Главная / Искусственный интеллект и робототехника /
Машинное обучение / Тест 24
Машинное обучение - тест 24
Упражнение 1:
Номер 1
С чем, из ниже перечисленного сравнивают линейный классификатор?
Ответ:
 (1) с аксоном; 
 (2) с правилом Хебба; 
 (3) с генетическим алгоритмом; 
 (4) с нейроном. 
Номер 2
Что будет называться в параметрическом семействе отображений: , вектором параметров?
Ответ:
 
(1)  
 
(2)  
 
(3)  
 
(4)  
Номер 3
Как называется функция ?
Ответ:
 (1) вектор параметров; 
 (2) дискриминантной; 
 (3) линейная; 
 (4) параболическая. 
Упражнение 2:
Номер 1
Пусть есть задача с 2-мя классами . К какому классу будет относится алгоритм, если ?
Ответ:
 (1) +1; 
 (2) -1; 
 (3) 0; 
 (4) к ни какому из перечисленных. 
Номер 2
Пусть есть задача с 2-мя классами . К какому классу будет относится алгоритм, если ?
Ответ:
 (1) +1; 
 (2) -1; 
 (3) 0; 
 (4) к ни какому из перечисленных. 
Номер 3
Пусть есть задача с 2-мя классами . К какому классу будет относится алгоритм, если ?
Ответ:
 (1) +1; 
 (2) -1; 
 (3) 0; 
 (4) к ни какому из перечисленных. 
Упражнение 3:
Номер 1
Как называется величина объекта относительно алгоритма классификации ?
Ответ:
 (1) нейроном; 
 (2) отступом; 
 (3) аксоном; 
 (4) дендритом. 
Номер 2
Будет ли алгоритм допускать ошибку на объекте , если ?
Ответ:
 (1) Да 
 (2) Нет 
Номер 3
Правильнее и надежнее классификация объекта будет, если:
Ответ:
 
(1) отступ
меньше; 
 
(2) отступ
больше; 
 
(3) отступа
не существует; 
 
(4) отступа
не существует; 
Упражнение 4:
Номер 1
Какая, из перечисленных ниже функций, соответствует методу опорных векторов?
Ответ:
 (1) квадратичная; 
 (2) сигмоидная; 
 (3) кусочно-линейная; 
 (4) логистическая. 
Номер 2
Какая, из перечисленных ниже функций, соответствует линейному дискриминанту Фишера?
Ответ:
 (1) квадратичная; 
 (2) сигмоидная; 
 (3) кусочно-линейная; 
 (4) логистическая. 
Номер 3
Какая, из перечисленных ниже функций, соответствует алгоритму бустинга Ada Boost?
Ответ:
 (1) квадратичная; 
 (2) сигмоидная; 
 (3) кусочно-линейная; 
 (4) логистическая; 
 (5) экспоненциальная. 
Упражнение 5:
Номер 1
Для чего вводится параметрическое семейство априорных распределений ?
Ответ:
 (1) чтобы варьировать значением гиперпараметра; 
 (2) чтобы ослабить априорные ограничения; 
 (3) чтобы получить квадратичный регуляризатор; 
 (4) чтобы избежать проблем мультиколлинеарности. 
Номер 2
Какая величина называется гиперпараметром?
Ответ:
 
(1) ; 
 
(2) ; 
 
(3) ; 
 
(4) ; 
 
(5) . 
Номер 3
В формуле , что будет выступать в роли гиперпараметра?
Ответ:
 
(1) ; 
 
(2) ; 
 
(3) ; 
 
(4) . 
Упражнение 6:
Номер 1
Какие преимущества, из ниже перечисленных, относятся к преимуществам метода SG?
Ответ:
 (1) метод легко реализуется; 
 (2) метод подходит для динамического обучения; 
 
(3) при большой размерности пространства
или малой длине выборки
возможно переобучение; 
 (4) малые изменения обучающей выборки, могут менять результирующий вектор весов. 
Номер 2
Что, из ниже перечисленного, относится к недостаткам метода SG?
Ответ:
 (1) метод легко реализуется; 
 (2) метод подходит для динамического обучения; 
 
(3) при большой размерности пространства
или малой длине выборки
возможно переобучение; 
 (4) малые изменения обучающей выборки, могут менять результирующий вектор весов. 
Номер 3
Верно ли утверждение? Метод SG позволяет настраивать веса на избыточно больших выборках, за счет того, что случайной подвыборки может оказаться достаточно для обучения.
Ответ:
 (1) Да 
 (2) Нет 
Упражнение 7:
Номер 1
Какой вид будет иметь правило обновления весов на каждой итерации метода стохастического градиента?
Ответ:
 
(1) ; 
 
(2) ; 
 
(3) ; 
 
(4) . 
Номер 2
Какой эвристический приём характеризует нормализацию признаков?
Ответ:
 
(1) , где
,
,
,
- соответственно минимальное, максимальное, ср. значение и среднеквадратичное отклонение
-го признака. 
 
(2)  
 
(3)  
 
(4)  
Номер 3
Что называют в теории нейронных сетей сокращением весов?
Ответ:
 (1) квадратичную регуляризацию; 
 (2) нормализацию признаков; 
 (3) стохастический градиент; 
 (4) распределение Лапласа. 
Упражнение 8:
Номер 1
Что получится, если дискриминантная функция определяется как скалярное произведение вектора и вектора параметров ?
Ответ:
 (1) линейный классификатор; 
 (2) гауссовская модель априорного распределения; 
 (3) априорное распределение Лапласа; 
 (4) гиперпараметр. 
Номер 2
Какая функция, из ниже перечисленных, является функцией активации?
Ответ:
 
(1)  
 
(2)  
 
(3)  
 
(4)  
Номер 3
Что, из ниже перечисленного, является функцией активации?
Ответ:
 
(1)  
 
(2)  
 
(3)  
 
(4)  
 
(5)