Добавлен: 10.11.2023
Просмотров: 731
Скачиваний: 11
ВНИМАНИЕ! Если данный файл нарушает Ваши авторские права, то обязательно сообщите нам.
Гистограмма
Круговая диаграмма
Диаграмма рассеивания
Скрипичная диаграмма
Тепловую карту используют для…
...визуализации изменения температуры
...графического представления таблицы корреляций
...отображения географических объектов
...представления частот значений номинального признака
Найдите моду признака по данной диаграмме
Ответ: 2
Какую связь можно наблюдать по данной диаграмме?
Обратная связь
Прямая связь
Какие выводы о взаимосвязи признаков можно сделать по данной диаграмме?
Взаимосвязь отсутствует
Наблюдается линейная связь
Наблюдается нелинейная связь
Выберите принципы грамотной визуализации
Максимум элементов
Легкое сравнение данных
Простой дизайн
Использование 3D-эффектов
Запись чисел с 2 знаками после запятой
Логический порядок
Вычислите межквартильный размах по данной диаграмме
Ответ: 2
Тест 8
Самым маленьким, атомарным компонентом нейронной сети является:
вольтрон
позитрон
нейрон
синапс
Выберите верные утверждения:
Нейронные сети состоят из нейронов, которые объединяются в слои
Нейроны соединяются между собой связями, которые иногда называются синапсами
Нейронные сети состоят из синапсов, которые объединяются в слои
Функция в нейроне, которая определяет силу выходного сигнала называется:
функцией силы
функцией активации
функцией корреляции
Имеется нейрон с весами W=[-1,1]. Нейрон имеет пороговую функцию активации σ(S) = 1, если S>0 σ(S) = 0, если S0≤0. На вход нейрону подается вектор: Х=[-1,-1]. Чему будет равен выход из нейрона?
-1
0
1
Сколько может быть выходов у нейрона промежуточного слоя в полносвязной сети? Выберите ВСЕ верные варианты:
Один
Ни одного
Более одного
Вектор весов нейрона:
Определяет как будет обработан входной вектор
Определяет как будет обработан входной вектор ближайшего нейрона
Подстраивается в процессе обучения нейронной сети
Может состоять только из неотрицательных чисел
Однослойная нейронная сеть - это:
Линейная модель
Эффективный алгоритм кластеризации
Дерево решений
Ничего из вышеперечисленного
Выберите верные утверждения относительно функций активации:
Функция пороговой активации - одна из наиболее жестких функций
Сигмоида возвращает значение в промежутке [0,1]
Функция активации σ(X)=X возвращает значение в промежутке от [0,1]
Все приведенные утверждения не верны
Сколько будет связей в полносвязной нейронной сети с 3 нейронами входного слоя, 2 нейронами промежуточного слоя и 1 выходным нейроном (3-2-1)?
6
8
9
Задача обучения нейронной сети сводится к тому, чтобы:
Подобрать количество нейронов таким образом, чтобы предсказанные значения y’ как можно меньше отличались от реальных y
Подобрать веса нейронов таким образом, чтобы предсказанные значения y’ как можно больше отличались от реальных y
Подобрать веса нейронов таким образом, чтобы предсказанные значения y’ как можно меньше отличались от реальных y
Функция потерь нужна для того, чтобы:
Оценить время обучения нейронной сети
Оценить сложность обучения нейронной сети
Оценить качество нейронной сети на данных обучающей выборки
Одна из наиболее распространенных функций потерь для задачи регрессии:
квадрат разности - (y'-y)^2
Результат деления y/y'
Куб разности - (y'-y)^3
Как можно инициализировать веса нейронной сети?
Маленькими случайными значениями в диапазоне (0,0.5)
Большими случайными значениями в диапазоне (100,1000)
Нулевыми значениями
Любым из вышеперечисленных способов
Дана сеть из трех слоев: Входной слой - 2 нейрона (x1,x2) Промежуточный слой - 2 нейрона (z1,z2) Выходной нейрон (y) Веса нейронов соответственно: x1 -> z1 = 2 x1 -> z2 = 1 x2 -> z1 = 0 x2 -> z2 = 1 z1 -> y = 2 z2 -> y = 1 Функции активации на всех слоях - σ(X)=X Дан входной вектор: [x1,x2] = [2,3] Рассчитайте выходное значение y:
0
13
4
8
Выберите ВСЕ верные ответы. Увеличение количества слоев и нейронов в сети:
Гарантированно приводит к повышению точности на тренировочной выборке
Гарантированно приводит к повышению точности на тестовой выборке
Может привести к переобучению сети
Выберите ВСЕ верные ответы. Регуляризация в нейронных сетях:
Нужна для того чтобы ускорить процесс обучения
Нужна для того чтобы запретить нейронной сети быть слишком сложной
Нужна для того чтобы запретить нейронной сети быть слишком простой
Нужна для того чтобы предотвратить переобучение
Тест 9.
Компьютерное зрение - это:
Теория и методы работы с изображениями и видео с помощью математических алгоритмов
Кибернетическая наука о реконструкции глаз в цифровой форме
Наука, не имеющая с нейронными сетями ничего общего
Изображение как цифровой объект можно представить:
В виде набора пикселей размером NxWxH, где N - число цветовых каналов, W,H - ширина и высота
В виде набора функций, применяемых к целому числу
нельзя представить в цифровом виде
Задача классификации изображений состоит в том чтобы:
Определить, к какому классу относится данное изображение
Определить, где на изображении представлен объект
Сгруппировать похожие изображения
Трекинг в контексте компьютерного зрения это:
Отслеживание посылок по почте
Отслеживание перемещения объектов на потоке изображений
Ничего из вышеперечисленного
Полносвязные сети не очень хорошо решают задачи классификации изображений по тому, что:
Ничего подобного, полносвязные сети отлично решают задачи классификации изображений
Количество весов в такой полносвязной сети получается огромным и для обучения такой сети нужна очень большая выборка
Полносвязные сети не учитывают совместную геометрию объектов
Сверточные сети почти всегда содержат слои:
Круговая диаграмма Диаграмма рассеивания Скрипичная диаграммаТепловую карту используют для…
...визуализации изменения температуры ...графического представления таблицы корреляций ...отображения географических объектов ...представления частот значений номинального признакаНайдите моду признака по данной диаграмме
Ответ: 2
Какую связь можно наблюдать по данной диаграмме?
Обратная связь Прямая связьКакие выводы о взаимосвязи признаков можно сделать по данной диаграмме?
Взаимосвязь отсутствует Наблюдается линейная связь Наблюдается нелинейная связьВыберите принципы грамотной визуализации
Максимум элементов Легкое сравнение данных Простой дизайн Использование 3D-эффектов Запись чисел с 2 знаками после запятой Логический порядок
Вычислите межквартильный размах по данной диаграмме
Ответ: 2
Тест 8
Самым маленьким, атомарным компонентом нейронной сети является:
вольтрон позитрон нейрон синапсВыберите верные утверждения:
Нейронные сети состоят из нейронов, которые объединяются в слои Нейроны соединяются между собой связями, которые иногда называются синапсами Нейронные сети состоят из синапсов, которые объединяются в слоиФункция в нейроне, которая определяет силу выходного сигнала называется:
функцией силы функцией активации функцией корреляцииИмеется нейрон с весами W=[-1,1]. Нейрон имеет пороговую функцию активации σ(S) = 1, если S>0 σ(S) = 0, если S0≤0. На вход нейрону подается вектор: Х=[-1,-1]. Чему будет равен выход из нейрона?
-1 0 1Сколько может быть выходов у нейрона промежуточного слоя в полносвязной сети? Выберите ВСЕ верные варианты:
Один Ни одного Более одногоВектор весов нейрона:
Определяет как будет обработан входной вектор Определяет как будет обработан входной вектор ближайшего нейрона Подстраивается в процессе обучения нейронной сети
Может состоять только из неотрицательных чисел
Однослойная нейронная сеть - это:
Линейная модель Эффективный алгоритм кластеризации Дерево решений Ничего из вышеперечисленногоВыберите верные утверждения относительно функций активации:
Функция пороговой активации - одна из наиболее жестких функций Сигмоида возвращает значение в промежутке [0,1] Функция активации σ(X)=X возвращает значение в промежутке от [0,1] Все приведенные утверждения не верныСколько будет связей в полносвязной нейронной сети с 3 нейронами входного слоя, 2 нейронами промежуточного слоя и 1 выходным нейроном (3-2-1)?
6 8 9Задача обучения нейронной сети сводится к тому, чтобы:
Подобрать количество нейронов таким образом, чтобы предсказанные значения y’ как можно меньше отличались от реальных y Подобрать веса нейронов таким образом, чтобы предсказанные значения y’ как можно больше отличались от реальных y Подобрать веса нейронов таким образом, чтобы предсказанные значения y’ как можно меньше отличались от реальных yФункция потерь нужна для того, чтобы:
Оценить время обучения нейронной сети Оценить сложность обучения нейронной сети
Оценить качество нейронной сети на данных обучающей выборки
Одна из наиболее распространенных функций потерь для задачи регрессии:
квадрат разности - (y'-y)^2 Результат деления y/y' Куб разности - (y'-y)^3Как можно инициализировать веса нейронной сети?
Маленькими случайными значениями в диапазоне (0,0.5) Большими случайными значениями в диапазоне (100,1000) Нулевыми значениями Любым из вышеперечисленных способовДана сеть из трех слоев: Входной слой - 2 нейрона (x1,x2) Промежуточный слой - 2 нейрона (z1,z2) Выходной нейрон (y) Веса нейронов соответственно: x1 -> z1 = 2 x1 -> z2 = 1 x2 -> z1 = 0 x2 -> z2 = 1 z1 -> y = 2 z2 -> y = 1 Функции активации на всех слоях - σ(X)=X Дан входной вектор: [x1,x2] = [2,3] Рассчитайте выходное значение y:
0 13 4 8Выберите ВСЕ верные ответы. Увеличение количества слоев и нейронов в сети:
Гарантированно приводит к повышению точности на тренировочной выборке Гарантированно приводит к повышению точности на тестовой выборке Может привести к переобучению сетиВыберите ВСЕ верные ответы. Регуляризация в нейронных сетях:
Нужна для того чтобы ускорить процесс обучения Нужна для того чтобы запретить нейронной сети быть слишком сложной Нужна для того чтобы запретить нейронной сети быть слишком простой
Нужна для того чтобы предотвратить переобучение
Тест 9.
Компьютерное зрение - это:
Теория и методы работы с изображениями и видео с помощью математических алгоритмов Кибернетическая наука о реконструкции глаз в цифровой форме Наука, не имеющая с нейронными сетями ничего общегоИзображение как цифровой объект можно представить:
В виде набора пикселей размером NxWxH, где N - число цветовых каналов, W,H - ширина и высота В виде набора функций, применяемых к целому числу нельзя представить в цифровом видеЗадача классификации изображений состоит в том чтобы:
Определить, к какому классу относится данное изображение Определить, где на изображении представлен объект Сгруппировать похожие изображенияТрекинг в контексте компьютерного зрения это:
Отслеживание посылок по почте Отслеживание перемещения объектов на потоке изображений Ничего из вышеперечисленногоПолносвязные сети не очень хорошо решают задачи классификации изображений по тому, что:
Ничего подобного, полносвязные сети отлично решают задачи классификации изображений Количество весов в такой полносвязной сети получается огромным и для обучения такой сети нужна очень большая выборка Полносвязные сети не учитывают совместную геометрию объектовСверточные сети почти всегда содержат слои: