Методология разработки решений на основе искусственного интеллекта.фип_БАК_ПИ_н/с

Скачать тест — (Методология разработки решений на основе искусстве_0d39b553.pdf)

1. Машинное обучение — это область …, которая фокусируется на разработке алгоритмов, способных обучаться на данных.
   (выберите один правильный ответ)
2. Какой из приведенных факторов НЕ относится к предпосылкам машинного обучения? (выберите один правильный ответ)
3. Какая из перечисленных задач относится к компонентам машинного обучения? (выберите один правильный ответ)
4. Основная цель машинного обучения заключается в … (выберите один правильный ответ)
5. Как называется процесс выбора модели для обучения? (выберите один правильный ответ)
6. Какая из следующих задач НЕ относится к компонентам машинного обучения? (выберите один правильный ответ)
7. Область науки и технологий, связанная с обучением машин на данных, называется …
8. Процесс изменения параметров модели на основе входных данных называется …
9. Назовите одну из предпосылок к развитию машинного обучения.
10. Какие два ключевых компонента используются в машинном обучении?
11. Этап подготовки данных в машинном обучении используется для …
12. Основная цель машинного обучения – это …
13. Установите соответствие между терминами и их определениями:
14. Установите соответствие между задачами машинного обучения и их примерами:
15. Установите соответствие между этапами машинного обучения и их описанием:
16. Установите соответствие между типами данных и их примерами:
17. Расположите этапы разработки модели машинного обучения в правильной последовательности:
18. Расположите компоненты машинного обучения в порядке их использования:
19. Расположите предпосылки развития машинного обучения в хронологическом порядке:
20. Расположите задачи машинного обучения в порядке их сложности для реализации:
21. Искусственный интеллект — это … (выберите один правильный ответ)
22. Глубокое обучение отличается от классического машинного обучения тем, что … (выберите один правильный ответ)
23. Какой из перечисленных слоев является ключевым компонентом глубокой нейронной сети? (выберите один правильный ответ)
24. Глубокое обучение чаще всего используется для … (выберите один правильный ответ)
25. Какой из методов обучения чаще всего применяется в глубоком обучении? (выберите один правильный ответ)
26. Основная цель глубокого обучения заключается в … (выберите один правильный ответ)
27. Укажите ключевую особенность глубокой нейронной сети.
28. Как называется алгоритм оптимизации, используемый для настройки параметров в глубоком обучении?
29. В каком кейсе чаще всего используется глубокое обучение?
30. Основной принцип работы нейронных сетей в глубоком обучении – это …
31. Какие данные необходимы для обучения глубокой нейронной сети?
32. Назовите одну из задач, успешно решаемых с использованием глубокого обучения.
33. Установите соответствие между понятиями и их определениями:
34. Установите соответствие между методами глубокого обучения и их применением:
35. Установите соответствие между кейсами применения машинного обучения и задачами:
36. Установите соответствие между терминами и их описанием:
37. Расположите этапы работы глубокой нейронной сети в правильной последовательности:
38. Расположите ключевые вехи развития ИИ в хронологическом порядке:
39. Расположите алгоритмы по степени их сложности:
40. Расположите этапы применения глубокого обучения в реальных кейсах:
41. Классификация задач машинного обучения включает … (выберите один правильный ответ)
42. Основное отличие обучения с учителем от обучения без учителя заключается в … (выберите один правильный ответ)
43. Примером задачи обучения без учителя является … (выберите один правильный ответ)
44. В задачах регрессии результатом работы модели является … (выберите один правильный ответ)
45. Что является примером задачи классификации?(выберите один правильный ответ)
46. Какой из алгоритмов чаще всего используется для задач регрессии? (выберите один правильный ответ)
47. Основная цель обучения с учителем – это …
48. Примером задачи регрессии может быть …
49. Пример слабо-наблюдаемого обучения – это …
50. Классификация отличается от регрессии тем, что она предсказывает …
51. Ключевой принцип работы алгоритмов обучения без учителя – это …
52. Задача обучения с учителем – это построение модели для …
53. Установите соответствие между видами обучения и их характеристиками:
54. Установите соответствие между задачами и их типами:
55. Установите соответствие между типами алгоритмов машинного обучения и их задачами:
56. Установите соответствие между терминами и их определениями:
57. Расположите этапы постановки задачи обучения с учителем в правильной последовательности:
58. Расположите этапы работы алгоритма классификации:
59. Расположите типы обучения по уровню сложности:
60. Расположите этапы работы алгоритма кластеризации в правильной последовательности:
61. Основной целью алгоритмов кластеризации является … (выберите один правильный ответ)
62. Какой из алгоритмов чаще всего используется для кластеризации? (выберите один правильный ответ)
63. Ассоциативные правила используются для … (выберите один правильный ответ)
64. Основным понятием в обучении с подкреплением является … (выберите один правильный ответ)
65. Какая стратегия используется в обучении с подкреплением? (выберите один правильный ответ)
66. Что из перечисленного относится к методу снижения размерности данных? (выберите один правильный ответ)
67. Примером алгоритма кластеризации является …
68. Метод снижения размерности используется, когда необходимо уменьшить количество …
69. Пример применения ассоциативных правил – это рекомендация …
70. Основная задача обучения с подкреплением – это оптимизация …
71. Какой показатель используется для оценки качества кластеризации?
72. «Наградная функция» в обучении с подкреплением определяет, насколько хорошо агент выполняет …
73. Установите соответствие между методами и их характеристиками:
74. Установите соответствие между методами и их примерами:
75. Установите соответствие между этапами и их задачами:
76. Расположите этапы работы алгоритма снижения размерности:
77. Расположите этапы обучения с подкреплением в правильной последовательности:
78. Расположите этапы разработки ML-проекта:
79. Расположите процессы по их применению в машинном обучении:
80. Расположите этапы работы алгоритма ассоциации:
81. Машинное обучение — это процесс …
82. Основная цель глубокого обучения — это …
83. Метрика точности в задачах классификации показывает …
84. В обучении с подкреплением агент …
85. Регрессия используется для решения задач, связанных с …
86. Кластеризация применяется для …
87. Выберите пример задачи классификации:
88. Метод главных компонент (PCA) используется для …
89. В чем отличие обучения с учителем от обучения без учителя?
90. Модель машинного обучения — это …
91. Какой из следующих методов относится к обучению без учителя?
92. Ключевой элемент в методологии разработки ML-проекта — это …
93. Выберите пример задачи ассоциации:
94. Что представляет собой обучающая выборка?
95. В чем состоит задача регрессии?
96. Как называется процесс разделения данных на обучающую и тестовую выборки?
97. Выберите правильное утверждение о кросс-валидации:
98. Что определяет метрика F1-score?
99. Выберите пример применения обучения с подкреплением:
100. Как называется подход, при котором модель учится на примерах с правильными ответами?
101. Ключевая метрика для задач регрессии — это …
102. Что такое оверфиттинг?
103. Как называется метод, который уменьшает размерность данных, сохраняя максимальную информацию?
104. Обучение без учителя не требует:
105. Какой подход применяется для анализа временных рядов?
106. Что делает гиперпараметризация модели?
107. Как называется процесс удаления нерелевантных признаков из данных?
108. Какие данные используются в обучении с подкреплением?
109. Что такое «шум» в данных?
110. Какой из следующих методов уменьшает переобучение модели?
111. Какой алгоритм чаще всего используется для кластеризации?
112. Для чего применяется техника one-hot encoding?
113. Обучение с учителем требует наличия …
114. Ключевая метрика в задачах классификации – это …
115. Основная цель кластеризации – это …
116. F1-score – это метрика, объединяющая …
117. Ключевые этапы разработки ML-проекта: постановка задачи, сбор данных, обработка, выбор модели, …
118. Процесс, при котором модель улучшает предсказания через взаимодействие с окружением – это …
119. Разница между обучением с учителем и без учителя в наличии …
120. Переобучение (overfitting) – это слишком сильная подгонка модели под …
121. Два основных типа алгоритмов регрессии – это …
122. Кросс-валидация используется для предотвращения …
123. Глубокое обучение использует нейронные сети с множеством …
124. Методика обучения с подкреплением включает использование …
125. Ошибка второго рода возникает при …
126. Нормализация данных помогает улучшить …
127. Для борьбы с overfitting используют регуляризацию, уменьшение сложности или большее количество …
128. Классификация предсказывает категории, а регрессия предсказывает …
129. Градиентный спуск минимизирует …
130. В обучении без учителя модель ищет скрытые …
131. Алгоритм k-NN классифицирует объект по …
132. Для уменьшения размерности данных используется метод …
133. Некачественные данные приводят к …
134. Понижение размерности сохраняет важную …
135. Регрессия в машинном обучении – это прогнозирование …
136. Нейронная сеть имитирует работу …
137. Обучение на небольших данных требует применения …
138. Метод опорных векторов (SVM) использует …
139. Минимизация функции потерь снижает …
140. Метод k-средних делит данные на заданное число …
141. Укажите один из методов для оценки производительности модели машинного обучения, который используется для проверки точности классификации.
142. Назовите один из методов нормализации данных, который используется для приведения всех признаков к одному масштабу: .
143. Основное отличие между обучением с учителем и обучением без учителя – это наличие …
144. Укажите один из методов для решения задачи регрессии в машинном обучении.
145. Установите соответствие между типами обучения и примерами задач:
146. Установите соответствие между методами машинного обучения и их описаниями:
147. Установите соответствие между алгоритмами машинного обучения и их типами задач:
148. Установите соответствие между типами данных и методами обработки:
149. Установите соответствие между примерами задач машинного обучения и типами алгоритмов:
150. Установите соответствие между метриками и их применением:
151. Установите соответствие между методами регрессии и их особенностями:
152. Соотнесите алгоритмы машинного обучения с их основными особенностями:
153. Расположите этапы разработки модели машинного обучения в правильной последовательности:
154. Расположите шаги при выполнении метода кросс-валидации в правильном порядке:
155. Упорядочите этапы обработки данных в правильной последовательности:
156. Расположите этапы работы с моделью машинного обучения по порядку:
157. Упорядочите методы обучения на основе сложности, начиная с самого простого:
158. Расположите этапы настройки гиперпараметров модели в правильной последовательности:
159. Расположите этапы работы с текстовыми данными в правильной последовательности:
160. Упорядочите этапы работы с алгоритмами классификации в правильной последовательности: