Онлайн Тест 2 по дисциплине: Методы машинного обучения.

Цена:
490 руб.

Состав работы

material.view.file_icon 1DDD52B5-3F89-43B1-981C-05F7DE3FCB0B.docx
Работа представляет собой файл, который можно открыть в программе:
  • Microsoft Word

Описание

Вопрос No1
К какой категории алгоритмов машинного обучения относится логистическая регрессия?

Контролируемое обучение.

Неконтролируемое обучение.

Деревья принятия решений.

Метод наименьших квадратов.

Метод ансамблей.

Обучение с подкреплением.

Вопрос No2
В чём заключаются два основных требования к методам понижения размерности?

Количество новых признаков должно быть меньше количества исходных признаков; новые признаки должны содержать как можно больше информации из исходных признаков.

Количество новых признаков должно быть больше количества исходных признаков; новые признаки должны содержать как можно больше информации из исходных признаков.

Количество новых признаков должно быть больше количества исходных признаков; новые признаки должны содержать как можно меньше информации из исходных признаков.

Количество новых признаков должно быть меньше количества исходных признаков; новые признаки должны содержать как можно меньше информации из исходных признаков.

Задача понижения размерности не может быть решена.

Вопрос No3
Что такое нечёткие классы в задаче классификации?

Случай, когда объекты могут относиться только к одному классу.

Случай, когда объекты могут относиться одновременно к нескольким классам.

Случай, когда объекты принадлежат классам с определённой вероятностью.

Случай, когда объекты принадлежат только одному классу, но с определённой вероятностью.

Случай, когда объекты принадлежат всегда нескольким классам с определённой вероятностью.

Таких классов в задаче классификации не существует.

Вопрос No4
Зачем используется параметр header в функции read.table()?

Для указания имени загружаемого файла.

Для указания имени экспортируемого файла.

Для сообщения программе о наличии в загружаемом файле строки с заголовками столбцов.

Для указания количества строк в файле.

Для указания номера столбца, в котором содержатся имена строк.

Такого параметра не существует.

Вопрос No5
Как называется логический решающий элемент, который выдаёт выходной сигнал, когда алгебраическая сумма его входных сигналов ai равна или превышает некоторую пороговую величину ρi  0. Выходной сигнал ai* = +1, если была превышена пороговая величина ρi, в противном случае он равен нулю?

S-элемент.

A-элемент.

R-элемент.

D-элемент.

N-элемент.

E-элемент.

Такого элемента не существует.

Вопрос No6
Пусть персептрон определён через предикаты. Как называется персептрон, если для каждого предиката F из Ф диаметр множества точек плоскости, от которых зависит F, не превосходит некоторой фиксированной величины?

Персептрон с последовательными связями.

Персептрон с перекрёстными связями.

Персептрон с обратной связью.

Персептрон, ограниченный по диаметру.

Персептрон ограниченного порядка.

Персептрон Гамбы.

Случайный персептрон.

Ограниченный персептрон.

Вопрос No7
К какой области машинного обучения относится задача исследования влияния одной или нескольких независимых величин на зависимую?

Прогнозирование.

Уменьшение размерности.

Регрессия.

Кластеризация.

Классификация.

Задача из вопроса не относится к задачам машинного обучения.

Вопрос No8
К какой категории алгоритмов машинного обучения относится метод главных компонент?

Контролируемое обучение.

Неконтролируемое обучение.

Деревья принятия решений.

Метод наименьших квадратов.

Метод опорных векторов.

Обучение с подкреплением.

Вопрос No9
Как задаётся весовая функция для метода парзеновского окна переменной ширины?













Такого вида метода ближайших соседей не существует.

Вопрос No10
Как называется регрессионная модель, которая является нелинейной комбинацией функций?

Одномерная регрессия.

Двумерная регрессия.

Трёхмерная регрессия.

Многомерная регрессия.

Линейная регрессия.

Экспоненциальная регрессия.

Нелинейная регрессия.

Вопрос No11
Что такое контролируемое обучение?

Методы машинного обучения, используемые в случаях, когда для определённого массива данных известны определённые свойства и требуется предсказать эти свойства для другого массива данных.

Методы машинного обучения, используемые для обнаружения неявных связей на немаркированном множестве данных.

Методы машинного обучения, в которых нет размеченного множества данных, но есть некоторая форма обратной связи, помогающая прогнозировать свойства объектов.

Методы машинного обучения для предсказания следующего элемента в последовательности.

Методы машинного обучения для сопоставления объектов с классами.

Таких метод машинного обучения не существует.

Вопрос No12
К какой категории алгоритмов машинного обучения относится анализ независимых компонент?

Контролируемое обучение.

Неконтролируемое обучение.

Деревья принятия решений.

Метод наименьших квадратов.

Метод опорных векторов.

Обучение с подкреплением.

Вопрос No13
Как называется элемент, который выдаёт выходной сигнал r* = +1, если сумма его входных сигналов является строго положительной, и сигнал r* = 1, если сумма его входных сигналов является строго отрицательной. Если сумма входных сигналов равна нулю, выход можно считать либо равным нулю, либо неопределённым?

S-элемент.

A-элемент.

R-элемент.

D-элемент.

N-элемент.

E-элемент.

Такого элемента не существует.

Вопрос No14
Как называется регрессия с участием одной свободной переменной?

Одномерная регрессия.

Двумерная регрессия.

Трёхмерная регрессия.

Многомерная регрессия.

Линейная регрессия.

Экспоненциальная регрессия.

Нелинейная регрессия.

Вопрос No15
В чём заключается задача регрессионного анализа?

Сопоставить объекту номер или наименование класса из заданного множества.

Разбиение заданного конечного множества объектов на непересекающиеся множества.

Исследование влияния одной или нескольких независимых величин на зависимую.

Для заданного множества объектов, описанных конечным числом признаков, уменьшить количество признаков, описывающих объекты, не изменив структуру множества объектов.

Определение следующего объекта ряда Х = х1, х2, ..., хt, в котором все объекты принадлежат некоторому множеству.

Такой задачи в машинном обучении не существует.

Вопрос No16
Зачем используется параметр nrows в функции read.table()?

Для указания имени загружаемого файла.

Для указания имени экспортируемого файла.

Для сообщения программе о наличии в загружаемом файле строки с заголовками столбцов.

Для указания количества строк в файле.

Для указания номера столбца, в котором содержатся имена строк.

Для указания количества строк, которое должно быть с читано из загружаемой таблицы.

Вопрос No17
Пусть персептрон определён через предикат. Как называется персептрон, если множество Ф предикатов F бесконечно, а множество значений принимаемых коэффициентами k, конечно:

Персептрон с последовательными связями.

Персептрон с перекрёстными связями.

Персептрон с обратной связью.

Персептрон, ограниченный по диаметру.

Персептрон ограниченного порядка.

Персептрон Гамбы.

Случайный персептрон.

Ограниченный персептрон.

Вопрос No18
К какой категории алгоритмов машинного обучения относится метод ансамблей?

Контролируемое обучение.

Неконтролируемое обучение.

Деревья принятия решений.

Метод наименьших квадратов.

Метод опорных векторов.

Обучение с подкреплением.

Вопрос No19
Как называется множество классов в задаче классификации, которые допускают принадлежность объекта к классу с определённой вероятностью?

Непересекающиеся классы.

Пересекающиеся классы.

Нечёткие классы.

Полу пересекающиеся классы.

Непересекающиеся нечёткие классы.

Пересекающиеся нечёткие классы.

Такие множества объектов в задаче классификации не рассматриваются.

Вопрос No20
Как называется подход к реализации градиентного спуска, когда на каждой итерации алгоритма из обучающей выборки каким-то (случайным) образом выбирается только один объект. Таким образом вектор весов настраивается на каждый вновь выбираемый объект?

Итерационный подход.

Целостный подход.

Весовой подход.

Градиентный подход.

Пакетный подход.

Стохастический подход.

Алгоритмы по указанной схеме не реализуются.

=============================================

Дополнительная информация

Не нашли нужный ответ на тесты СибГУТИ? Пишите, пройду тест БЕСПЛАТНО!
Помогу с вашим онлайн тестом, другой работой или дисциплиной.

E-mail: sneroy20@gmail.com
E-mail: ego178@mail.ru
«Методы машинного обучения»
Общее задание является единым для всех вариантов, вариант влияет только на тип входных данных и способ ввода. Способов ввода будет 2: 1) Создать таблицу с данными и сохранить её в текстовом файле, данные считывать из этого файла 2) Данные задаются при помощи функции При формировании данных необходимо создать не менее 30 пар значений. Необходимо написать скрипт, который будет считывать/формировать данные, по этим данным стоится наиболее подходящая модель линейной регрессии. При помощи полученно
User Илья272 : 5 ноября 2023
700 руб.
«Методы машинного обучения»
Контрольная работа состоит из нескольких заданий. От варианта студента зависят входные данные, для которых будут решаться задания, а также некоторые особенности выполнения заданий. Всем студентам предоставляются наборы данных, в зависимости от варианта, для этих данных необходимо: 1) Построить классификатор на основе метода ближайших k соседей и определить класс тестового значения (описание метода можно найти по ссылке). От варианта зависят весовая функция и значение k. 2) Построить классифик
User Илья272 : 5 ноября 2023
1300 руб.
Методы машинного обучения. Билет №6
Билет №6 1) Что такое правило Хэбба? 2) Что такое сингулярное разложение? Как оно используется для решения задачи наименьших квадратов?
User IT-STUDHELP : 24 ноября 2021
350 руб.
promo
Методы машинного обучения. Вариант №1
Контрольная работа по методам классификации Выбор варианта: N = 1 Вариант выборки для метода ближайших соседей определяется по формуле: N_в=((N+13)mod11)+1=4. Обучающая последовательность и тестовый объект: 4) (X,Y)={(7,9,1), (2,5,1), (5,6,1), (8,6,1), (7,6,1), (7,9,2), (14,7,2), (14,2,2), (6,7,2), (10,3,2), (11,9,2), (9,1,2)}: тестовый объект x’=(12,12). Вариант весовой функции определяется по формуле: N_вф=((N+7)mod4)+1=3. Весовая функция: 3) — метод парзеновского окна фиксированной ши
User IT-STUDHELP : 24 ноября 2021
1000 руб.
promo
Методы машинного обучения. Вариант №8
Выбор варианта: N = 8 Вариант выборки для метода ближайших соседей определяется по формуле: N_в=((N+13)mod11)+1=11 Вариант весовой функции определяется по формуле: N_вф=((N+7)mod4)+1=4 Вариант выборки для метода построения решающего дерева определяется по формуле: N_вд=((N*N+2)mod11)+1=1 Обучающая последовательность и тестовый объект для метода ближайших соседей: 11) (X,Y)={ (7,2,1), (8,1,1), (8,7,1), (8,2,1), (9,9,1), (6,8,1), (13,8,2), (6,1,2), (11,8,2), (4,12,3), (7,14,3), (1,8,3), (9,6,3)}
User IT-STUDHELP : 15 ноября 2021
1000 руб.
promo
Методы машинного обучения. Билет №1
Билет №1 1) Как определяется понятие отступа в метрических алгоритмах классификации? 2) Что такое ядерное сглаживание в регрессии?
User IT-STUDHELP : 15 ноября 2021
350 руб.
promo
Методы машинного обучения. Билет №12
Билет №12 1) Что такое «выбросы»? Как осуществляется фильтрация выбросов в непараметрической регрессии? 2) Что такое «проблема мультиколлинеарности» в задачах многомерной линейной регрессии? Какие есть три подхода к её устранению?
User IT-STUDHELP : 15 ноября 2021
350 руб.
promo
Методы машинного обучения. Вариант №8
Задание на лабораторную работу Общее задание является единым для всех вариантов, вариант влияет только на тип входных данных и способ ввода. Способов ввода будет 2: Создать таблицу с данными и сохранить её в текстовом файле, данные считывать из этого файла Данные задаются при помощи функции При формировании данных необходимо создать не менее 30 пар значений. Необходимо написать скрипт, который будет считывать/формировать данные, по этим данным стоится наиболее подходящая модель линейной регрес
User IT-STUDHELP : 15 ноября 2021
500 руб.
promo
Экзаменационная работа по дисциплине: «Основы системного программирования». Билет №3
1. Дан фрагмент программы на ассемблере : push BX push CX push DX push AX mov AX,3508h add BX,AX pop AX pop DX mov AX,CX shl BX,1 not AX В каждом задании даны начальные значения регистров AX,BX,CX,DX. Определить значения этих регистров после выполнения данного фрагмента. AX=0DEDh, BX=0444h, CX=1649h, DX=0000h 2. Дан фрагмент программы на ассемблере : push AX shr BX,1 add CX,BX not CX kjl: add BX,3 loop kjl or AX, DX В каждом задании даны начальные значения регистров AX,BX,CX,DX. Определить знач
User kisa7 : 21 июля 2012
100 руб.
Экзаменационная работа по дисциплине:Распространение радиоволн и антенно-фидерные устройства. Билет №15. (4 семестр).
Билет № 15 1. Замирания радиосигналов на линиях ионосферной связи. Учет замираний при определении необходимой мощности передатчика. 2. Вибратор вблизи проводящей поверхности. 3. Параметры, характеризующие замирания радиосигналов.
User ua9zct : 15 марта 2015
50 руб.
Гидравлические забойные двигателя
Гидравлические забойные двигателя-МАШИНЫ И ОБОРУДОВАНИЕ ДЛЯ БУРЕНИЯ СКВАЖИН НА НЕФТЬ И ГАЗ-Книги-Презентация-Литература-Нефтегазовая промышленность-Руководство по эксплуатации-Паспорт-Каталог-Инструкция-Формуляр-Чертежи-Техническая документация-Курсовая работа-Дипломный проект-Специальность-Буровое оборудование-Нефтегазопромысловое оборудование-Транспорт и хранение нефти и газа-Нефтегазопереработка-Нефть и газ-Добыча полезных ископаемых-Геологоразведка-Машины и оборудование нефтяных и газовых пр
User nakonechnyy_lelya@mail.ru : 23 марта 2020
209 руб.
Гидравлические забойные двигателя
Контрольная работа по дисциплине: Теория телетрафика. Задача №4
Задача №4. На вход коммутационной системы поступает нагрузка по двум пучкам линий, математическое ожидание которой 51 эрланг и 29 эрланг. На выходе ступени объединенная нагрузка распределяется по направлениям пропорционально коэффициентам 0,1; 0,15; 0,3 и 0,45. Определить расчетное значение нагрузки каждого направления и относительное отклонение расчетного значения нагрузки от ее математического ожидания. По результатам расчета сделать вывод.
User Елена22 : 15 апреля 2022
100 руб.
promo
up Наверх