Главная / Базы данных / Алгоритмы интеллектуальной обработки больших объемов данных / Тест 1

Алгоритмы интеллектуальной обработки больших объемов данных - тест 1

Упражнение 1:

Номер 1

Михаил получает на электронную почту в среднем 1000 писем в месяц, из них 2,44% - это спам. Известно, что среди спама слово "знакомство" встречается в 0,01% писем, а среди обычных писем в 10 раз реже. Какова вероятность того, что письмо, попавшее на почтовый ящик Михаила, в тексте которого встречается указанное слово, не является спамом? (Ответ укажите в целых процентах без знака процента.)

Ответ:

Номер 2

Выберите оптимальный параметр для следующей модели согласно принципу ML (Maximum Likelihood / Максимальное правдоподобие): "Вероятность того что идет дождь если есть тучи сильнее, чем вероятность того что идет дождь, если туч нет":

Ответ:

(1) Падают капли

(2) Наличие туч

(3) Не видно небо

(4) Мокрая земля

Упражнение 2:

Номер 1

Дома на четной стороне улицы имеют номера 2, 4, 6, … . Номер дома – это признак:

Ответ:

(1) Бинарный

(2) Номинальный

(3) Порядковый

(4) Количественный

(5) Нет правильного ответа

Номер 2

Недостаток алгоритма Expectation Maximization (EM) заключается в следующем:

Ответ:

(1) На каждом из шагов возможно, как возрастание, так и убывание likelihood (вероятности)

(2) Невозможно оптимизировать аналитически

(3) Не гарантируется глобальная оптимизация

(4) В ряде случаев достигнуть экстремум невозможно

Упражнение 3:

Номер 1

Какому этапу CRISP-DM соответствует Exploratory data analysis:

Ответ:

(1) Business Understanding

(2) Data Understanding

(3) Data Preparation

(4) Modeling

(5) Evaluation

(6) Deployment

Номер 2

На практике, более какого числа раз имеет смысл проводить запуск алгоритма K-means ?

Ответ:

1000

Упражнение 4:

Номер 1

Выберите лишний этап методологии CRISP-DM:

Ответ:

(1) Понимание бизнес-целей

(2) Понимание данных

(3) Подготовка данных

(4) Обучение модели

(5) Моделирование

(6) Оценка

(7) Внедрение

Номер 2

Пример задачи эффекта "проклятие размерности". Даны два случайных вектора x и y в пространстве размерности D. Как зависит математическое ожидание косинус-расстояния между x и y от размерности D, при наблюдениях, что числитель стремится к нулю, а знаменатель положительный ? Ответ укажите с точность до 2-го знака после запятой.

Ответ:

1,57

Упражнение 5:

Номер 1

Данные какой размерности представлены на данном графике?

Ответ:

Номер 2

Какие проблемы решают задачи кластеризации, отыскивая "скрытую структуру" исследуемых данных и не имея опорной целевой переменной?

Ответ:

(1) разметка данных "в ручную" очень дорого и трудозатратно

(2) построение признаков из очень большего количества данных

(3) возможность отслеживать эволюционные изменения

(4) поиск выбросов и шумов в исследуемых данных

(5) исследование и визуализация больших данных

Упражнение 6:

Номер 1

Что из перечисленного является средством EDA?

Ответ:

(1) Histogram

(2) Scatter plot

(3) Visual estimation

(4) Piechart

Номер 2

Подходы к построению моделей Data Mining

Ответ:

(1) статистический и на основании машинного обучения

(2) на основании машинного обучения и вычислительный

(3) вычислительный и статистический

(4) все перечисленное

Упражнение 7:

Номер 1

Для преобразования многомерного пространства в пространство низшей размерности и формирования малого количества признаков из большого количества признаков следует использовать следующий алгоритм:

Ответ:

(1) T-SNE

(2) DBSCAN

(3) PAM

(4) CWM

Номер 2

На диаграмме процесса CRISP-DM после этапа Моделирование (Modeling) следует этап

Ответ:

(1) Понимание бизнес-целей (Business Understanding

(2) Подготовка данных (Data Preparation)

(3) Оценка (Evaluation)

(4) Внедрение (Deployment)

Номер 3

Какие характерные активности этапа подготовки данных (Data Preparation)
 для процесса CRISP-DM

Ответ:

(1) Удаление шума

(2) Заполнение отсутсвующих значений

(3) Понять чем характеризуется задача

(4) какого результата нужно достичь

Главная / Базы данных / Алгоритмы интеллектуальной обработки больших объемов данных / Тест 1