Машинное обучение

Упражнение 1:

Номер 1

Какая формула, из ниже перечисленных, позволяет организовать итерационный процесс?

Ответ:

(1)

(2)

(3)

(4)

Номер 2

Как будет выглядеть градиент функционала Q в точке ?

Ответ:

(1)

(2)

(3)

(4)

Номер 3

Как выглядит гессиан функционала Q в точке ?

Ответ:

(1)

(2)

(3)

(4)

Упражнение 2:

Номер 1

В какой из формул указан итерационный процесс уточнения вектора коэффициентов ?

Ответ:

(1)

(2)

(3)

Номер 2

Выражение для градиента будет выглядеть:

Ответ:

(1)

(2)

(3)

Номер 3

Выражение для гессиана будет выглядеть:

Ответ:

(1)

(2)

(3)

Упражнение 3:

Номер 1

Что представляет собой матрица ?

Ответ:

(1) матрицу признаковых описаний объектов;

(2) диагональную матрицу весов объектов;

(3) взвешенную матрицу признаковых описаний объектов;

(4) взвешенный вектор ответов.

Номер 2

Что представляет собой матрица?

Ответ:

(1) матрицу признаковых описаний объектов;

(2) диагональную матрицу весов объектов;

(3) взвешенную матрицу признаковых описаний объектов;

(4) взвешенный вектор ответов.

Номер 3

Что представляет собой матрица ?

Ответ:

(1) матрицу признаковых описаний объектов;

(2) диагональную матрицу весов объектов;

(3) взвешенную матрицу признаковых описаний объектов;

(4) взвешенный вектор ответов.

Упражнение 4:

Номер 1

Что подается на вход в алгоритме IRLS?

Ответ:

(1) матрица "объекты-признаки" и вектор ответов;

(2) обучающая выборка;

(3) обучающая выборка и дискриминантная функция.

Номер 2

Что получают на выходе в алгоритме IRLS?

Ответ:

(1) функцию преобразования признаков;

(2) вектор коэффициентов линейной комбинации;

(3) коэффициент math

.

Номер 3

Что, из ниже перечисленного, не подается на вход в алгоритме IRLS?

Ответ:

(1) матрица "объекты-признаки" и вектор ответов;

(2) обучающая выборка;

(3) обучающая выборка и дискриминантная функция.

Упражнение 5:

Номер 1

Верно ли, что любая непрерывная функция n аргументов на единичном кубе  представлена в виде суперпозиции непрерывных функций одного аргумента и операции сложения: ?

Ответ:

(1) Да

(2) Нет

Номер 2

Функция F будет называться разделяющими точками множества X, если:

Ответ:

(1) для любых различных math

существует функция math

такая, что math

;

(2) для любого math

выполено

;

(3) на произвольном компакте X можно приблизить не только многочленом от исходных переменных, но и многочленом от любого конечного набора функций F, разделяющие точки.

Номер 3

Набор функций  будет называться замкнутым относительно функции , если:

Ответ:

(1) для любых различных math

существует функция math

такая, что math

;

(2) для любого math

выполено

;

(3) на произвольном компакте X можно приблизить не только многочленом от исходных переменных, но и многочленом от любого конечного набора функций F, разделяющие точки.

Упражнение 6:

Номер 1

Как называется метод, который позволял вычислять градиент, при котором каждый градиентный шаг выполняется за число операций, лишь немногим больше, чем при обычном вычислении сети на одном объекте?

Ответ:

(1) градиентный спуск;

(2) обратное распространение ошибки;

(3) метод стохастического градиента;

(4) метод сопряженных градиентов.

Номер 2

Какая сеть будет называться полносвязной?

Ответ:

(1) в которой каждый нейрон предыдущего слоя связан со всеми нейронами последующего слоя;

(2) в которой нейроны скрытого слоя не связаны с нейронами последующего слоя;

(3) в которой нейроны предыдущего слоя связаны с нейронами скрытого слоя.

Номер 3

Какие будут входные данные, если сеть обучать методом обратного распространения ошибки?

Ответ:

(1) обучающая выборка math

;

(2) число нейронов в скрытом слое;

(3) темп обучения;

(4) характеристика.

Упражнение 7:

Номер 1

Как называется метод, который удаляет те связи, к изменению которых функционал Q наименее чувствителен?

Ответ:

(1) метод сопряженных градиентов;

(2) метод стохастического градиента;

(3) метод оптимального прореживания сети;

(4) метод обратного распространения ошибки.

Номер 2

Верно ли что, если обучающая выборка имеет большой объем или если решается задача классификации, то можно использовать метод стохастического градиента с адаптивным шагом?

Ответ:

(1) Да

(2) Нет

Номер 3

Верно ли что, если обучающая выборка имеет большой объем, то можно использовать метод Хебба?

Ответ:

(1) Да

(2) Нет

Упражнение 8:

Номер 1

Что означает, если веса  между входными и скрытым слоем будут обнулены?

Ответ:

(1) диагональные элементы доминируют в гессиане.

(2) после стабилизации функционала ошибки Q вектор весов w находится в локальном минимуме.

(3) информация, накопленная в сети, является полезной и не теряется при добавлении новых нейронов.

(4) h-ый нейрон скрытого слоя не будет учитывать j-й признак.

Номер 2

Что означает обнуление веса  между скрытым и входным слоями?

Ответ:

(1) диагональные элементы доминируют в гессиане.

(2) после стабилизации функционала ошибки Q вектор весов w находится в локальном минимуме.

(3) информация, накопленная в сети, является полезной и не теряется при добавлении новых нейронов.

(4) m-е выходное значение не зависит от h-го нейрона скрытого слоя.

(5) h-ый нейрон скрытого слоя не будет учитывать j-й признак.

Номер 3

Процесс упрощения сети, в алгоритме OBD, останавливается, когда:

Ответ:

(1) внутрений критерий стабилизируется;

(2) заданный внешний критерий начинает возрастать;

(3) градиентный алгоритм находит новый локальный минимум Q;

(4) информация, накопленная в сети, является полезной и не теряется при добавлении новых нейронов.

Машинное обучение - тест 39