Машинное обучение

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 math

меньше;

(2) отступ math

больше;

(3) отступа math

не существует;

(4) отступа math

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 math

или малой длине выборки math

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 math

или малой длине выборки math

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 math

-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)

Машинное обучение - тест 26