Алгоритмы интеллектуальной обработки больших объемов данных

Упражнение 1:

Номер 1

N-мерное нормальное распределение имеет количество параметров порядка

Ответ:

(1) ln(N)

(2) N

(3) N*ln(N)

(4) N^2

(5) N^3

Номер 2

Дендрограмма формируется как результат работы:

Ответ:

(1) Дивизимного кластерного анализа

(2) Метода Apriori

(3) Агломеративного кластерного анализа

(4) Численного прогнозирования

Упражнение 2:

Номер 1

Суть алгоритма Expectation-Maximization:

Ответ:

(1) Выбор вектора параметров для максимизации функции правдоподобия, соответствующей семейству параметрических моделей.

(2) Максимизация математического ожидания многомерного нормального распределения с неизвестными параметрами.

(3) Присваивание ожидаемых значений скрытым переменным на основании текущих оценок параметров и переоценка этих параметров с учетом обновленных ожидаемых значений.

(4) Вычисление математического ожидания максимума функции правдоподобия, построенной на входной выборке.

(5) Нет правильного ответа.

Номер 2

Укажите недостатки DBSCAN (возможен выбор нескольких вариантов):

Ответ:

(1) Не работает при разных плотностях кластеров;

(2) Не требует К;

(3) Не вполне детерминированный;

(4) Кластеры произвольной формы;

(5) Не учитывает выбросы;

Упражнение 3:

Номер 1

На плоскости даны 8 точек с координатами A(1;1), B(2;2), C(2;4), D(3;3), E(4;2), F(4;4), G(5;5), H(6;6). Изначально центроиды находятся в точках (1;3), (6;4). Применив алгоритм 2-средних с евклидовой метрикой, определите точки, принадлежащие тому же кластеру, что и точка A, при достижении стационарного состояния.

Ответ:

(1) Кроме A точек нет

(2) A, B

(3) A, B, C

(4) A, B, C, D

(5) A, B, C, D, E

(6) A, B, C, D, E, F

Номер 2

При больших наборах данных MAP, какой из алгоритмов (мaximum likelihood, maximum a posteriori) будет эффективнее при условии нахождении глобальных максимумов?

Ответ:

(1) мaximum likelihood эффективнее

(2) результаты обоих алгоритмов равнозначны

(3) оба алгоритма не эффективны

(4) maximum a posteriori эффективнее

Упражнение 4:

Номер 1

Основная задача кластеризации:

Ответ:

(1) Отыскать "скрытую структуру" данных.

(2) Разделить набор данных на предопределенные классы.

(3) Определить центр набора данных

(4) Упорядочивание объектов в статистически однородные группы

Номер 2

Выберите составляющие шаги для агломеративного подхода в иерархической кластеризации?

Ответ:

(1) начинается с ситуации, когда каждый объект отдельный - кластер

(2) на каждом шаге совмещаем два наиболее близких кластера

(3) на каждом шаге разделяем два , один из кластеров пополам

(4) останавливаемся, когда получаем требуемое количество или единственный кластер

(5) останавливаемся, когда получаем требуемое количество или N кластеров

Упражнение 5:

Номер 1

Укажите этапы EM-алгоритма?

Ответ:

(1) Evaluation

(2) Estimation

(3) Expectation

(4) Minimisation

(5) Maximisation

Номер 2

Для использования алгоритмов иерархической кластеризации текста, какие подходы существуют для выбора "типичного" представителя - кластроида в каждом из кластеров ?

Ответ:

(1) минимизируем сумму расстояний до других объектов к кластере

(2) минимизируем сумму квадратов расстояний до других объектов к кластере

(3) минимизируем сумму порядков расстояний до других объектов к кластере

(4) минимизируем максимальное расстояние до других объектов к кластере

Упражнение 6:

Номер 1

Как называется данный граф?

Ответ:

(1) Граф состояний

(2) Дендрограмма

(3) Гистограмма

(4) Древо кластеров

Номер 2

Назовите причины использования алгоритмов кластеризации.

Ответ:

(1) заниматься разметкой данных бывает достаточно дешево

(2) позволяет разбить данные без разметки данных

(3) позволяет увеличить значимое количество признаков

(4) позволяет отслеживать изменения данных во времени

Упражнение 7:

Номер 1

Напишите название подхода иерархической кластеризации, при использовании которого перед началом кластеризации все объекты считаются отдельными кластерами, а затем, в ходе алгоритма, объединяются.

Ответ:

Агломеративный

Номер 2

Выберите алгоритмы которые решают задачи кластеризации

Ответ:

(1) K-средних

(2) Деревья решений

(3) EM-алгоритм

(4) К-медиан

Номер 3

Решение проблемы чувствительности функции расстояния к преобразованиям в данных

Ответ:

(1) Преобразовать обучающую выборку так, чтобы оси совпадали с главными компонентами матрицы ковариации

(2) Преобразовать тестовую выборку так, чтобы оси не совпадали с главными компонентами матрицы ковариации

(3) Преобразовать обучающую выборку так, чтобы оси совпадали с второстепенными компонентами матрицы ковариации

(4) Преобразовать тестовую выборку так, чтобы оси не совпадали с второстепенными компонентами матрицы ковариации

Алгоритмы интеллектуальной обработки больших объемов данных - тест 2