысл соотношения между большим смещением и маленькой дисперсией характеризуется

• сложность модели недостаточно
• ни один из ответов не верен
• хорошо предсказываем данные из обучающего множества и обобщаем на новые пример
• сложность модели избыточна

Если в сети автоэнкодера находится всего один скрытый слой, то чему будет эквивалентен результат?

• BCA
• ICA
• PCA
• SVD

В задачах Text Mining, при извлечения очевидной информации, основные трудности для "машины" представляют ?

• Огромные объемы
• Порядковая сложность алгоритмов , по сравнению с Data Mining
• Отсутствие фазы "обучение с учителем"
• Отсутствие структуры в данных

Какие проблемы решают задачи кластеризации, отыскивая "скрытую структуру" исследуемых данных и не имея опорной целевой переменной?

• поиск выбросов и шумов в исследуемых данных
• возможность отслеживать эволюционные изменения
• исследование и визуализация больших данных
• разметка данных "в ручную" очень дорого и трудозатратно
• построение признаков из очень большего количества данных

Что следует предпринять, если функция, которую стараемся оптимизировать, не дифференцируема?

• Заменить гладкой аппроксимацией, в которой минимум по гладкой аппроксимации;
• соответствует минимуму по функции;
• Использование алгоритмов невозможно;
• Данное условиет не влияет на оптимизацию функции;

Укажите основные преимущества алгоритма адаптивного бустинга

• Простота алгоритма
• Хорошая обобщающая способность
• Идентифицирует шумовые объекты
• Не переобучается на "малом" количестве данных
• Накладные расходы бустинга минимальны
• Описывается экспонентой
• Минимизирует ошибку на каждом шаге

Плюсы использования алгоритма SVM

• Глобальная оптимизация
• Разреженное решение
• Чувствительность к выбросам
• Быстрое обучение

В синхронных нейронных сетях в каждый момент времени свое состояние меняет

• Все нейроны
• Один нейрон
• Произвольное количество нейронов

Объект 1 находится выше функции принятия решений, объект 2 - ниже функции принятия решений. Выберите верное утверждение.

• Объект 1 и объект 2 находятся в одном классе, если функция принятия решений больше нуля
• Объект 1 и объект 2 находятся в разных классах, если функция принятия решений больше нуля
• Объект 1 и объект 2 находятся в разных классах, знак функции принятия решений при этом не играет роль
• Объект 1 и объект 2 находятся в одном классе, знак функции принятия решений при этом не играет роль

Суть алгоритма Expectation-Maximization:

• Выбор вектора параметров для максимизации функции правдоподобия, соответствующей семейству параметрических моделей.
• Максимизация математического ожидания многомерного нормального распределения с неизвестными параметрами.
• Присваивание ожидаемых значений скрытым переменным на основании текущих оценок параметров и переоценка этих параметров с учетом обновленных ожидаемых значений.
• Вычисление математического ожидания максимума функции правдоподобия, построенной на входной выборке.
• Нет правильного ответа.

Укажите основные плюсы использования Naive Bayes

• Генеративная модель
• Стабилен при смещении
• Оптимален по производительности
• Не требует отбора признаков

Можно ли использовать в качестве базовых моделей линайную регрессию для алгоритма AdaBoots?

• В ряде случаев;
• Да, во всех случаях;
• Нет, невозможно;

Для чего используется логарифм правдоподобия Бернулли?

• задачи регрессии
• задач классификации
• для обоих случаев
• нет правильного ответа

Тип нейросетей которые на данный момент доминируют во всем компьютерном зрении?

• Сверточные нейросети
• Рекурентные нейронные сети
• Deep belief network
• deep Boltzmann machine

Зачем нужен backprop?

• Для определения целевого вектора
• Для корректировки веса сети
• Для обучения многослойных нейронных сетей
• Для минимизации ошибки
• Для определения обучающей тройки нейронов из обучающего множества

Жадный алгоритм предобучения включает этапы ?

• последовательно натренировать каждую пару слоев в глубокой сети (возможно кроме первого и второго скрытого слоя от выходного слоя);
• осуществить тонкую настройку весов, используя алгоритм обратного распространения ошибки;
• применить алгоритм Contrastive Divergence;

Решением проблемы паралича сети могут быть следующие идеи.

• если инициализировать веса таким образом, что бы образ оригинального изображения в скрытом пространстве описывал бы прообраз максимально точно
• именно это и делает ограниченная машина Больцмана
• если инициализировать веса таким образом, что бы образ оригинального изображения в открытом пространстве описывал бы прообраз максимально точно

Согласно стандартной модели зрительной коры головного мозга, считается что?

• каждый следующий нейронный слой выучивает предыдущий нейронный слой
• каждый следующий нейронный слой выучивает новый уровень абстракции данных
• каждый следующий нейронный слой выучивает новый возникающий слой нейронов

Ошибкой обучения нейронной сети называется:

• Возможности преобразования n-мерного пространства в пространство с любым количеством измерений;
• Разность между желаемым и полученным на выходе сигналами;
• Сумма между желаемым и полученным на выходе сигналами;
• Связь, в которой, в которой сигнал (возбуждения или торможения) поступает на синапсы следующих нейронов;

Выберете не верное высказывание характеризующее машину Больцмана?

• Время, требуемое для обучения модели, экспоненциально зависит от размера машины
• не приходится использовать семплирование Гиббса, в связи с топологией сети
• нет возможности вычислить нормирующую константу
• все перечисленное верно

Что из этого не нужно сэмплировать: скрытый слой, видимой слой, значения скрытого слоя, значения видимого слоя

• Видимый слой
• Сэмплировать нужно всё указанное
• Значения видимого слоя
• Скрытый слой
• Значения скрытого слоя

Продолжите фразу "Машина Больцмана - стохастический генеративный…"

• ...вариант перцептрона.
• ...вариант нейронной сети Хемминга.
• ...вариант сети Хопфилда.
• вариант сети Элмана

Машина Больцмана представляет из себя полносвязный неориентированный граф, где ?

• любые две вершины из одной группы зависят друг от друга
• любые три вершины из одной группы зависят от остальных вершин слоя
• любые две вершины из разных групп зависят друг от друга

Дан отрезок, четко "раскрашенный" слева на 4/7 черным цветом, а справа на 3/7 – белым, что можно представить в виде вектора (1;1;1;1;-1;-1;-1). Чтобы запомнить этот "правильный" образ, обучается нейронная сеть Хопфилда с семью нейронами (возможные состояния нейронов 1/-1, порог нулевой), где указанный вектор подается как образец (обучающий пример).В качестве тестового образца подадим на вход обученной нейронной сети черно-белый отрезок с "размытой" границей (1;1;1;-1;1;-1;-1). Проверьте, сможет ли обученная нейронная сеть проигнорировать испорченный участок и восстановить исходный отрезок:

• Нет, на выходе мы получим искаженный вектор (1;1;1;-1;-1;-1;-1)
• Нет, на выходе мы получим искаженный вектор (1;1;1;1;-1;1;-1)
• Нет, на выходе мы получим искаженный вектор (1;1;1;1;1;-1;-1)
• Нет, на выходе мы получим искаженный вектор (1;1;1;-1;1;1;-1)
• Нет, на выходе мы получим искаженный вектор (1;1;1;-1;1;-1;-1)
• Да, на выходе мы получим неискаженный вектор (1;1;1;1;-1;-1;-1)

Что является задачей функции активации

• нет правильного ответа
• Ограничить амплитуду выходного значения нейрона
• Идентификации шумовых объектов
• Глобальная оптимизация

Сколько скрытых слоев нейронов применяют в реальной практике в соответствии с обычным алгоритмом обратного распространения ошибки

• нет правильного ответа
• любое количество
• 2
• 1

Что можно сказать о нейронах в мозгу человека ?

• обладают способностью изменяться под действием опыта
• сам по себе помимо сигналов ,генерирует и шум
• очень медленная модель для обработки информации
• очень узкоспециализированные нервные клетки

Что является задачей функции активации?

• Сохранить амплитуду выходного значения нейрона
• Увеличить амплитуду выходного значения нейрона
• Ограничить амплитуду выходного значения нейрона

Укажите не верное высказывание про алгоритм AdaBoost

• Алгоритм прост
• Не склонен к переобучению при наличии шума в данных
• Имеет возможность идентификации шумовых объектов
• Показывает хорошую обобщающую способность

Укажите метод, который одновременно уменьшает смещение и дисперсию

• оба метода
• Бустинг
• Беггинг
• ни один из них

Выберете верное утверждение про алгоритмы бустинга :

• бустинг лучше работает для больших обучающих выборок в ситуациях когда в данных имеются сложные зависимости
• для бустинга лучше строить короткие композиции из слабых моделей , чем длинные из сильных
• алгоритмы бустига наиболее эффективны в пространстве большей размерности

Выберите верное утверждение

• Бустинг не переобучается с увеличением числа итераций
• Бустинг использует только экспоненциальные базовые модели
• Бустинг использует веса, которые не обновляются с каждым новым построением модели
• Бустинг уменьшает обобщающую способность и увеличивает дисперсию

Дан единичный квадрат с координатами вершин (0;0), (0;1), (1;1), (1;0). При этом первая и третья вершины относятся к классу "-1", а вторая и четвертая – "1". Требуется построить классификатор, получающий на входе координату вершины, а на выходе дающий метку класса (задача XOR). Применим алгоритм градиентного бустинга (gradient boosting) с функцией потерь L(y,h)=ln(1+exp(-2*y*h)). Очевидно, h0(x)=const=0. Далее, выбираем в качестве a1 функцию, равную -1 левее разделяющей границы, проходящей через точки (1/2;0) и (0;1/2), и 1 в противном случае. Найдите итоговый коэффициент перед функцией a1 с учетом коэффициента регуляризации (shrinkage) 0,55.

• 0,5
• 1,0
• 0,1
• 1,5
• 2,0
• 0,3

Укажите достоинства алгоритма AdaBoots:

• Склонен к переобучению при наличии шума в данных
• Имеет хорошую обобщающую способность
• Простота
• Переобучается при малом количестве данных

Если зависимая переменная принимает непрерывные значения, то дерево решений решает задачу:

• Решение невозможно;
• Логистического прогнозирования;
• Численного прогнозирования;

Назовите основные недостатки алгоритма Random Forest ?

• модели получаются большие и не интерпретируемые
• алгоритм требует сложной настройки параметров
• алгоритм плохо параллелится
• алгоритм плохо работает с полиномиальными зависимостями

Где лучшая область применения ансамблей деревьев решений ?

• информационный поиск данных
• текстовая классификация
• автопилотирование транспорта
• распознавание речи

Что может служить мотивацией для снижения размерности пространства

• Визуализация
• Скорость обучения
• Качество обучения
• все перечисленное

Каковы недостатки метода главных компонент?

• координаты объектов в новом пространстве определены не однозначно
• проблема с вычислением собственных векторов ковариационной матрицы, при большом количестве данных
• существует произвол в выборе координат объектов в новом пространстве
• общая сложность алгоритма

Укажите два основных подхода к снижению размерности.

• Feature Extraction
• Feature Extrapolation
• Feature Selection
• Feature Encoding

Класс алгоритмов, являющийся элегантной идей по построению разделяющей поверхности, а также осуществляющий переход в новое пространство значительно дешевле, чем вычисление всех обучающие объектов в новом пространстве напрямую:

• KKT-условия;
• SVM;
• ML;
• Функция Мерсера;

Укажите плюсы метода опорных векторов

• Нелинейная разделяющая поверхность
• Глобальная оптимизация
• Разреженное решение
• Хорошая обобщающая способность
• Возвращает вероятность равную 0, 1, -1
• Не чувствителен к выбросам
• Быстрое обучение
• Есть алгоритм выбора ядра

Недостатки SVM?

• чувствителен к шумам и стандартизации данных Отве. медленный метод нахождения решающих функций
• нет алгоритма выбора ядра
• медленное обучение

Выберите особенность SVM, о которой говорится ниже: SVM оптимизирует квадратичную функцию, которая является вогнутой и её максимум существует только один:

• Нелинейная разделяющая поверхность
• Глобальная оптимизация
• Разреженное решение
• Хорошая обобщая способность

С помощью какого принципа можно справляться с переобучением методом ограничения весов

• Принцип регуляризации
• априорное распределение
• Перекрёстная проверка
• Вербализация

Выберите верное утверждение.

• Логистическая регрессия защищена от переобучения, как и линейные модели
• Логистическая регрессия, как и линейные модели, может быть подвержена переобучению
• Логистическая регрессия, в отличие от линейных моделей, защищена от переобучения
• Логистическая регрессия, в отличие от линейных моделей, может быть подвержена переобучению

Основный принцип, который используется в машинном обучении – это принцип:

• Maximum Likelihood
• Байесовской классификации
• Численное прогнозирование
• Интервал прогнозирования

На диаграмме "Этапы обработки текста" этап токенизации идет следом за этапом…

• Удаление стоп-слов
• Нормализация
• Декодирование
• Стреминг

Что такое токенизация в обработке текстов?

• Один из этапов обработки текста
• Разбиение последовательности символов на последовательность слов
• Удаление знаков препинания из строки
• Добавление зашифрованных элементов к последовательности символов
• Расшифровка регулярных выражений

В результате действия чего из знаменитой фразы "to be or not to be" может удалиться все содержимое?

• Стоп-слова
• Приведение к нижнему регистру
• Стемминг

На электронную почту пришло два подозрительных письма, одно из них (A) содержало слово "лотерея", второе (B) – слова "лекарство" и "похудение". Дано, что спам составляет 3% писем, доля писем, где встречается слово "лотерея": спам - 0,04%, не спам – 0,01%; слово "лекарство": спам - 0,02%, не спам – 0,01%; слово "похудение": спам - 0,01%, не спам - 0,0005%. Пользуясь наивным байесовским классификатором (Naive Bayes) с правдоподобием Бернулли (BernoulliNB), определить, какие из полученных писем являются спамом.

• Только A.
• Только B.
• A и B.
• Не A и не B.

Все переменные являются одинаково важными и статистически независимыми, т.е. значение одной переменной ничего не говорит о значении другой. Это свойства:

• наивной байесовской классификации
• Атрибута расщепления
• Метода "k-ближайших соседей"
• Сети Кохонена

Назовите плюсы использования вероятностных моделей против функций решений

• Отказ от классификации
• Дисбаланс в выборке
• Ансамбли моделей
• Сильные предположения о природе данных
• Излишняя (вычислительная) сложность