| engineerklub | Дата: Четверг, 13.11.2025, 09:39 | Сообщение # 1 |
 Генералиссимус
Группа: Администраторы
Сообщений: 36270
Статус: Offline
| Нейронные сети и машинное обучение. Темы 1-8. Готовый тест для сдачи в МФПУ «Синергия», МТИ, МОИ, МОСАП
1. Преобразование … используется для обработки категориальных признаков, заменяя их числовыми значениями
масштабирования
нормализации
кодирования
дискретизации
2. Преобразование … разделяет непрерывный признак на несколько интервалов
масштабирования
нормализации
кодирования
дискретизации
3… модели, основанные на нечеткой логике, позволяют учитывать неопределенность и неточность данных
Древовидные
Линейные
Вероятностные
Нечеткие
4… описывает математическое представление зависимости между входными и выходными данными
Модель кластеризации
Модель регрессии
Математическая модель
Вероятностная модель
5. В задаче частичного обучения, … данные обычно составляют большую часть обучающей выборки
6. Важность признаков в случайном лесу можно оценить, измеряя, насколько … точность модели при исключении этого признака
повышается
уменьшается
не изменяется
стабилизируется
7 … — это процесс группировки объектов по схожим характеристикам
Классификация
Регрессия
Кластеризация
Оптимизация
8 … матрицы равен сумме элементов, расположенных на главной диагонали
Ранг
Определитель
След
Минор
9. Векторное … — это множество объектов, называемых векторами, для которых определены операции сложения и умножения на скаляр
10. Векторы, которые образуют … векторного пространства, линейно независимы и порождают все векторы этого пространства
нормаль
базис
ортогональ
диагональ
11. Веса связей в модели Хопфилда определяются с помощью правила …, которое усиливает связи между нейронами, которые активируются одновременно
градиентного спуска
обратного распространения
Хебба
дельта-правила
12. 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.
Регрессия: прогнозирование конкретной суммы кредита, которую можно одобрить заемщику. Входные данные: возраст, доход, кредитная история, профессия. Ожидаемый результат: рекомендуемая сумма кредита в денежных единицах.
Кластеризация: группировка заемщиков по общим признакам (например, возрасту и доходу) без предварительного определения классов риска. Входные данные: возраст, доход, кредитная история, профессия. Ожидаемый результат: группы (кластеры) заемщиков, объединенных по сходству признаков.
Классификация: оценка вероятности невозврата кредита. Входные данные: возраст заемщика, кредитная история, доход, профессия, наличие собственности. Ожидаемый результат: класс риска («высокий риск», «средний риск», «низкий риск»).
Ассоциативные правила: выявление закономерностей между различными характеристиками заемщиков (например, «если заемщик молод и имеет низкий доход, то он часто допускает просрочки»). Входные данные: возраст, доход, кредитная история. Ожидаемый результат: правила, описывающие связи между характеристиками заемщиков.
СКАЧАТЬ
|
| |
|
|
