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