Ответы на вопросы из коллекции "💯 Машинное обучение Синергия Ответы на тесты 1-8, итоговый тест, компетентностный"

Представьте, что вы разрабатываете систему ассоциативной памяти на основе сети Хопфилда для восстановления неполных или искаженных данных о финансовых показателях компании, например, рентабельность, ликвидность, оборачиваемость активов. Вы хотите, чтобы сеть «помнила» несколько типичных профилей компаний, представляющих различные отрасли. Как, согласно правилу Хебба, изменяются веса связей между нейронами в сети Хопфилда при обучении (запоминании) нового профиля компании?

• Увеличиваются веса связей между нейронами, соответствующими финансовым показателям, которые имеют одинаковый знак (оба положительные или оба отрицательные) в запоминаемом профиле, уменьшаются веса связей между нейронами с разными знаками.
• Веса всех связей между нейронами устанавливаются равными нулю независимо от конкретного финансового профиля, что фактически блокирует способность сети восстанавливать ассоциации и приводить к полной потере способности хранить какую-либо информацию о ранее запомненном финансовом состоянии компании.
• Веса связей устанавливаются случайным образом перед каждым новым запомненным профилем, что нарушает стабильность ассоциативного процесса и приводит к постепенной утрате предыдущих состояний, делая невозможным восстановление полного набора профилей и нарушая принцип сохранения информации в сети Хопфилда.
• Происходит произвольное увеличение весов некоторых связей между нейронами, соответствующих произвольно выбранным ключевым финансовым показателям (таким как рентабельность), игнорируя влияние остальных показателей и создавая дисбаланс, приводящий к невозможности эффективного восстановления исходных данных при частичном повреждении или пропусках значений.

Предположим, вы разрабатываете систему прогнозирования кредитного рейтинга заемщиков на основе прямого произведения искусственных нейронных сетей (ППИНС). У вас есть две уже обученные искусственные нейронные сети (ИНС): ИНС 1: обучена на исторических данных о погашении кредитов (сумма кредита, срок, процентная ставка, кредитная история); ИНС 2: обучена на данных из социальных сетей заемщиков (количество друзей, активность, интересы). Обе ИНС демонстрируют приемлемую точность, но есть подозрение, что они выявляют разные, частично пересекающиеся факторы, влияющие на кредитный рейтинг. Ваша главная цель — учесть вклад каждой ИНС в конечный прогноз в зависимости от ее индивидуальной точности и значимости выявленных факторов? Какую архитектуру ППИНС следует выбрать для объединения этих двух ИНС? Поясните ответ.

• Параллельное объединение с последующим обучением: простое усреднение выходов: берется среднее значение выходов обеих ИНС. Эта дополнительная ИНС обучается на данных, содержащих как прогнозы отдельных ИНС, так и фактические кредитные рейтинги.
• Взвешенное усреднение выходов: каждой ИНС присваивается весовой коэффициент, отражающий ее вклад в конечный прогноз. Весовые коэффициенты определяются экспертным путем или на основе анализа точности каждой ИНС на проверочной выборке.
• Параллельное объединение с последующим обучением: выход первой ИНС (например, предсказанный кредитный рейтинг) подается на вход второй ИНС. Эта дополнительная ИНС обучается на данных, содержащих как прогнозы отдельных ИНС, так и фактические кредитные рейтинги.
• Параллельное объединение с последующим обучением: выходы обеих ИНС объединяются в один вектор, который подается на вход дополнительной обучаемой ИНС. Эта дополнительная ИНС обучается на данных, содержащих как прогнозы отдельных ИНС, так и фактические кредитные рейтинги.

Вы разработали модель регрессии для прогнозирования цен на жилую недвижимость в городе. Ваша модель предсказывает цены в тысячах долларов. Вы хотите оценить качество своей модели на тестовой выборке. В какой ситуации наиболее целесообразно использовать среднюю абсолютную процентную ошибку (Mean Absolute Percentage Error, MAPE) в качестве основного показателя для оценки качества вашей модели?

• Когда важна простота интерпретации метрики и вы хотите видеть среднюю абсолютную ошибку в тех же единицах измерения, что и целевая переменная (тысячи долларов).
• Когда вы хотите придать больший вес большим ошибкам, так как они более критичны для вашего бизнеса.
• Когда вам необходимо, чтобы метрика была устойчива к выбросам в данных.
• Когда вам необходимо оценить, на сколько процентов в среднем ошибается ваша модель, независимо от масштаба цен на недвижимость, и когда важно, чтобы ошибки в прогнозах для дешевого и дорогого жилья имели одинаковый вес.

Случайный лес — это вариант баггинга, в котором дополнительно случайным образом выбирается подмножество … для построения каждого дерева

Специалист по разработке стандартных архитектур нейронных сетей разрабатывает систему оценки кредитоспособности клиентов банка. В качестве входных данных у него есть: возраст, доход, кредитная история (количество просрочек, наличие кредитных карт), место работы, образование. Его задача — классифицировать клиентов по трем категориям: «высокий риск», «средний риск», «низкий риск». Для решения этой задачи он решил использовать радиальную нейронную сеть (RBF-сеть). Какой тип радиальной базисной функции специалист должен выбрать для построения эффективной системы оценки кредитоспособности клиентов банка?

• Все радиальные базисные функции одинаково хорошо подходят для этой задачи, поэтому выбор не имеет значения.
• Следует использовать линейную РБФ, так как она наиболее проста в вычислениях и подходит для задач классификации с небольшим количеством входных данных.
• Следует использовать многомерную гауссовскую РБФ (Gaussian RBF), так как она обеспечивает гладкую аппроксимацию нелинейных зависимостей в многомерном пространстве признаков и подходит для задач классификации с непрерывными входными данными.
• Следует использовать мультиквадратичную РБФ, так как она обеспечивает высокую точность аппроксимации, даже если входные данные имеют высокую размерность.

Представьте, что вы используете сеть Кохонена (карту Кохонена, самоорганизующуюся карту — SOM) для сегментации клиентской базы банка на основе их транзакционной активности (средний чек, частота покупок, типы покупок). Сеть обучена. Теперь, согласно принципу «Победитель получает все», вам нужно отнести нового клиента к существующему кластеру. Как определить кластер, к которому будет отнесен новый клиент?

• Для определения необходимого кластера рассчитывается среднее значение векторов всех нейронов.
• Для определения необходимого кластера определяется нейрон, как среднее значение векторов всех нейронов (нейрон-победитель)
• Для определения необходимого кластера определяется нейрон, вектор весов которого наиболее близок к вектору транзакционной активности клиента (нейрон-победитель).
• Для определения необходимого кластера определяется нейрон, вектор весов которого наиболее далекий к вектору активности клиента (нейрон-победитель).

Представьте, что вы аналитик данных в хедж-фонде, специализирующемся на краткосрочной торговле акциями. Вам поручено разработать систему для прогнозирования направления движения цены (вверх или вниз) конкретной акции в течение следующего часа. Для повышения точности прогнозов вы планируете использовать ансамблевые методы машинного обучения. Предложите три различных типа моделей машинного обучения, которые, на ваш взгляд, подходят для использования в качестве базовых моделей в ансамбле для прогнозирования направления движения цены акции. Для каждой модели кратко опишите, как она работает и почему она может быть полезна в этой задаче.

• Модель 1: Логистическая регрессия. Описание: Модель предсказывает вероятность принадлежности к одному из двух классов (вверх или вниз) на основе линейной комбинации входных признаков. Почему полезна: простая и быстрая модель, хорошо подходит для базового прогнозирования и интерпретации. Модель 2: Дерево решений. Описание: модель строит дерево, где каждый узел представляет собой проверку одного из признаков, а листья представляют собой прогнозы. Почему полезна: способна выявлять сложные нелинейные зависимости и хорошо работает с разными типами данных. Модель 3: Машина опорных векторов (SVM). Описание: модель находит оптимальную разделяющую гиперплоскость между классами. Почему полезна: эффективна в пространствах высокой размерности и может хорошо обобщать на новые данные.
• Модель 1: Логистическая инверсия. Описание: Модель анализирует вероятность принадлежности к одному из четырех классов (вверх или вниз) на основе линейной комбинации входных признаков. Почему полезна: простая и быстрая модель, хорошо подходит для базового прогнозирования и интерпретации. Модель 2: Дерево решений. Описание: модель строит дерево, где каждый узел представляет собой проверку нескольких из признаков. Почему полезна: способна выявлять простые нелинейные зависимости и хорошо работает с разными типами данных. Модель 3: Машина опорных векторов (SVM). Описание: модель находит среднюю разделяющую гиперплоскость между классами. Почему полезна: эффективна в пространствах низкой размерности и может хорошо обобщать на новые данные.
• Модель 1: Логистическая инверсия. Описание: Модель анализирует вероятность принадлежности к одному из четырех классов (вверх или вниз) на основе линейной комбинации входных признаков. Почему полезна: простая и быстрая модель, хорошо подходит для базового прогнозирования и интерпретации. Модель 2: Дерево решений. Описание: модель клонирует дерево, где каждый узел представляет собой проверку всех вероятностных признаков. Почему полезна: способна выявлять программируемые линейные зависимости и хорошо работает с разными типами данных. Модель 3: Машина опорных векторов (SVM). Описание: модель находит среднюю квадратичную разделяющую гиперплоскость между классами. Почему полезна: эффективна в пространствах общей размерности и может хорошо обобщать на новые данные.
• Модель 1: Логистическая инверсия. Описание: Модель анализирует вероятность принадлежности к одному из четырех классов (вверх или вниз) на основе линейной комбинации входных признаков. Почему полезна: простая и быстрая модель, хорошо подходит для базового прогнозирования и интерпретации. Модель 2: Дерево решений. Описание: модель клонирует дерево, где каждый узел представляет собой проверку всех вероятностных признаков. Почему полезна: способна выявлять программируемые линейные зависимости и хорошо работает с разными типами данных. Модель 3: Оптимизационная регрессия. Описание: Модель предсказывает вероятность принадлежности к одному из трех классов (вверх или вниз) на основе линейной комбинации входных признаков. Почему полезна: простая и нелинейная модель, хорошо подходит для базового прогнозирования и интерпретации.

Представьте, что вы аналитик данных в отделе по борьбе с мошенничеством в банке. Вам необходимо разработать систему, которая могла бы выявлять мошеннические транзакции, даже если информация о них поступает частично или с искажениями. Вы рассматриваете возможность использования ассоциативных запоминающих нейронных сетей для этой цели. Опишите, в каких конкретных экономических задачах, помимо выявления мошеннических транзакций, ассоциативные запоминающие нейронные сети (АЗС) могут быть полезны. Объясните, почему использование АЗС может быть эффективным.

• Прогнозирование цен на акции на основе исторических данных. Объяснение: АЗС могут восстанавливать закономерности в исторических данных, даже если поступает неполная или зашумленная информация, что позволяет прогнозировать цены на акции.
• Прогнозирование цен на акции на основе исторических данных. Объяснение: АЗС не могут быть обучены на нормальных финансовых отчетах, и аномальные отчеты, отличающиеся от запомненных образцов, будут выявлены как подозрительные.
• Прогнозирование цен на акции на основе исторических данных. Объяснение: АЗС могут анализировать закономерности в исторических данных, даже если поступает полная или зашумленная информация, что позволяет прогнозировать цены на акции.

Представьте, что вы аналитик данных в компании, которая занимается автоматизацией обработки текстовой информации из финансовых отчетов. Вам нужно выбрать подходящую архитектуру нейронной сети для задачи классификации финансовых новостей по темам, например, «макроэкономика», «рынок акций», «корпоративные финансы». Какую следует выбрать стандартную архитектуру нейронных сетей для решения поставленной задачи? Перечислите основные преимущества выбранной архитектуры. (укажите 2 варианта ответа)

• Следует выбрать многослойный персептрон (MLP). Ее преимущества: способность к обучению нелинейным зависимостям, могут эффективно моделировать сложные, нелинейные взаимосвязи между входными признаками и вероятностью дефолта, что часто характерно для кредитных данных.
• Следует выбрать сверточную нейронную сеть (CNN). Ее преимущества: хорошо извлекает локальные признаки из текста, такие как сочетания слов, и не требует ручного извлечения признаков.
• Следует выбрать рекуррентную нейронную сеть (RNN). Ее преимущества: хорошо учитывает последовательность слов в тексте и может улавливать долгосрочные зависимости.
• Следует выбрать автоэнкодер. Ее преимущества: обучаются без учителя, используя только входные данные, эффективно кодирует данные в сжатое представление (латентное пространство).

Представьте, вы младший аналитик в отделе рисков банка. Ваша команда разрабатывает систему для прогнозирования вероятности невозврата кредита (дефолта) физическими лицами. Для этого планируется использовать нейронные сети. Вам необходимо продемонстрировать понимание основных концепций, лежащих в основе нейронных сетей, чтобы эффективно участвовать в процессе разработки и анализа модели. Предложите базовую архитектуру многослойного персептрона (MLP) для решения задачи прогнозирования невозврата кредита. Укажите: Количество входных нейронов и почему вы выбрали именно это количество. Количество скрытых слоев и нейронов в каждом слое. Обоснуйте свой выбор (какие факторы вы учитывали?). Функцию активации для каждого слоя (скрытых слоев и выходного слоя). Обоснуйте свой выбор. Функцию потерь, которую вы будете использовать для обучения сети.

• Входной слой: 10-20 нейронов (по количеству признаков заемщика, например, возраст, доход, кредитная история) Скрытые слои: 2 слоя: 64 и 32 нейрона (обеспечивают достаточную сложность, но без сильного риска переобучения), ReLU активация (эффективна, избегает проблем с градиентом) Выходной слой: 1 нейрон. Сигмоида активация (выдает вероятность дефолта от 0 до 1) Функция потерь: Binary Cross-Entropy (стандарт для бинарной классификации)
• Входной слой: 40-50 нейронов (по количеству признаков заемщика, например, возраст, доход, кредитная история) Скрытые слои: 3 слоя: 64 нейрона (обеспечивают достаточную сложность, но без сильного риска переобучения), ReLU активация (эффективна, избегает проблем с градиентом) Выходной слой: 2 нейрона. Сигмоида активация (выдает вероятность дефолта от 0 до 1) Функция потерь: Binary Cross-Entropy (стандарт для бинарной классификации)
• Входной слой: 20-30 нейронов (по количеству признаков заемщика, например, возраст, доход, кредитная история) Скрытые слои: 4 слоя: 72 нейрона (обеспечивают достаточную сложность, но без сильного риска переобучения), ReLU активация (эффективна, избегает проблем с градиентом) Выходной слой: 10 нейронов. Сигмоида активация (выдает вероятность дефолта от 0 до 1) Функция потерь: Binary Cross-Entropy (стандарт для бинарной классификации)
• Входной слой: 60 нейронов (по количеству признаков заемщика, например, возраст, доход, кредитная история) Скрытые слои: 3 слоя: 2 нейрона (обеспечивают достаточную сложность, но без сильного риска переобучения), ReLU активация (эффективна, избегает проблем с градиентом) Выходной слой: 5нейронов. Сигмоида активация (выдает вероятность дефолта от 0 до 1) Функция потерь: Binary Cross-Entropy (стандарт для бинарной классификации)

Вы разрабатываете систему машинного обучения для прогнозирования оттока клиентов (customer churn) в телекоммуникационной компании. Вы используете подход концептуального обучения, где каждая гипотеза представляет собой описание профиля клиента, склонного к оттоку. Предположим, вы определили следующие атрибуты для описания клиентов: Возраст: {Молодой, Средний, Пожилой} Уровень дохода: {низкий, средний, высокий} Продолжительность использования услуг: {Короткая, Средняя, Длинная} Вы решили использовать представление гипотезы, в котором «*» означает «любое значение» для атрибута, например, гипотеза «Молодой, *, *» означает, что все молодые клиенты склонны к оттоку, независимо от их дохода и продолжительности использования услуг. Из каких элементов состоит пространство гипотез в вашей системе прогнозирования оттока клиентов? Какой стратегии придерживается алгоритм при поиске оптимальной гипотезы?

• Пространство гипотез состоит из всех возможных комбинаций значений атрибутов (3 * 3 * 3 = 27 гипотез). Поиск ведется путем перебора всех гипотез и выбора наиболее точной.
• Пространство гипотез состоит только из наиболее общих гипотез (например, “*, *, *”, “Молодой, *, ”). Поиск ведется от общей гипотезы к более конкретным.
• Пространство гипотез состоит из всех возможных комбинаций значений атрибутов, включая обобщенные значения (‘’). Поиск ведется от наиболее общих гипотез к более специфичным, отбрасывая гипотезы, не соответствующие обучающим данным (отрицательным примерам).
• Пространство гипотез состоит только из наиболее специфичных гипотез (например, «Молодой, Низкий, Короткая»). Поиск ведется от специфичных гипотез к более общим.

Вы работаете аналитиком кредитного риска в крупном банке. Вам поручено разработать модель для прогнозирования дефолта по кредитным продуктам для физических лиц. Исходный набор данных содержит очень большое количество признаков (сотни), включая демографические данные клиентов, информацию об их кредитной истории, транзакционную активность, и макроэкономические показатели. Обработка всех этих признаков ресурсоемка, и есть подозрение, что некоторые признаки неинформативны или даже вредны для модели. Объясните, какие преимущества может дать оптимизация признакового пространства в контексте задачи прогнозирования дефолта кредитного портфеля. Перечислите преимущества, объяснив, почему они важны.

• Повышение точности модели: устранение неинформативных или шумовых признаков позволяет модели лучше выявлять закономерности в данных и повышает ее точность прогнозирования. Уменьшение переобучения: ограничение количества признаков снижает риск переобучения модели, особенно при небольшом объеме данных. Улучшение интерпретируемости модели: модель с меньшим количеством признаков легче понять и интерпретировать, что важно для принятия обоснованных решений и выявления факторов риска. Уменьшение вычислительных затрат: снижение количества признаков уменьшает время обучения и использования модели, что особенно важно при работе с большими наборами данных.
• Повышение точности модели: устранение информативных или шумовых признаков позволяет модели лучше выявлять закономерности в данных и повышает ее точность прогнозирования. Уменьшение переобучения: увеличение количества признаков повышает риск переобучения модели, особенно при небольшом объеме данных. Улучшение интерпретируемости модели: модель с большим количеством признаков легче понять и интерпретировать, что важно для принятия обоснованных решений и выявления факторов риска. Уменьшение вычислительных затрат: увеличение количества признаков уменьшает время обучения и использования модели, что особенно важно при работе с большими наборами данных.
• Повышение точности модели: устранение информативных или шумовых признаков позволяет модели лучше выявлять закономерности в данных и повышает ее точность прогнозирования. Уменьшение переобучения: увеличение количества признаков повышает риск переобучения модели, особенно при низком объеме данных. Улучшение интерпретируемости модели: модель с большим количеством признаков легче понять и интерпретировать, что важно для принятия обоснованных решений и выявления факторов риска. Уменьшение низкоэффективных затрат: уменьшает количество признаков увеличивает время обучения и использования модели, что особенно важно при работе с большими наборами данных.
• Повышение точности модели: устранение неинформативных или шумовых признаков позволяет модели лучше выявлять закономерности в данных и повышает ее точность прогнозирования. Уменьшение переобучения: ограничение количества признаков снижает риск переобучения модели, особенно при небольшом объеме данных. Улучшение интерпретируемости модели: модель с меньшим количеством признаков легче понять и интерпретировать, что важно для принятия обоснованных решений и выявления факторов риска. Улучшение разработанности модели: модель с большим количеством признаков легче понять и разрабатывать, что важно для принятия обоснованных решений и выявления факторов риска и оценки проектных решений.

Вы работаете аналитиком в компании, занимающейся оценкой кредитных рисков. Вы создали модель машинного обучения для прогнозирования вероятности дефолта заемщиков. Исходный набор данных содержал 100 различных признаков, характеризующих заемщиков (возраст, доход, кредитная история, образование, место работы и т. д.). После обучения модели вы обнаружили, что ее производительность на тестовом наборе данных не так высока, как ожидалось, и наблюдаете признаки переобучения. Какое действие целесообразно предпринять для оптимизации признакового пространства и улучшения обобщающей способности модели (снижения переобучения)?

• Следует добавить в модель регуляризацию (например, L1- или L2-регуляризацию) и увеличить размер обучающей выборки.
• Следует увеличить количество признаков, добавив новые, сгенерированные случайным образом признаки.
• Следует выбрать наиболее важных признаков и исключения остальных, с помощью метода отбора признаков (например, Recursive Feature Elimination или SelectFromModel с использованием Lasso).
• Следует преобразовать все числовые признаки в категориальные, разбив их на небольшое количество интервалов (биннингом).

Вы работаете аналитиком в инвестиционной компании и занимаетесь разработкой модели прогнозирования цен на акции. Вы решили использовать рекуррентные нейронные сети (RNN) для анализа временных рядов финансовых данных. Вам необходимо продемонстрировать знания в области методов обучения нейронных сетей, чтобы эффективно обучить и оптимизировать вашу модель. Для обучения RNN вы будете использовать исторические данные о ценах на акции, а также связанные с ними экономические показатели (например, процентные ставки, уровень инфляции). Какой тип обучения наиболее подходит для данной задачи?

• Для данной задачи подходит тип обучения без учителя.
• Для данной задачи подходит тип обучения с подкреплением.
• Для данной задачи подходит тип обучения с учителем.
• Для данной задачи подходит полуавтоматический тип обучения.

Вы работаете аналитиком в банке и разрабатываете систему автоматической обработки обращений клиентов. Вам необходимо классифицировать каждое обращение по типу. У вас есть следующие варианты классификации: вариант 1: «Мошенническая операция» или «Не мошенническая операция»; вариант 2: «Запрос на кредит», «Жалоба», «Консультация», «Техническая поддержка», «Мошенничество». Какая задача машинного обучения соответствует каждому из этих вариантов классификации?

• Варианту 1: многоклассовая классификация; варианту 2: бинарная классификация.
• Варианту 1: бинарная классификация; варианту 2: регрессия.
• Варианту 1: бинарная классификация; варианту 2: многоклассовая классификация.
• Варианту 1: регрессия; варианту 2: многоклассовая классификация.

Вы аналитик в компании, которая специализируется в прогнозировании спроса на электроэнергию в регионе. Вам необходимо разработать модель, которая сможет точно предсказывать потребление электроэнергии на следующий день, чтобы оптимизировать производство и избежать дефицита или избытка. Определите тип задачи машинного обучения, который наиболее подходит для прогнозирования спроса на электроэнергию. Опишите, что является целевой переменной в этой задаче, и какие значения она может принимать.

• Тип задачи: регрессия (прогнозирование непрерывного числового значения). Целевая переменная: потребление электроэнергии (спрос на электроэнергию). Возможные значения целевой переменной: любое неотрицательное вещественное число, выражающее объем потребления энергии в единицах измерения (кВт/ч, МВт/ч и т.д.).
• Тип задачи: классификация (предсказание категорий). Целевая переменная: категория энергопотребления (например, низкий/нормальный/высокий уровень потребления). Возможные значения целевой переменной: три фиксированные категории: низкий, нормальный, высокий уровень потребления электроэнергии.
• Тип задачи: генерация текста (создание новых предложений). Целевая переменная: текстовое описание ожидаемых условий потребления электроэнергии. Возможные значения целевой переменной: произвольные тексты, описывающие ожидаемое поведение потребителей электроэнергии (например, «Ожидается умеренное потребление в течение суток»).

Вы — аналитик данных в компании, занимающейся онлайн-кредитованием. Ваша задача — повысить эффективность системы оценки кредитоспособности заемщиков с помощью технологий машинного обучения. Какая задача машинного обучения наиболее релевантна для непосредственной классификации заемщиков по степени риска (например, «высокий риск», «средний риск», «низкий риск») на основе исторических данных? Укажите входные данные (признаки), которые будут использоваться, и ожидаемый результат.

• Регрессия: прогнозирование конкретной суммы кредита, которую можно одобрить заемщику. Входные данные: возраст, доход, кредитная история, профессия. Ожидаемый результат: рекомендуемая сумма кредита в денежных единицах.
• Кластеризация: группировка заемщиков по общим признакам (например, возрасту и доходу) без предварительного определения классов риска. Входные данные: возраст, доход, кредитная история, профессия. Ожидаемый результат: группы (кластеры) заемщиков, объединенных по сходству признаков.
• Классификация: оценка вероятности невозврата кредита. Входные данные: возраст заемщика, кредитная история, доход, профессия, наличие собственности. Ожидаемый результат: класс риска («высокий риск», «средний риск», «низкий риск»).
• Ассоциативные правила: выявление закономерностей между различными характеристиками заемщиков (например, «если заемщик молод и имеет низкий доход, то он часто допускает просрочки»). Входные данные: возраст, доход, кредитная история. Ожидаемый результат: правила, описывающие связи между характеристиками заемщиков.

Частичное обучение особенно полезно в областях, где … данных является дорогим или трудоемким процессом

• анализ
• разметка
• сбор
• обработка

Частичная задача обучения использует как … данные, так и неразмеченные данные для построения модели

Установите соответствие между этапами анализа главных компонент (PCA) и их описаниями:

• A. Центрирование данных
• B. Вычисление ковариационной матрицы
• C. Вычисление собственных векторов и собственных значений
• D. Выбор главных компонент
• E. вычитание среднего значения из каждого признака, чтобы данные имели нулевое среднее значение
• F. описывает, как признаки изменяются вместе, и используется для вычисления собственных векторов и значений
• G. определяет направления максимальной дисперсии в данных и соответствующие значения, показывающие величину дисперсии в этих направлениях
• H. выбор подмножества собственных векторов (главных компонент), соответствующих наибольшим собственным значениям

Установите соответствие между типами признаков и их описаниями в машинном обучении:

• A. Геометрические
• B. Вероятностные
• C. Логические
• D. описывают объекты в многомерном пространстве, часто основываются на расстояниях и сходстве
• E. основаны на вычислении вероятностей, отражают степень уверенности в принадлежности к классу
• F. представляют собой логические значения (истина/ложь) или категориальные признаки

Установите соответствие между типами гибридных искусственных нейронных сетей (ИНС) и их характеристиками:

• A. Нейро-нечеткие сети
• B. Нейро-генетические сети
• C. Нейро-эволюционные сети
• D. Комбинированные нейронные сети
• E. интегрируют методы нечеткой логики с нейронными сетями для работы с неопределенностью и нечеткими данными.
• F. используют генетические алгоритмы для обучения весов нейронной сети
• G. используют эволюционные алгоритмы для оптимизации архитектуры и весов нейронной сети
• H. объединяют несколько нейронных сетей, обученных разными способами или на разных подмножествах данных, для повышения точности и устойчивости

Установите соответствие между терминами, используемыми в классификации, и их определениями:

• A. True Positive (TP)
• B. False Negative (FN)
• C. Precision
• D. Accuracy
• E. количество случаев, когда модель правильно предсказала положительный класс
• F. количество случаев, когда модель ошибочно предсказала отрицательный класс, хотя истинный класс был положительным
• G. доля правильно предсказанных положительных случаев от общего числа предсказанных положительных случаев
• H. доля правильно классифицированных случаев от общего количества случаев

Установите соответствие между терминами и их определениями в контексте применения сети Хопфилда для решения задач комбинаторной оптимизации:

• A. Нейрон
• B. Энергетическая функция
• C. Вес связи
• D. элемент сети, представляющий переменную задачи, состояние которого кодирует решение
• E. функция, минимизация которой соответствует нахождению оптимального решения комбинаторной задачи
• F. параметр, представляющий влияние одного элемента задачи на другой; задает силу взаимодействия между ними

Установите соответствие между терминами и их определениями в контексте ROC-анализа:

• A. True Positive Rate (TPR) / Чувствительность
• B. False Positive Rate (FPR)
• C. ROC-кривая
• D. доля верно классифицированных положительных объектов (из всех положительных)
• E. доля неверно классифицированных отрицательных объектов (из всех отрицательных)
• F. график, показывающий зависимость между TPR и FPR для различных порогов классификации

Установите соответствие между понятиями сети из одного нейрона и их определениями:

• A. Входные данные
• B. Веса
• C. Сумматор
• D. Функция активации
• E. исходные значения, передаваемые в нейрон для обработки
• F. численные значения, которые умножаются на входные данные для определения их важности
• G. математическая операция, которая складывает взвешенные входные значения
• H. функция, которая преобразует результат сумматора в выходное значение нейрона

Установите соответствие между понятиями концептуального обучения и их определениями:

• A. Пространство гипотез
• B. Поиск в пространстве гипотез
• C. Концепт
• D. Пример
• E. совокупность всех возможных гипотез, которые могут быть использованы для представления целевой концепции.
• F. процесс выбора гипотезы, которая наилучшим образом соответствует обучающим примерам.
• G. представляет собой описание правила или функции, которая определяет принадлежность объекта к определенной категории.
• H. представляет собой конкретный объект или событие, которое либо соответствует концепту (положительный пример), либо не соответствует (отрицательный пример).

Установите соответствие между понятиями и их определениями в контексте многослойных искусственных нейронных сетей:

• A. Входной слой
• B. Скрытый слой
• C. Выходной слой
• D. Функция активации
• E. слой, который получает входные данные и передает их в сеть для дальнейшей обработки
• F. слой, расположенный между входным и выходным слоями, выполняющий сложные преобразования данных
• G. слой, который производит конечный результат или предсказание сети
• H. математическая функция, применяемая к взвешенной сумме входов нейрона, определяющая его выход

Установите соответствие между понятиями и их определениями в контексте глубинного обучения:

• A. Сверточная нейронная сеть (CNN)
• B. Рекуррентная нейронная сеть (RNN)
• C. Функция активации (Activation function)
• D. используется для обработки изображений, автоматически извлекая признаки
• E. используется для обработки последовательных данных, таких как текст или временные ряды
• F. преобразует входной сигнал нейрона в выходной, вводя нелинейность в модель

Установите соответствие между понятиями, используемыми в обучении с подкреплением, и их определениями:

• A. Агент (Agent)
• B. Окружающая среда (Environment)
• C. Действие (Action)
• D. Награда (Reward)
• E. сущность, принимающая решения о том, какое действие выполнить
• F. состояние, в котором находится агент и с которым он взаимодействует
• G. выбор, который агент может сделать в данной ситуации, чтобы изменить свое состояние и получить награду
• H. числовое значение, получаемое агентом после выполнения действия в окружающей среде, отражающее полезность этого действия

Установите соответствие между методами обучения без учителя и их основными целями:

• A. Кластеризация
• B. Понижение размерности
• C. Ассоциативные правила
• D. группировка похожих объектов в кластеры на основе их характеристик
• E. уменьшение количества переменных, сохраняя при этом наиболее важную информацию
• F. выявление взаимосвязей и закономерностей между элементами набора данных

Установите соответствие между методами и их применением для оценки значимости признаков:

• A. Permutation Importance
• B. Feature Importance from Tree-based Models
• C. Univariate Feature Selection
• D. оценивает значимость признака на основе того, насколько сильно ухудшается производительность модели при случайном перемешивании значений этого признака
• E. оценивает значимость признаков на основе того, насколько часто они используются в деревьях решений (например, в случайном лесу)
• F. использует статистические тесты для оценки связи между каждым признаком и целевой переменной

Установите соответствие между компонентами нейро-нечеткой системы и их функциями:

• A. Входной слой
• B. Слой фаззификации
• C. Слой правил
• D. Выходной слой
• E. принимает входные данные и передает их в следующий слой
• F. определяет степень принадлежности входных значений к нечетким множествам
• G. держит нечеткие правила, которые связывают входные переменные с выходными
• H. получает окончательный результат, например, значение выходной переменной

Установите соответствие между компонентами и характеристиками прямых произведений нейронных сетей:

• A. Базовые сети (Basic Networks)
• B. Результирующая сеть (Resulting Network)
• C. Оператор прямого произведения
• D. состоит из базовых сетей, которые обрабатывают различные входные данные или решают отдельные подзадачи
• E. обладает способностью обрабатывать входные данные разных типов или размерностей, объединяя результаты базовых сетей
• F. определяет способ объединения выходов базовых сетей

Умножение матрицы на … представляет собой изменение масштаба вектора

• вектор
• матрицу
• скаляр
• ноль-вектор

Такие задачи как … могут быть решены с использованием методов обучения без учителя

• кластеризация клиентов на основе классификации изображений с предварительно заданными метками, понижение размерности данных для визуализации или предварительной обработки, поиск аномалий в данных, таких как обнаружение мошеннических транзакций
• кластеризация клиентов на основе их покупательского поведения, понижение размерности данных для визуализации или предварительной обработки, поиск аномалий в данных, таких как обнаружение мошеннических транзакций
• кластеризация клиентов на основе их покупательского поведения, понижение размерности данных для визуализации или предварительной обработки, поиск аномалий в данных, таких как классификация изображений с предварительно заданными метками
• кластеризация клиентов на основе их регрессионного анализа, понижение размерности данных для визуализации или предварительной обработки, поиск аномалий в данных, таких как обнаружение мошеннических транзакций

Состояние сети Хопфилда с минимальной энергией называется …

• переобучением
• аттрактором
• локальным минимумом
• градиентом

Сопоставьте архитектуру нейронной сети с ее типичным применением:

• A. CNN
• B. RNN
• C. LSTM (Long Short-Term Memory)
• D. Transformer
• E. классификация и обработка изображений (например, распознавание объектов)
• F. обработка последовательностей текста (например, машинный перевод)
• G. анализ временных рядов, предсказание, генерация музыки
• H. анализ текста, перевод, генерация текста, понимание естественного языка

Случайный лес для агрегации прогнозов отдельных деревьев использует …

• взвешенное усреднение
• голосование
• медиану
• геометрическое среднее

Расположите этапы решения задач машинного обучения в правильной последовательности:

• подготовка данных
• выбор модели
• обучение модели
• оценка производительности модели

Расположите этапы работы Персептрона Розенблатта в правильной последовательности:

• подача входных данных на входной слой
• вычисление взвешенной суммы входов и применение функции активации
• сравнение полученного выхода с ожидаемым значением и вычисление ошибки
• обновление весов на основе ошибки предсказания

Расположите этапы работы нейронной сети встречного распространения в правильной последовательности:

• подача входного вектора на вход сети
• определение нейрона-победителя в слое Кохонена (Kohonen layer) на основе наименьшего расстояния до входного вектора
• обновление весов нейрона-победителя и его соседей в слое Кохонена для приближения к входному вектору
• активация выходного нейрона, соответствующего нейрону-победителю в слое Кохонена, и формирование выходного сигнала

Расположите этапы работы многослойной искусственной нейронной сети (ИНС) в правильной последовательности:

• прямое распространение входных данных через слои сети
• применение функции активации к взвешенной сумме входов в каждом нейроне
• расчет ошибки на выходном слое
• обратное распространение ошибки и корректировка весов

Расположите этапы работы двунаправленной ассоциативной памяти (BAM) в правильной последовательности при извлечении сохраненного паттерна:

• преобразование входного паттерна в биполярный формат (+1 и -1)
• подача входного паттерна (например, паттерна X) на входной слой сет
• вычисление выходного паттерна, соответствующего входному паттерну, с использованием матрицы весов
• проверка на сходимость: повторное преобразование выходного паттерна (паттерн Y) обратно во входной слой и сравнение с исходным входным паттерном

Расположите этапы работы в типичной слоистой архитектуре нейронной сети в правильной последовательности:

• инициализация весов и смещений (bias) сети
• подача входных данных на входной слой
• прямое распространение данных через слои сети и применение функций активации
• вычисление функции потерь (loss function) на основе предсказанных и фактических значений
• обратное распространение ошибки (backpropagation) и обновление весов

Расположите этапы процесса прямого распространения (forward propagation) в искусственной нейронной сети (ИНС) в правильной последовательности:

• получение входных данных на входном слое сети
• вычисление выходного значения каждого нейрона путем применения функции активации к взвешенной сумме входов
• передача выходных значений нейронов текущего слоя в качестве входных данных для нейронов следующего слоя
• представление результата работы сети на выходном слое

Расположите этапы процесса принятия решений на основе нечеткой логики в правильной последовательности:

• фаззификация (преобразование четких входных значений в нечеткие множества)
• применение нечетких правил (IF-THEN rules) к нечетким входным данным
• агрегация результатов применения нечетких правил
• дефаззификация (преобразование нечеткого множества в четкое значение)

Расположите этапы процесса оценки качества решения задачи машинного обучения в правильной последовательности:

• разделение данных на обучающую и тестовую выборки (или использование кросс-валидации)
• выбор метрики оценки (например, точность, F1-мера, AUC-ROC)
• обучение модели на обучающей выборке
• применение обученной модели к тестовой выборке и расчет выбранной метрики оценки
• анализ результатов оценки и сравнение с другими моделями (если применимо)

Расположите этапы принципа «Победитель забирает все» в сети Кохонена в правильной последовательности:

• подача входного вектора на все нейроны сети
• определение нейрона-победителя, наиболее близкого к входному вектору
• обновление весов нейрона-победителя и его ближайших соседей
• уменьшение радиуса окрестности и скорости обучения

Расположите этапы построения модели на основе правил в правильной последовательности:

• извлечение или генерирование правил из данных
• определение критериев для оценки качества правил
• оценка и выбор лучших правил
• применение правил к новым данным для предсказания результата

Расположите этапы построения и использования нейросетевой модели в правильной последовательности:

• подготовка и предварительная обработка данных
• выбор архитектуры нейронной сети (количество слоев, типы слоев, функции активации)
• обучение модели на тренировочных данных
• оценка производительности модели на тестовых данных
• применение обученной модели для решения задачи (например, классификации, регрессии)

Расположите этапы построения и анализа ROC-кривой в правильной последовательности:

• упорядочить предсказанные вероятности принадлежности к классу по убыванию
• рассчитать TPR (True Positive Rate) и FPR (False Positive Rate) для каждого порога
• вычисление координат точек ROC-кривой (TPR, FPR) для различных пороговых значений классификатора
• построение графика ROC-кривой на основе вычисленных координат
• анализ площади под кривой (AUC) и формы кривой для оценки производительности классификатора

Расположите этапы оценки качества регрессионной модели в правильной последовательности:

• подготовка данных и разделение на обучающую и тестовую выборки
• обучение модели на обучающей выборке
• применение обученной модели к тестовой выборке для получения прогнозов
• вычисление метрик качества на тестовой выборке (MSE, MAE и т.д.).

Расположите этапы оптимизации признакового пространства в правильной последовательности:

• анализ исходных признаков и определение потенциальных кандидатов для преобразования или удаления
• преобразование признаков (масштабирование, кодирование и т.д.
• отбор признаков
• оценка производительности модели с новым набором признаков

Размер шага … определяет, насколько сильно параметры сети изменяются на каждой итерации обучения

Преобразование … разделяет непрерывный признак на несколько интервалов

• масштабирования
• нормализации
• кодирования
• дискретизации

Преобразование … используется для обработки категориальных признаков, заменяя их числовыми значениями

• масштабирования
• нормализации
• кодирования
• дискретизации

Основная задача модели Хопфилда — … ассоциативной памяти, то есть восстановление полного образа по его части

Одним из преимуществ частичного обучения является возможность улучшения производительности модели при ограниченном количестве … данных

На оценку качества решения задачи в машинном обучении влияет …

• выбор функции потерь, определяющей, насколько хорошо модель предсказывает результаты, выбор метрик для оценки производительности модели (точность, полнота, F1-мера и т.д.)
• размер обучающей выборки
• выбор функции потерь, определяющей, насколько хорошо модель предсказывает результаты, выбор метрик для оценки производительности модели (точность, полнота, F1-мера и т.д.) и размер обучающей выборки
• скорость вычислений компьютера и размера тестового набора данных

Модель Хопфилда относится к сетям … типа, в которых выход каждого нейрона подается обратно на входы других нейронов

Модели машинного обучения можно использовать для решения многих задач, например … (Укажите 3 варианта ответа)

• предсказание цены дома на основе его характеристик (площадь, количество комнат, местоположение и т.д.)
• разделение клиентов на группы с похожим поведением для проведения таргетированных маркетинговых кампаний
• создание текстовых документов
• определение, является ли письмо спамом или нет, на основе его содержания

Метод … является распространенным подходом в частичном обучении, где неразмеченные данные используются для определения структуры данных

• кластеризации
• самообучения
• регрессии
• классификации

Метод … является разновидностью градиентного спуска, который использует адаптивный размер шага для каждого параметра

• Momentum
• Adam
• RMSprop
• Nesterov momentum

Машинное обучение позволяет компьютерам … из опыта без явного программирования

Линейное … — это функция, которая отображает векторы из одного векторного пространства в другое, сохраняя операции сложения и умножения на скаляр

Задача … заключается в отнесении входных данных к одной из нескольких категорий

Говоря об основных типах алгоритмов обучения в машинном обучении, можно утверждать, что при обучении … (укажите 2 варианта ответа)

• с учителем, модель обучается на размеченных данных
• без учителя модель обучается без каких-либо входных данных
• с подкреплением модель обучается путем взаимодействия с окружающей средой, получая вознаграждения за правильные действия и штрафы за неправильные
• без учителя модель находит закономерности и структуры в неразмеченных данных

Говоря о характеристичных особенностях связи между нейронами, можно утверждать, что …

• взаимосвязи между нейронами представляются весами, которые определяют силу влияния одного нейрона на другой
• связи между нейронами устанавливаются случайно и не влияют на процесс обучения
• связи между нейронами фиксированы и неизменны на протяжении всей жизни организма
• каждый нейрон соединён абсолютно со всеми остальными нейронами мозга, формируя единую сеть одинаковой силы связей

Говоря о характеристиках способов соединения нейронов в искусственной нейронной сети (ИНС), можно утверждать, что … (укажите 2 варианта ответа)

• все нейроны в ИНС обязательно должны быть связаны между собой напрямую, образуя полносвязную структуру
• соединения могут быть организованы в слои, где каждый нейрон одного слоя соединен со всеми нейронами следующего слоя (полносвязные слои), позволяя сети извлекать иерархические признаки
• нейроны в ИНС соединяются случайным образом, без какой-либо определенной структуры или закономерности
• в зависимости от задачи, используются различные архитектуры: сверточные нейронные сети (CNN) для обработки изображений и рекуррентные нейронные сети (RNN) для обработки последовательностей

Говоря о характеристиках правила обучения Хебба в контексте модели Хопфилда, можно утверждать, что … (Укажите 3 варианта ответа)

• правило Хебба заключается в увеличении веса связи между двумя нейронами, если они активируются одновременно
• правило Хебба применяется только на этапе тестирования модели Хопфилда, а не на этапе обучения
• правило Хебба стремится «запомнить» паттерны, усиливая связи между нейронами, которые активно участвуют в представлении этих паттернов
• веса связей, обученные по правилу Хебба, позволяют модели Хопфилда восстанавливать зашумленные или неполные версии запомненных паттернов

Говоря о характеристиках обучения усиленных правил (Boosting), можно утверждать, что … (Укажите 3 варианта ответа)

• Boosting — это метод, в котором модели обучаются независимо друг от друга, а затем их результаты усредняются
• Boosting заключается в последовательном обучении моделей, где каждая последующая модель фокусируется на исправлении ошибок предыдущих моделей
• AdaBoost и Gradient Boosting являются примерами алгоритмов, использующих принцип Boosting
• Boosting позволяет создавать более точные и устойчивые модели путем объединения слабых моделей в одну сильную

Говоря о характеристиках конструирования признаков, можно утверждать, что … (Укажите 3 варианта ответа)

• конструирование признаков — это процесс автоматического выбора лучших признаков из исходного набора данных
• конструирование признаков предполагает создание новых признаков на основе существующих, с целью улучшения производительности модели
• создание новых признаков может включать в себя математические операции, комбинации признаков, или использование экспертных знаний
• хорошо сконструированные признаки могут значительно улучшить точность модели и упростить процесс обучения

Говоря о характеристиках задачи аппроксимации функции в стандартной постановке машинного обучения, можно утверждать, что … (Укажите 3 варианта ответа)

• задача аппроксимации функции заключается в построении модели, которая приближенно восстанавливает зависимость между входными и выходными данными на основе имеющегося набора примеров (обучающей выборки)
• в задаче аппроксимации функции целью является не приближение к неизвестной зависимости, а точное воспроизведение известных данных, даже если это приводит к переобучению
• для решения задачи аппроксимации функции обычно используется метод обучения с учителем, где модель обучается на размеченных данных, состоящих из входных объектов и соответствующих им целевых значений
• основная цель задачи аппроксимации функции — построить модель, которая хорошо обобщает знания, то есть способна делать точные прогнозы на новых, ранее не виденных данных

Говоря о характеристиках двунаправленной ассоциативной памяти (BAM), можно утверждать, что … (Укажите 3 варианта ответа)

• BAM — это разновидность рекуррентной нейронной сети, способная хранить и восстанавливать только один паттерн
• BAM может хранить несколько пар ассоциаций (A, B) и восстанавливать паттерн B по паттерну A, и наоборот
• процесс восстановления в BAM происходит итеративно, пока сеть не стабилизируется в устойчивом состоянии
• BAM использует матрицу весов для представления ассоциаций между входными и выходными паттернами, обеспечивая возможность двунаправленного отображения

Говоря о характеристиках анализа главных компонент (PCA), можно утверждать, что … (укажите 3 варианта ответа)

• PCA — это метод кластеризации данных
• PCA — это метод уменьшения размерности, который преобразует данные в новый набор ортогональных признаков (главных компонент)
• первая главная компонента объясняет наибольшую долю дисперсии в данных, вторая — следующую по величине, и так далее.
• PCA может быть использован для визуализации многомерных данных или для уменьшения вычислительной сложности моделей машинного обучения

Говоря о характеристиках «Карты ансамблевого ландшафта» (Ensemble Landscape), можно утверждать, что … (Укажите 2 варианта ответа)

• карта ансамблевого ландшафта отображает разнообразие моделей в ансамбле, но не показывает их производительность
• карта ансамблевого ландшафта позволяет визуализировать производительность и разнообразие моделей в ансамбле
• различные методы снижения размерности могут быть использованы для визуализации карты ансамблевого ландшафта в двух или трех измерениях

Говоря о различии между бинарной и многоклассовой классификацией, можно утверждать, что … (укажите 3 варианта ответа)

• бинарная классификация предполагает отнесение объекта к одному из трех и более классов, в то время как многоклассовая — только к одному из двух
• бинарная классификация имеет дело с двумя классами, например, «спам» или «не спам», «болен» или «здоров»
• многоклассовая классификация предполагает отнесение объекта к одному из нескольких возможных классов, например, определение породы собаки по изображению
• для решения задач бинарной классификации часто используются логистическая регрессия или SVM, а для многоклассовой — softmax или обобщения бинарных классификаторов

Говоря о понятии «пространство гипотез» в контексте машинного обучения, можно утверждать, что … (Укажите 3 варианта ответа)

• пространство гипотез – это множество всех возможных параметров модели.
• пространство гипотез – это множество всех возможных функций (моделей), которые могут быть получены на основе выбранного алгоритма обучения
• пространство гипотез – это набор всех доступных входных данных
• размер пространства гипотез зависит от сложности модели и количества параметров
• обучение можно рассматривать как процесс поиска наилучшей гипотезы (модели) в пространстве гипотез

Веса связей в модели Хопфилда определяются с помощью правила …, которое усиливает связи между нейронами, которые активируются одновременно

• градиентного спуска
• обратного распространения
• Хебба
• дельта-правила

Векторы, которые образуют … векторного пространства, линейно независимы и порождают все векторы этого пространства

• нормаль
• базис
• ортогональ
• диагональ

Векторное … — это множество объектов, называемых векторами, для которых определены операции сложения и умножения на скаляр

Важность признаков в случайном лесу можно оценить, измеряя, насколько … точность модели при исключении этого признака

• повышается
• уменьшается
• не изменяется
• стабилизируется

В процессе обучения нейронной сети, … распространение ошибки используется для коррекции весов и смещений

В модели Хопфилда каждый нейрон имеет два состояния: -1 и …

В задаче частичного обучения, … данные обычно составляют большую часть обучающей выборки

В задаче … необходимо предсказать непрерывное числовое значение

Баггинг помогает уменьшить … модели за счет усреднения прогнозов нескольких моделей

… — это такие как системы правил IF-THEN, которые представляют знания в форме правил, определяющих поведение системы

• Модели на основе линейной составляющей
• Модели на основе вероятностной составляющей
• Модели на основе проектных решений
• Модели на основе правил

… — это прямоугольная таблица чисел, организованных в строки и столбцы

… — это процесс группировки объектов по схожим характеристикам

• Классификация
• Регрессия
• Кластеризация
• Оптимизация

… — это преобразование, которое приводит значения признака к нулевому среднему и единичному стандартному отклонению

… — это преобразование, которое приводит значения признака к диапазону от 0 до 1

… — это метод ансамблирования, при котором несколько моделей обучаются на различных подвыборках обучающего набора данных

… признаков позволяет улучшить качество модели за счет изменения масштаба и распределения признаков

… представляет собой упрощение данных, уменьшение количества признаков

• Классификация
• Регрессия
• Кластеризация
• Понижение размерности

… описывает математическое представление зависимости между входными и выходными данными

• Модель кластеризации
• Модель регрессии
• Математическая модель
• Вероятностная модель

… модели, такие как решающие деревья и случайный лес, делят пространство признаков на области, принимая решения на основе последовательности вопросов

… модели, такие как наивный байесовский классификатор, используют теорему Байеса для вычисления вероятности принадлежности объекта к определенному классу

… модели, такие как многослойный персептрон и сверточные нейронные сети, состоят из взаимосвязанных искусственных нейронов, обучающихся из данных

• Древовидные
• Линейные
• Вероятностные
• Нейросетевые