Name: Машинное обучение ответы на тесты Синергия МТИ «Отлично»
SKU: 56044
Availability: InStock

Описание

Машинное обучение ответы на тесты Синергия МТИ «Отлично»

Вопросы

1. Предположим, вы разрабатываете систему прогнозирования кредитного рейтинга заемщиков на основе прямого произведения искусственных нейронных сетей (ППИНС). У вас есть две уже обученные искусственные нейронные сети (ИНС):
ИНС 1: обучена на исторических данных о погашении кредитов (сумма кредита, срок, процентная ставка, кредитная история);
ИНС 2: обучена на данных из социальных сетей заемщиков (количество друзей, активность, интересы).
Обе ИНС демонстрируют приемлемую точность, но есть подозрение, что они выявляют разные, частично пересекающиеся факторы, влияющие на кредитный рейтинг.
Ваша главная цель — учесть вклад каждой ИНС в конечный прогноз в зависимости от ее индивидуальной точности и значимости выявленных факторов?
Какую архитектуру ППИНС следует выбрать для объединения этих двух ИНС? Поясните ответ.

2. Представьте, вы младший аналитик в отделе рисков банка. Ваша команда разрабатывает систему для прогнозирования вероятности невозврата кредита (дефолта) физическими лицами. Для этого планируется использовать нейронные сети. Вам необходимо продемонстрировать понимание основных концепций, лежащих в основе нейронных сетей, чтобы эффективно участвовать в процессе разработки и анализа модели.
Предложите базовую архитектуру многослойного персептрона (MLP) для решения задачи прогнозирования невозврата кредита. Укажите:
Количество входных нейронов и почему вы выбрали именно это количество.
Количество скрытых слоев и нейронов в каждом слое. Обоснуйте свой выбор (какие факторы вы учитывали?).
Функцию активации для каждого слоя (скрытых слоев и выходного слоя). Обоснуйте свой выбор.
Функцию потерь, которую вы будете использовать для обучения сети.

3. Специалист по разработке стандартных архитектур нейронных сетей разрабатывает систему оценки кредитоспособности клиентов банка. В качестве входных данных у него есть: возраст, доход, кредитная история (количество просрочек, наличие кредитных карт), место работы, образование. Его задача — классифицировать клиентов по трем категориям: «высокий риск», «средний риск», «низкий риск».
Для решения этой задачи он решил использовать радиальную нейронную сеть (RBF-сеть).
Какой тип радиальной базисной функции специалист должен выбрать для построения эффективной системы оценки кредитоспособности клиентов банка?

4. Представьте, что вы аналитик данных в компании, которая занимается автоматизацией обработки текстовой информации из финансовых отчетов. Вам нужно выбрать подходящую архитектуру нейронной сети для задачи классификации финансовых новостей по темам, например, «макроэкономика», «рынок акций», «корпоративные финансы».
Какую следует выбрать стандартную архитектуру нейронных сетей для решения поставленной задачи? Перечислите основные преимущества выбранной архитектуры. (укажите 2 варианта ответа)

5. Представьте, что вы используете сеть Кохонена (карту Кохонена, самоорганизующуюся карту — SOM) для сегментации клиентской базы банка на основе их транзакционной активности (средний чек, частота покупок, типы покупок). Сеть обучена. Теперь, согласно принципу «Победитель получает все», вам нужно отнести нового клиента к существующему кластеру.
Как определить кластер, к которому будет отнесен новый клиент?

6. Вы работаете аналитиком в инвестиционной компании и занимаетесь разработкой модели прогнозирования цен на акции. Вы решили использовать рекуррентные нейронные сети (RNN) для анализа временных рядов финансовых данных. Вам необходимо продемонстрировать знания в области методов обучения нейронных сетей, чтобы эффективно обучить и оптимизировать вашу модель. Для обучения RNN вы будете использовать исторические данные о ценах на акции, а также связанные с ними экономические показатели (например, процентные ставки, уровень инфляции).
Какой тип обучения наиболее подходит для данной задачи?

7. Представьте, что вы разрабатываете систему ассоциативной памяти на основе сети Хопфилда для восстановления неполных или искаженных данных о финансовых показателях компании, например, рентабельность, ликвидность, оборачиваемость активов. Вы хотите, чтобы сеть «помнила» несколько типичных профилей компаний, представляющих различные отрасли.
Как, согласно правилу Хебба, изменяются веса связей между нейронами в сети Хопфилда при обучении (запоминании) нового профиля компании?

8. Представьте, что вы аналитик данных в отделе по борьбе с мошенничеством в банке. Вам необходимо разработать систему, которая могла бы выявлять мошеннические транзакции, даже если информация о них поступает частично или с искажениями. Вы рассматриваете возможность использования ассоциативных запоминающих нейронных сетей для этой цели.
Опишите, в каких конкретных экономических задачах, помимо выявления мошеннических транзакций, ассоциативные запоминающие нейронные сети (АЗС) могут быть полезны. Объясните, почему использование АЗС может быть эффективным.

9. Вы разрабатываете систему машинного обучения для прогнозирования оттока клиентов (customer churn) в телекоммуникационной компании. Вы используете подход концептуального обучения, где каждая гипотеза представляет собой описание профиля клиента, склонного к оттоку. Предположим, вы определили следующие атрибуты для описания клиентов:
Возраст: {Молодой, Средний, Пожилой}
Уровень дохода: {низкий, средний, высокий}
Продолжительность использования услуг: {Короткая, Средняя, Длинная}
Вы решили использовать представление гипотезы, в котором «» означает «любое значение» для атрибута, например, гипотеза «Молодой, , *» означает, что все молодые клиенты склонны к оттоку, независимо от их дохода и продолжительности использования услуг.
Из каких элементов состоит пространство гипотез в вашей системе прогнозирования оттока клиентов? Какой стратегии придерживается алгоритм при поиске оптимальной гипотезы?

10. Вы — аналитик данных в компании, занимающейся онлайн-кредитованием. Ваша задача — повысить эффективность системы оценки кредитоспособности заемщиков с помощью технологий машинного обучения.
Какая задача машинного обучения наиболее релевантна для непосредственной классификации заемщиков по степени риска (например, «высокий риск», «средний риск», «низкий риск») на основе исторических данных? Укажите входные данные (признаки), которые будут использоваться, и ожидаемый результат.

11. Вы работаете аналитиком в банке и разрабатываете систему автоматической обработки обращений клиентов. Вам необходимо классифицировать каждое обращение по типу. У вас есть следующие варианты классификации:
вариант 1: «Мошенническая операция» или «Не мошенническая операция»;
вариант 2: «Запрос на кредит», «Жалоба», «Консультация», «Техническая поддержка», «Мошенничество».
Какая задача машинного обучения соответствует каждому из этих вариантов классификации?

12. Вы аналитик в компании, которая специализируется в прогнозировании спроса на электроэнергию в регионе. Вам необходимо разработать модель, которая сможет точно предсказывать потребление электроэнергии на следующий день, чтобы оптимизировать производство и избежать дефицита или избытка.
Определите тип задачи машинного обучения, который наиболее подходит для прогнозирования спроса на электроэнергию. Опишите, что является целевой переменной в этой задаче, и какие значения она может принимать.

13. Вы разработали модель регрессии для прогнозирования цен на жилую недвижимость в городе. Ваша модель предсказывает цены в тысячах долларов. Вы хотите оценить качество своей модели на тестовой выборке.
В какой ситуации наиболее целесообразно использовать среднюю абсолютную процентную ошибку (Mean Absolute Percentage Error, MAPE) в качестве основного показателя для оценки качества вашей модели?

14. Представьте, что вы аналитик данных в хедж-фонде, специализирующемся на краткосрочной торговле акциями. Вам поручено разработать систему для прогнозирования направления движения цены (вверх или вниз) конкретной акции в течение следующего часа. Для повышения точности прогнозов вы планируете использовать ансамблевые методы машинного обучения.
Предложите три различных типа моделей машинного обучения, которые, на ваш взгляд, подходят для использования в качестве базовых моделей в ансамбле для прогнозирования направления движения цены акции. Для каждой модели кратко опишите, как она работает и почему она может быть полезна в этой задаче.

15. Вы работаете аналитиком в компании, занимающейся оценкой кредитных рисков. Вы создали модель машинного обучения для прогнозирования вероятности дефолта заемщиков. Исходный набор данных содержал 100 различных признаков, характеризующих заемщиков (возраст, доход, кредитная история, образование, место работы и т. д.). После обучения модели вы обнаружили, что ее производительность на тестовом наборе данных не так высока, как ожидалось, и наблюдаете признаки переобучения.
Какое действие целесообразно предпринять для оптимизации признакового пространства и улучшения обобщающей способности модели (снижения переобучения)?

16. Вы работаете аналитиком кредитного риска в крупном банке. Вам поручено разработать модель для прогнозирования дефолта по кредитным продуктам для физических лиц. Исходный набор данных содержит очень большое количество признаков (сотни), включая демографические данные клиентов, информацию об их кредитной истории, транзакционную активность, и макроэкономические показатели. Обработка всех этих признаков ресурсоемка, и есть подозрение, что некоторые признаки неинформативны или даже вредны для модели.
Объясните, какие преимущества может дать оптимизация признакового пространства в контексте задачи прогнозирования дефолта кредитного портфеля. Перечислите преимущества, объяснив, почему они важны.

17. Векторное … — это множество объектов, называемых векторами, для которых определены операции сложения и умножения на скаляр

18. … — это прямоугольная таблица чисел, организованных в строки и столбцы

19. Линейное … — это функция, которая отображает векторы из одного векторного пространства в другое, сохраняя операции сложения и умножения на скаляр

20. Векторы, которые образуют … векторного пространства, линейно независимы и порождают все векторы этого пространства

21. … матрицы равен сумме элементов, расположенных на главной диагонали

22. Умножение матрицы на … представляет собой изменение масштаба вектора

23. Говоря о характеристичных особенностях связи между нейронами, можно утверждать, что …

24. Говоря о характеристиках способов соединения нейронов в искусственной нейронной сети (ИНС), можно утверждать, что … (укажите 2 варианта ответа)

25. Установите соответствие между понятиями и их определениями в контексте многослойных искусственных нейронных сетей:

26. Установите соответствие между компонентами и характеристиками прямых произведений нейронных сетей:

27. Расположите этапы процесса прямого распространения (forward propagation) в искусственной нейронной сети (ИНС) в правильной последовательности:

28. Расположите этапы работы многослойной искусственной нейронной сети (ИНС) в правильной последовательности:

29. Частичная задача обучения использует как … данные, так и неразмеченные данные для построения модели

30. В задаче частичного обучения, … данные обычно составляют большую часть обучающей выборки

31. Одним из преимуществ частичного обучения является возможность улучшения производительности модели при ограниченном количестве … данных

32. Метод … является распространенным подходом в частичном обучении, где неразмеченные данные используются для определения структуры данных

33. Для успешного применения частичного обучения важно, чтобы неразмеченные данные были … размеченным данным

34. Частичное обучение особенно полезно в областях, где … данных является дорогим или трудоемким процессом

35. Говоря о характеристиках задачи аппроксимации функции в стандартной постановке машинного обучения, можно утверждать, что … (Укажите 3 варианта ответа)

36. Установите соответствие между понятиями сети из одного нейрона и их определениями:

37. Установите соответствие между элементами радиальной базисной нейронной сети (RBF) и их функциями:

38. Расположите этапы работы Персептрона Розенблатта в правильной последовательности:

39. Расположите этапы работы в типичной слоистой архитектуре нейронной сети в правильной последовательности:

40. Градиентный метод использует … для определения направления изменения параметров сети, чтобы минимизировать функцию потерь

41. В процессе обучения нейронной сети, … распространение ошибки используется для коррекции весов и смещений

42. Размер шага … определяет, насколько сильно параметры сети изменяются на каждой итерации обучения

43. … градиентный спуск использует весь набор данных для вычисления градиента на каждой итерации

44. … градиентный спуск использует только один случайный пример из набора данных для вычисления градиента на каждой итерации

45. Метод … является разновидностью градиентного спуска, который использует адаптивный размер шага для каждого параметра

46. Говоря о характеристиках методов первого порядка для оптимизации в машинном обучении, можно утверждать, что … (Укажите 3 варианта ответа)

47. Такие задачи как … могут быть решены с использованием методов обучения без учителя

48. Установите соответствие между методами обучения без учителя и их основными целями:

49. Установите соответствие между типами гибридных искусственных нейронных сетей (ИНС) и их характеристиками:

50. Расположите этапы принципа «Победитель забирает все» в сети Кохонена в правильной последовательности:

51. Расположите этапы работы нейронной сети встречного распространения в правильной последовательности:

52. Модель Хопфилда относится к сетям … типа, в которых выход каждого нейрона подается обратно на входы других нейронов

53. Основная задача модели Хопфилда — … ассоциативной памяти, то есть восстановление полного образа по его части

54. В модели Хопфилда каждый нейрон имеет два состояния: -1 и …

55. Веса связей в модели Хопфилда определяются с помощью правила …, которое усиливает связи между нейронами, которые активируются одновременно

56. Состояние сети Хопфилда с минимальной энергией называется …

57. Модель Хопфилда используется для решения задач …, таких как задача коммивояжера

58. Говоря о характеристиках правила обучения Хебба в контексте модели Хопфилда, можно утверждать, что … (Укажите 3 варианта ответа)

59. Говоря о характеристиках двунаправленной ассоциативной памяти (BAM), можно утверждать, что … (Укажите 3 варианта ответа)

60. Установите соответствие между терминами и их определениями в контексте применения сети Хопфилда для решения задач комбинаторной оптимизации:

61. Расположите этапы процесса принятия решений на основе нечеткой логики в правильной последовательности:

62. Расположите этапы работы двунаправленной ассоциативной памяти (BAM) в правильной последовательности при извлечении сохраненного паттерна:

63. Машинное обучение позволяет компьютерам … из опыта без явного программирования

64. Задача … заключается в отнесении входных данных к одной из нескольких категорий

65. В задаче … необходимо предсказать непрерывное числовое значение

66. … описывает математическое представление зависимости между входными и выходными данными

67. … — это процесс группировки объектов по схожим характеристикам

68. … представляет собой упрощение данных, уменьшение количества признаков

69. Говоря о понятии «пространство гипотез» в контексте машинного обучения, можно утверждать, что … (Укажите 3 варианта ответа)

70. На оценку качества решения задачи в машинном обучении влияет …

71. Установите соответствие между типами признаков и их описаниями в машинном обучении:

72. Установите соответствие между понятиями концептуального обучения и их определениями:

73. Расположите этапы решения задач машинного обучения в правильной последовательности:

74. Расположите этапы процесса оценки качества решения задачи машинного обучения в правильной последовательности:

75. … модели, такие как решающие деревья и случайный лес, делят пространство признаков на области, принимая решения на основе последовательности вопросов

76. … модели, такие как линейная регрессия и логистическая регрессия, строят линейную комбинацию признаков для предсказания результата

77. … модели, такие как наивный байесовский классификатор, используют теорему Байеса для вычисления вероятности принадлежности объекта к определенному классу

78. … модели, основанные на нечеткой логике, позволяют учитывать неопределенность и неточность данных

79. … модели, такие как многослойный персептрон и сверточные нейронные сети, состоят из взаимосвязанных искусственных нейронов, обучающихся из данных

80. … — это такие как системы правил IF-THEN, которые представляют знания в форме правил, определяющих поведение системы

81. Модели машинного обучения можно использовать для решения многих задач, например … (Укажите 3 варианта ответа)

82. Установите соответствие между понятиями и их определениями в контексте глубинного обучения:

83. Установите соответствие между терминами, используемыми в классификации, и их определениями:

84. Расположите этапы построения модели на основе правил в правильной последовательности:

85. Расположите этапы построения и использования нейросетевой модели в правильной последовательности:

86. … — это метод ансамблирования, при котором несколько моделей обучаются на различных подвыборках обучающего набора данных

87. Баггинг помогает уменьшить … модели за счет усреднения прогнозов нескольких моделей

88. Случайный лес — это вариант баггинга, в котором дополнительно случайным образом выбирается подмножество … для построения каждого дерева

89. Случайный лес для агрегации прогнозов отдельных деревьев использует …

90. Одним из преимуществ случайного леса является устойчивость к …

91. Важность признаков в случайном лесу можно оценить, измеряя, насколько … точность модели при исключении этого признака

92. Говоря о характеристиках обучения усиленных правил (Boosting), можно утверждать, что … (Укажите 3 варианта ответа)

93. Говоря о характеристиках «Карты ансамблевого ландшафта» (Ensemble Landscape), можно утверждать, что … (Укажите 2 варианта ответа)

94. Установите соответствие между терминами и их определениями в контексте ROC-анализа:

95. Установите соответствие между понятиями, используемыми в обучении с подкреплением, и их определениями:

96. Расположите этапы оценки качества регрессионной модели в правильной последовательности:

97. Расположите этапы построения и анализа ROC-кривой в правильной последовательности:

98. … признаков позволяет улучшить качество модели за счет изменения масштаба и распределения признаков

99. … — это преобразование, которое приводит значения признака к диапазону от 0 до 1

100. … — это преобразование, которое приводит значения признака к нулевому среднему и единичному стандартному отклонению

101. Преобразование … используется для обработки категориальных признаков, заменяя их числовыми значениями

102. Преобразование … разделяет непрерывный признак на несколько интервалов

103. Метод … признаков используется для уменьшения количества признаков путем выбора наиболее важных из них

104. Говоря о характеристиках конструирования признаков, можно утверждать, что … (Укажите 3 варианта ответа)

105. Говоря о характеристиках анализа главных компонент (PCA), можно утверждать, что … (укажите 3 варианта ответа)

106. Установите соответствие между методами и их применением для оценки значимости признаков:

107. Установите соответствие между этапами анализа главных компонент (PCA) и их описаниями:

108. Расположите этапы оптимизации признакового пространства в правильной последовательности:

109. Расположите этапы обработки признаков в правильной последовательности:

110. Говоря об основных типах алгоритмов обучения в машинном обучении, можно утверждать, что при обучении … (укажите 2 варианта ответа)

111. Установите соответствие между компонентами нейро-нечеткой системы и их функциями:

112. Говоря о различии между бинарной и многоклассовой классификацией, можно утверждать, что … (укажите 3 варианта ответа)

113. … признаков — это процесс выбора наиболее информативных признаков из исходного набора данных

114. … признаков — это процесс преобразования исходных признаков в новый набор признаков, который лучше подходит для обучения модели

115. Алгоритм … — это метод снижения размерности, который проецирует данные на подпространство меньшей размерности, максимизируя дисперсию данных

116. … — это метод отбора признаков, который оценивает каждый признак отдельно, игнорируя зависимости между признаками

117. … — это метод отбора признаков, который оценивает подмножества признаков вместе, учитывая их взаимосвязь

118. … используется для масштабирования признаков, приводя их к общему диапазону значений, что может улучшить производительность некоторых алгоритмов машинного обучения

119. К преимуществам оптимизации признакового пространства относят … (укажите 4 варианта ответа)

120. К методам преобразования признаков относят … (укажите 3 варианта ответа)

121. Сопоставьте метод оптимизации признакового пространства с его характеристикой:

122. Расположите этапы процесса оптимизации признакового пространства в правильной последовательности:

123. Представьте, что вы работаете аналитиком данных в банке, занимающемся разработкой модели кредитного скоринга для оценки кредитоспособности заемщиков. Исходный набор данных содержит большое количество признаков (финансовые показатели, социально-демографические данные, история кредитных операций и т.д.). Вы подозреваете, что не все признаки одинаково важны и что оптимизация признакового пространства может улучшить производительность модели.
Почему оптимизация признакового пространства может быть полезна для задачи кредитного скоринга? Назовите три причины.

124. … методы — это техники машинного обучения, которые объединяют прогнозы нескольких базовых моделей для повышения общей точности и надежности

125. Случайный … — это ансамблевый метод, который обучает несколько деревьев решений на различных подмножествах данных и случайных подмножествах признаков

126. … — это ансамблевый метод, который последовательно обучает слабые модели, при этом каждая следующая модель фокусируется на исправлении ошибок предыдущих

127. Способ проверить, насколько хороша модель, когда данные разделяются на две части: одна для обучения, другая для проверки, называется «разделение на обучающий и …»

128. … измеряет долю правильно классифицированных объектов

129. Для несбалансированных наборов данных, метрика … часто является более информативной, чем точность

130. Говоря о преимуществах ансамблевых методов, по сравнению с использованием одной модели, можно утверждать, что у этих методов … (укажите 3 варианта ответа)

131. Сопоставьте метрику оценки качества с ее определением:

132. Расположите в хронологическом порядке этапы процесса обучения ансамблевой модели на примере «случайного леса»:

133. Представьте, что вы аналитик в инвестиционном фонде. Вам поставлена задача: разработать высокоточную модель для прогнозирования вероятности банкротства компаний на основе финансовых показателей и макроэкономических данных. Вам необходимо использовать ансамблевые методы для повышения точности прогнозов и корректно оценить качество полученной модели.
Почему ансамблевые методы могут быть более эффективными, чем использование одной сложной модели, для прогнозирования вероятности банкротства? Перечислите три преимущества.

134. К методам, которые используют для оценки качества модели классификации, следует отнести … (укажите 3 варианта ответа)

135. … регрессия используется для прогнозирования непрерывных числовых значений

136. … опорных векторов (SVM) применяется для разделения данных на классы путем построения оптимальной гиперплоскости

137. Деревья … строятся путем последовательного разбиения данных на основе наиболее информативных признаков

138. Метод K-ближайших … классифицирует объект на основе классов K ближайших к нему объектов в обучающем наборе

139. В ансамблевом методе … несколько моделей объединяются для получения более точного прогноза

140. Метод … понижает размерность данных, преобразуя их в набор некоррелированных переменных, называемых главными компонентами

141. К моделям обучения с учителем относят …

142. Для разделения узла такие параметры, как максимальная глубина … и минимальное количество образцов, необходимо настраивать при обучении модели дерева решений

143. Сопоставьте модель машинного обучения с ее основными преимуществами:

144. Расположите этапы процесса применения модели машинного обучения (например, линейной регрессии) для прогнозирования в хронологическом порядке:

145. Представьте, что вы аналитик данных в консалтинговой компании, которая специализируется на анализе рынка недвижимости. Ваша задача — разработать модель для прогнозирования стоимости жилья в определенном регионе.
Какие две модели машинного обучения лучше всего подойдут для решения задачи прогнозирования стоимости жилья. Поясните ответ, указав преимущества модели.

146. Обучение … — это процесс, при котором модель учится на данных, которые имеют как входные признаки, так и соответствующие им метки или целевые значения

147. … используется для нахождения оптимальной разделяющей гиперплоскости между классами в задачах классификации

148. Обучение … позволяет моделям учиться на неразмеченных данных, выявляя скрытые структуры и закономерности

149. Английская аббревиатура, обозначающая метод снижения размерности данных, который позволяет сохранить наиболее важную информацию, — …

150. … сети являются мощным инструментом для решения задач, связанных с обработкой последовательностей, таких как текст и временные ряды

151. … методы объединяют прогнозы нескольких моделей для повышения общей точности и надежности

152. В числе задач, которые можно решить с помощью машинного обучения, …

153. Неверно, что к процессам разработки модели машинного обучения относят… (Укажите 2 варианта ответа)

154. Сопоставьте алгоритм машинного обучения с типом решаемой задачи:

155. Расположите этапы процесса машинного обучения в правильной последовательности:

156. Вы работаете аналитиком данных в банке и вам необходимо разработать модель для прогнозирования оттока клиентов (т.е. клиентов, которые собираются закрыть свои счета в банке).
Какой метод машинного обучения лучше всего подходит для задачи прогнозирования оттока клиентов (где необходимо отнести каждого клиента к одной из двух категорий: «уйдет» или «останется»)?

157. Ассоциативные запоминающие нейронные сети (АЗС) предназначены для … информации на основе схожести с известными образцами

158. В ассоциативных запоминающих нейронных сетях (АЗС) информация хранится в виде … соединений между нейронами

159. … запоминающие нейронные сети восстанавливают полный образ по его частичному или зашумленному представлению

160. Энергетическая функция сети Хопфилда достигает … в устойчивых состояниях, представляющих запомненные образы

161. Емкость ассоциативных запоминающих нейронных сетей (АЗС) ограничена и зависит от количества …

162. Использование …, или биполярной функции активации в сети Хопфилда позволяет сети иметь дискретные состояния

163. В числе недостатков, которые есть в классических сетях Хопфилда, … (укажите 2 варианта ответа)

164. С целью улучшения работы ассоциативных запоминающих нейронных сетей (АЗС) рекомендуется …

165. Установите соответствие понятий и их характеристик:

166. Расположите этапы работы сети Хопфилда в правильной последовательности:

167. Представьте, что вы работаете в отделе анализа рисков банка. Ваша задача — разработать систему, которая могла бы выявлять мошеннические транзакции, даже если информация о них поступает частично или с искажениями. Вы рассматриваете возможность использования ассоциативной памяти для этой цели.
Что является ключевым принципом работы ассоциативной запоминающей нейронной сети?

168. Обучение … — это метод, при котором нейронная сеть обучается на размеченных данных, т.е. данных с известными правильными ответами

169. В обучении … нейронная сеть обучается на неразмеченных данных, стремясь выявить скрытые закономерности и структуры

170. Обучение … — это метод обучения, при котором агент (нейронная сеть) обучается взаимодействовать с окружающей средой, получая вознаграждение за правильные действия и штрафы за неправильные

171. … обучения — это параметр в алгоритме обучения, определяющий размер шага при обновлении весов нейронной сети

172. … — это техника регуляризации, которая добавляет штраф к функции потерь за большие значения весов, чтобы предотвратить переобучение

173. … — это ситуация, когда нейронная сеть хорошо работает на обучающих данных, но плохо обобщает на новые, не виденные ранее данные

174. Алгоритмы градиентного спуска и … используются для оптимизации нейронных сетей

175. К методам борьбы с переобучением нейронных сетей относятся …

176. Установите соответствие между типом обучения и вопросом, который он помогает решить:

177. Расположите этапы процесса обучения нейронной сети с использованием градиентного спуска в хронологической последовательности:

178. Представьте, что вы стажер-аналитик в финансовом отделе. Вам поручено помочь в разработке модели, предсказывающей вероятность дефолта по кредитам. Для этого используются нейронные сети.
Для обучения модели используются исторические данные по кредитам, где для каждого кредита известно был ли дефолт или нет.
Какой тип обучения нейронной сети лучше всего подходит в данном случае?

179. В … нейронных сетях нейроны организованы в слои, и каждый нейрон в слое связан со всеми нейронами в следующем слое

180. В … нейронных сетях используются специальные “вентили” (gates) для контроля потока информации, что позволяет им эффективно обрабатывать последовательности данных

181. Нейронные сети, особенно эффективные для задач компьютерного зрения, используют … слои для автоматического извлечения признаков из изображений

182. В … нейронной сети выход одного слоя передается обратно на вход этого же слоя, создавая циклы и позволяя сети запоминать информацию о предыдущих состояниях

183. Метод … — это метод регуляризации, используемый в нейронных сетях, при котором случайные нейроны или соединения временно «выключаются» во время обучения

184. … — это процесс добавления новых данных к уже существующему набору данных с целью увеличения его размера и улучшения обобщающей способности модели

185. Неверно, что в сверточных нейронных сетях (CNN) можно встретить …

186. К типам слоев, используемых в рекуррентных нейронных сетях (RNN) для обработки последовательностей данных, относятся …

187. Сопоставьте архитектуру нейронной сети с ее типичным применением:

188. Расположите стандартные архитектуры нейронных сетей в порядке возрастания сложности моделируемых зависимостей и специализированности применения:

189. Представьте, что вы инженер машинного обучения. Работаете в стартапе, который разрабатывает систему автоматической обработки видео для выявления нарушений правил дорожного движения. Вам необходимо выбрать наиболее подходящую архитектуру нейронной сети для решения подзадачи классификации транспортных средств (легковой автомобиль, грузовик, автобус, мотоцикл) на отдельных кадрах видео.
Опишите ключевые характеристики задачи классификации транспортных средств на кадрах видео (тип данных, объем данных, требования к точности и скорости).

190. … — это базовый строительный блок нейронной сети, который получает входные данные, обрабатывает их и передает выходной сигнал

191. Функция … определяет, как выходной сигнал нейрона зависит от взвешенной суммы входных сигналов и смещения

192. Процесс изменения весов соединений в нейронной сети с целью улучшения ее производительности называется …

193. … распространения — это вид нейронной сети, где информация движется только в одном направлении, от входа к выходу

194. … — это мера ошибки между предсказанными и фактическими значениями, используемая для оценки производительности нейронной сети

195. Пакетный … спуск — это метод обучения, который разбивает обучающий набор данных на небольшие пакеты и обновляет веса сети после обработки каждого пакета

196. К функциям активации относят: … (Укажите 3 варианта ответа)

197. В процессе обучения в нейронной сети настраиваются …

198. Расположите этапы процесса обучения нейронной сети в правильной последовательности (от начала до конца):

199. Представьте, что вы аналитик данных в крупной розничной компании. Ваша задача заключается в том, что нужно разработать модель. Эта модель должна предсказывать объем продаж определенной категории товаров на следующую неделю на основе данных о прошлых продажах, рекламных акциях и других экономических факторов. Для решения этой задачи вы решили использовать нейронные сети. Вы рассмотрели несколько вариантов возможного выбора архитектуры нейронных сетей:
многослойный персептрон (MLP);
рекуррентная нейронная сеть (RNN);
комбинация MLP и RNN.
Какая архитектура нейронных сетей наиболее подойдет для задачи прогнозирования объема продаж?

200. Установите соответствие между понятиями и их определениями: