Искусственный интеллект. Синергия. Ответы на ИТОГОВЫЙ ТЕСТ. На отлично!

Ответы представлены на ИТОГОВЫЙ ТЕСТ

Результат - 100 баллов

Перед покупкой сверьте список вопросов и убедитесь, что вам нужны ответы именно на эти вопросы!

С вопросами вы можете ознакомиться ДО покупки.

Для быстрого поиска вопроса используйте Ctrl+F.

При возникновении вопросов, сложностей или необходимости пройти тест по другому предмету пишите в личные сообщения https://studwork.ru/mail/259571

Другие мои работы можно найти по ссылке https://studwork.ru/shop?user=259571

Ответы вы сможете скачать сразу после покупки.

В каком случае метрика accuracy будет репрезентативной

· Когда все виды ошибок имеют для нас одинаковую важность, и может быть дисбаланс классов

· Когда все виды ошибок имеют для нас одинаковую важность, но дисбаланса классов быть не должно

· Когда дисбаланс классов может быть, и ошибки могут иметь любое соотношение важности

Выберете верное утверждение:

· Логистическая регрессия решает задачу регрессии

· Логистическая регрессия нужна для поиска оптимальных маршрутов грузоперевозок

· Логистическая регрессия решает задачу классификации

Выберете верное утверждение:

· Для линейной регрессии возможно аналитически найти решение задачи минимизации эмпирического риска только в одномерном случае

· Линейная регрессия допускает аналитическое решение задачи минимизации суммы квадратов расстояния от предсказанных меток до верных ответов в случае любой размерности

· Для линейной регрессии не существует решения задачи минимизации эмпирического риска

Градиентный бустинг - это:

· Усиление обобщающей способности модели посредством использования нескольких градиентных методов оптимизации

· Композиционный алгоритм (обычно над решающими деревьями), основанный на идее построения нового элемента композиции на каждой итерации таким образом, что следующее приближение вектора ответов алгоритма отличается от текущего на градиент ошибки

· Композиционный алгоритм над решающими деревьями, основанный на идее голосования классификаторов, проводимого особым способом, с приписыванием константных весов каждому классификатору

Если мы предсказываем средние затраты на обслуживание машины, то максимальная скорость разгона машины – это

· Бинарный признак

· Непрерывный признак

· Номинальный признак

Если мы предсказываем среднюю стоимость машины в зависимости от ее класса, то класс представляет собой

· Бинарный признак

· Непрерывный признак

· Категориальный признак

Задача автоматического выделения похожих новостных статей без размеченной выборки – это задача

· Регрессии

· Бинарной классификации

· Кластеризации

Задача автоматической идентификации марки машины по ее изображению – это задача

· Регрессии

· Бинарной классификации

· Многоклассовой классификации

Задача классификации – это задача

· Обучения с учителем

· Обучения без учителя

· Обучения с подкреплением

Задача понижения размерности признакового пространства – это задача

· Обучения с учителем

· Обучения без учителя

· Обучения с подкреплением

Задачу машинного обучения можно представить в виде последовательности выполнения действий по выбору оптимальной решающей функции f из многопараметрического семейства F. Выбор модели машинного обучения происходит на этапе:

· Выбора семейства F

· Оценки качества выбранной функции f из семейства F

· Поиска наилучшей функции из семейства F

Задачу машинного обучения можно представить в виде последовательности выполнения действий по выбору оптимальной решающей функции f из многопараметрического семейства F. Задача обучения сводится к задаче оптимизации на этапе:

· Выбора семейства F

· Оценки качества выбранной функции f из семейства F

· Поиска наилучшей функции из семейства F

Метод K-Means - Это :

· Метрический метод классификации, основанный на усреднении расстояний до k ближайших соседей

· Метод кластеризации

· Метод валидации модели, основанный на усреднении ошибки по к прогонам модели на тестовых данных

Метод опорных векторов (Support Vectors Machine, SVM):

· Строит оптимальную разделяющую гиперплоскость, максимизируя ширину полосы между двумя классами

· Аппроксимирует искомую функцию, обучаясь при помощи градиентных методов, решает задачу регрессии

· Проводит гиперповерхность, минимизируя сумму квадратов расстояний элементов обучающей выборки до этой гиперповерхности

Недостатки k-means:

· Необходимость подбирать k, неустойчивость от выбора начального приближения центров кластеров

· Неинтерпретируемость

· Плохое качество работы

Обучение с учителем характеризуется

· Целью обучить агента принимать оптимальные решения в среде

· Отсутствием размеченной выборки

· Наличием размеченной выборки

Процедура LearnID3 состоит в:

· Последовательном построении решающего дерева посредством поиска предиката с максимальной информативностью на каждом шаге и разделении обучающей выборки на две части по этому предикату до тех пор, пока не будет достигнуто нужное число вершин в дереве

· Последовательном построении решающего дерева посредством разбиения обучающей выборки на случайные подвыборки с сохранением отношения числа элементов одного класса к числу элементов другого класса

· В индексации вершин решающего дерева особым способом

· В особом способе полива тропических растений в наших широтах

Решающие деревья обладают следующими свойствами:

· Плохо интерпретируются, чувствительны к шуму, иногда отказывают в классификации данных

· Строят разделяющую гиперплоскость, не чувствительны к шуму, не переобучаются

· Легко обрабатывают пропуски данных, хорошо интерпретируются, исключают отказы классификации, обрабатывают разнотипные и неотмасштабированные данные

· Способны решать лишь задачу регрессии

Случайный лес – это:

· Составление композиционного алгоритма при помощи подбора случайных алгоритмов машинного обучения и их последующего голосования

· Композиционный алгоритм (обычно над решающими деревьями), основанный на идее построения нового элемента композиции на каждой итерации таким образом, что следующее приближение вектора ответов алгоритма отличается от текущего на градиент ошибки

· Метод голосования решающих деревьев, каждое из которых было обучено на собственной подвыборке объектов и подвыборке признаков

Эмпирический риск вводится исходя из предположения, что

· Оценка качества работы алгоритма на обучающей выборке примерно совпадает с ожидаемым качеством работы алгоритма вне ее

· Обучающая выборка выбрана из нормального распределения по всем признакам

· Оценка риска только на обучающей выборке – более правильный подход, чем оценка риска на всех возможных данных