(Росдистант) Системы искусственного интеллекта 2. Итоговый и промежуточные тесты

175 ответов на тесты по 9 темам по возрастанию значений (по верхней строке задания): ответы на вопросы 2 промежуточных тестов, 9 тестов электронного учебника и двух попыток Итогового теста (из этого ЧАСТИЧНО! складываются вопросы итогового теста). В основном в итоговый тест включены вопросы, которых НЕТ в промежуточных!

Также приведены формулы для решения заданий ПО ПЕРВЫМ ПЯТИ ТЕМАМ и описания по выполнению задач (в случае, если в итоговом тесте не окажется нужного ответа, но будет подобное задание с другими исходными данными). ФОРМУЛ и ПУТЕЙ РЕШЕНИЯ ПО 6, 7, 8 и 9 ТЕМАМ НЕТ - ТОЛЬКО ОТВЕТЫ !!!

ВНИМАНИЕ!!!

Помимо вопросов с ответами даны 15 вопросов из итоговых тестов, на которых ответа нет (выделены красным).

Также обращаю внимание на то, что в тестах очень много ошибок, поэтому даже если Вы ответите правильно (на вопросы, которых нет в данном файле), то ответ может быть засчитан, как неверным. По первым пяти темам я выложила формулы решений, по ним Вы можете доказать свою правоту. (Но поддержка ссылается на преподавателя, а преподаватель на контакт идет не охотно).

В данных ответах, например:

По 1 теме 2 вопроса решены верно, но засчитаны, как неверными (выделено коричневым) - если попадется, то доказывайте свою правоту!

По 3 теме 5 вопросов имеют неверные ответы (выделено красным), хотя ответы должны быть совсем другими - можете указать неверный ответ и он будет засчитан как правильный, а можете указать верный, а потом доказывать свою правоту!

По 4 теме 7 вопросов имеют неверные ответы (выделено красным), хотя правильные ответы другие - можете указать неверный ответ и он будет засчитан как правильный, а можете указать верный, а потом доказывать свою правоту!

Исходя из вышеизложенного есть три пути:

1. Разобраться с материалом и найти пути решения по четырем последним темам, проходить тест самим, а потом доказывать свою правоту в случае неверных ответов.
2. Приобрести ответы на данные тесты у всех, выложивших их, и собрать базу воедино (будет больше шансов на прохождение итогового теста).
3. Искать, кто сможет пройти этот тест на высокие баллы (а таковые есть на просторах инета)...

Тема 1.1. Алгоритм машинного обучения CART: математическая модель (22 вопроса, среди которых 2 правильных ответа засчитаны неверными)

С использованием библиотеки Pandas проводится предварительный анализ данных, содержащихся в файле data.csv. Посредством анализа данных необходимо определить значение A5 первого элемента списка, полученного путем фильтрации данных по условиям А2 > 1 и A3 < 2 и сортировки данных в порядке возрастания по значению A4. Ответ записать в виде числа без округлений через символ ".".

Тема 1.2. Алгоритм машинного обучения CART: особенности построения деревьев принятия решений (19 вопросов)

С использованием библиотеки Pandas проводится предварительный анализ данных, содержащихся в файле data.csv. Посредством анализа данных необходимо определить среднее значение параметра A5 для элементов списка, полученных путем отбора данных по условиям А2 > 0 и A3 < 1. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ ".".

Тема 1.3. Возможности библиотеки scikit-learn Python для реализации алгоритма CART (26 вопросов)

С использованием библиотеки Pandas осуществляется загрузка обучающей выборки данных из файла data.csv. Последний столбец в загруженных данных отвечает за метку класса (столбец "C"), остальные столбцы отвечают за атрибуты (столбцы "A1", "A2", "A3"). Загруженные данные используются для построения дерева классификации. При этом применяется библиотека Sklearn, а построение дерева осуществляется по алгоритму CART. Требуется определить условие разбиения данных в корневом узле. Примеры записи ответов: "A3 <= -1.625" или "A2 <= -6.359".

Тема 1.4. Реализация алгоритма "случайный лес" методами библиотеки scikit-learn (20 вопросов)

С помощью библиотеки Sklearn на основе алгоритма CART производится построение дерева классификации с использованием стандартных параметров. Для этого с использованием библиотеки Pandas осуществляется загрузка обучающей выборки данных из файла data.csv, который содержит значения атрибутов ("A1", "A2", "A3", "A4", "A5", "A6") и метки классов ("C"). Требуется определить коэффициенты значимости каждого атрибута (с использованием feature_importances_) и в качестве ответа записать максимальное значение коэффициента. Ответ требуется округлить с помощью функции round() до 3 знаков и записать через символ ".".

Тема 2.1. Нейронная сеть как регрессионная модель данных (22 вопроса)

Требуется рассчитать выходной сигнал одного нейрона с функцией активации сигмоид для заданного вектора входных сигналов X. Значения входных весовых коэффициентов равны 0,5, смещение равно 0,5. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ «.». Вектор входных сигналов X:

Далее формул нет!:

Тема 2.2. Обучение нейронной сети (17 вопросов, из них 2 без ответа)

Требуется рассчитать выходной сигнал полносвязной двухслойной нейронной сети прямого распространения. Количество нейронов в первом слое равно двум, количество нейронов во втором слое равно одному. Функция активации всех нейронов – сигмоид. Значения всех весовых коэффициентов равны 0,5, смещение всех нейронов равно 0,5. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ «.». Вектор входных сигналов X:

Тема 2.3. Библиотека scikit-learn Python для нейронных сетей (26 вопросов, из них 7 без ответа)

Нейронная сеть состоит из единственного нейрона с сигнатурной функцией активации. Нейронная сеть инициализирована вектором весовых коэффициентов W и значением смещения b. После инициализации проводится обучение нейронной сети по методу дельта-правила с использованием выборки, состоящей из входных сигналов A1, A2, A3, и с ожидаемыми выходными значениями D1, D2, D3. Последовательность подачи входных сигналов: первая итерация обучения – A1, вторая итерация обучения – A2, третья итерация обучения – A3. Коэффициент скорости обучения n равен 0.2. Требуется рассчитать сумму весовых коэффициентов W и смещения b нейрона после третьей итерации обучения. Ответ требуется округлить с помощью функции round() до 2 знаков и записать через символ «.».

Тема 2.4. Кластеризация методом k-means (18 вопросов, из них 2 без ответа)

С помощью библиотеки sklearn на основе алгоритма k-means производится кластеризация точек на плоскости. Для этого с использованием библиотеки pandas осуществляется загрузка выборки данных из файла data.csv, который содержит значения координат точек (X, Y) исследуемых объектов. При кластеризации используются стандартные параметры алгоритма k-means, кроме n_clusters=2. Требуется определить координаты центра кластера, находящегося ближе к точке с координатами (0, 0). Значение каждой координаты округлить с помощью функции round() до 2 знаков. Примеры записи ответов: «(1.02, -2.04)» или «(-2.02, 2.04)».

Тема 2.5. Возможности библиотеки scikit-learn Python для реализации алгоритма k-means (20 вопросов, из них 4 без ответа)

С помощью библиотеки sklearn на основе алгоритма k-means производится кластеризация точек на плоскости. Для этого с использованием библиотеки pandas осуществляется загрузка выборки данных из файла data.csv, который содержит значения координат точек (X, Y) исследуемых объектов. При кластеризации используются стандартные параметры алгоритма k-means, кроме n_clusters=2. Требуется определить количество объектов в каждом кластере. При записи ответа значения приводить в порядке убывания. Примеры записи ответов: «20, 10» или «12, 11».