Тесты на тему "Ответы на тест | Искусственный интеллект и нейронные сети Итоговый + Компетентностный тест | Синергия"

Тема 1. Введение в машинное обучение и нейросети

Тема 2. Основы работы нейросетей

Тема 3. Сверточные нейронные сети

Тема 4. Оптимизация нейросетей

Тема 5. Библиотеки для работы с нейросетями

Тема 6. Введением в обработку естественного языка

Тема 7. Реккурентные нейронные сети, работа с последовательностями

Тема 8. Введение в обучение с подкреплением. Policy gradients

Заключение

Итоговая аттестация

o Итоговый тест

o Компетентностный тест

Описание работы

… – основная сложность синтаксического анализа английского языка с помощью компьютера


… – первый нейрокомпьютер, разработанный в 1960 году



… – это алгоритм, который умеет анализировать состояние среды и совершать в ней какие-то действия



… – это понятие впервые использовано в перцептроне

· машинное обучение

· искусственный интеллект

· нейронные сети

· биг дата



… — важный компонент архитектуры нейронных сетей


... — виртуальный мир, в котором существует наш Агент и своими действиями может менять его состояние



… в нейронных сетях позволяет делать эффективнее собакам в классификации изображений



… использовалась в данном случае


… используется для оценки ошибки


… надо получить на выходе сверточных нейронных сетей


… нейронные сети – это класс алгоритмов машинного обучения, специально разработанных для обработки и анализа данных с пространственной (например, изображения) или временной (например, звуковые сигналы) структурой


… повторяется процесс с другими весами

для учета разных критериев похожести слов

для учета только смысловой нагрузки слов

для учета только грамматической похожести слов

нет правильного ответа


… подается на вход сверточным нейронным сетям


… свертки – это основной строительный блок сверточной нейронной сети, применяющий фильтры свертки к входным данным с целью выделения признаков


… требовалось для достижения этого прорыва


… является наградой в этой игре


… являются корреляционными параметрическими методами

методы оценки связи между количественными переменными

методы строительства корреляционного поля

методы построения графиков функции регрессии

методы анализа выборки данных



Алгоритмы обучения … – для таких алгоритмов не нужно собирать базы данных


Аудио — это … последовательность



В … году была основана лаборатория искусственного интеллекта Массачусетского Технологического Института

1959

1961

1988

2009



В … году было изобретено первое беспилотное транспортное средство в лаборатории Стэнфордского университета



В … году Карнеги Мэллои создает беспилотный автомобиль с использованием нейронных сетей



В 1957 году Фрэнк Розенблатт придумал …, который представлял собой обучаемую систему



В 1978 году Дуглас Леннон создал самообучающуюся систему …


В библиотеке Caffe топология нейросетей, исходные данные и способ обучения задаются с помощью конфигурационных файлов в формате …



В документации к каждому оптимизатору приводится …



В компании разрабатывают нейросеть для распознавания изображений. Вы были назначены на проект. Определите оптимальное количество скрытых слоев для нейросети



В нейролингвистическом программировании (NLP) происходит …

обучение модели на базе данных

решение сложных задач в машинном обучении

выделение и классификация различных частей речи

создание моделей для различных частей обработки естественного языка



В популярные библиотеки глубокого обучения встроены такие оптимизаторы, как:



Ваша компания разрабатывает программу обработки естественного языка для автоматического категоризирования текстов по их настроению. Вам поручено проверить, какая из трех предлагаемых методик обработки языка будет наиболее эффективной. Какой метод обработки естественного языка наиболее эффективен для категоризации текстов по настроению?



Векторы … добавляются в эмбеддинги всех слов предложения


Время классификации одного изображения оценивает такой критерий, как:

гибкость настройки связей

объем функционала

скорость классификации

удобство использования



Всплеск интереса к нейронным сетям возник в …



Вы работаете в компании, специализирующейся на распознавании изображений с помощью сверточных нейронных сетей. Вашей задачей является определение, насколько точно модель сети решает поставленную задачу. Какой показатель лучше всего описывает точность сверточной нейронной сети?


Вы разрабатываете алгоритм для управления роботом-пылесосом в помещении. Цель алгоритма - максимально эффективно убирать помещение, избегая столкновений со стенами и предметами. Выберете подходящий метод обучения с подкреплением для тренировки робота.



Вы являетесь разработчиком и работаете над созданием рекуррентных нейронных сетей для анализа текстовых данных. Вашей задачей является определить, какая из предложенных реккурентных нейронных сетей наиболее подходит для анализа последовательностей слов в предложении. Какая из нижеперечисленных реккурентных нейронных сетей лучше всего подходит для работы с последовательностями слов в предложениях?



Гибкость настройки связей между слоями оценивает такой критерий, как:

объем функционала

скорость классификации

гибкость настройки связей

наличие и удобство использования документации



Глубокое обучение – это метод …



Глубокое обучение рассматривает методы моделирования высокоуровневых … в данных с помощью множества последовательных нелинейных трансформаций



Для понимания особенностей английского языка компьютер необходимо научить …

пониманию структурированных данных

распознаванию именованных объектов

определению значения слов в предложениях

базовым концепциям письменного языка



До применения нейронных сетей в этой задаче люди …

реализовывали различные алгоритмы для каждой игры

обучали нейронные сети без использования методов

разрабатывали новые игровые консоли

играли в компьютерные игры для разработки стратегий



Интерес к нейронным сетям возобновился в …годы

1940–1950-е

1970–1980-е

1990–2000-е

2010–2020-е



Исчезающий градиент для реккурентной нейронной сети (RNN) означает …



Когда компьютер встречает новое слово, он …


Кратковременная память вызвана печально известной проблемой … градиента



Машинное обучение в сравнении с традиционными методами обработки данных осуществляется …



На выходе после конкатенации векторов получается …

взвешенный вектор первого слова предложения

вектор первого слова предложения

несколько векторов с весами остальных слов предложения

взвешенная сумма всех слов предложения



На эффективность и скорость обучения Агента оказывает следующее изменение параметров среды:

никакое

положительное

отрицательное

случайное



Набор статистики ходов занимает следующую часть работы алгоритма по обучению Агента:

основное время работы

второстепенное время работы

зависит от параметров нейросети

не занимает времени



Наличие реализации типовых методов глубокого обучения оценивает такой критерий, как:

объем функционала

скорость классификации

гибкость настройки связей

наличие и удобство использования документации



Нейронная сеть делает ошибку следующего типа на изображении с далматином и вишне:

предсказывает далматина

предсказывает вишню

предсказывает обезьяну

ошибки нет



Нейронные сети – один из самых тяжеловесных … машинного обучения



Нейронные сети … на маленьком объеме данных

хорошо обобщают

плохо обобщают

используют сложные алгоритмы

работают только с изображениями



Нейронные сети критичны к …

объему данных

вычислительным ресурсам

объему обучающей выборки

типу информации



Нейронные сети отличаются от других алгоритмов машинного обучения тем, что они …

работают только с изображениями

выделяют новые признаки самостоятельно

не требуют обучающей выборки

основаны на геометрических линиях



Нейронные сети уступили место другим алгоритмам машинного обучения, потому что …

более сложные в использовании

меньшая точность

недостаток вычислительных ресурсов

более сильные алгоритмы


Нейронным сетям помогает учиться признак использования градиента, получивший название …



Новая архитектура для работы с последовательностями – Transformer базируется на …


Новые признаки, полученные после операции свертки, находятся в …



Обработка … языка — это раздел информатики и искусственного интеллекта, который занимается взаимодействием между компьютерами и человеческими языками



Основная задача обработки естественного языка – это …



Отсортируйте следующие библиотеки для работы с нейросетями по поддерживаемым языкам программирования в алфавитном порядке:

1) Caffe

2) MXNet

3) PyTorch

4) TensorFlow


Оценивает время обучения нейросетевых моделей такой критерий, как:

скорость обучения

гибкость настройки связей

удобство использования

объем функционала




Первая ячейка … сети была предложена в 1943 году Уорреном Маккалоком и Уолтером Питтсом



Первый самообучающийся компьютер появился в … году


Перцептрон придумал …

Фрэнк Розенблатт

Айзек Азимов

Артур Сэмюэл

Джон Маккарти



Пометка частью речи в рамках нейролингвистического программирования – это процесс …

определения окончательной стоимости продукции

присвоения каждому слову в предложении определенной части речи

оценки качества текстового материала

распознавания голоса



После каждой … весовые значения будут обновляться



После сложения «ослабленных» векторов всех слов предложения получаются такие выходные вектора, как:

одномерный вектор размерности одного эмединга

вектор первого слова предложения

вектор второго слова предложения

все векторы всех слов предложения



Работа алгоритма начинается с выбора некоторых случайных значений обоих весов и вычисления значения …



Работа стандартного алгоритма градиентного спуска рассматривается на таком типе изображения, как:

2D-изображения

3D-изображения

цветные изображения

градиентные изображения



Распознавание именованных объектов (NER) в рамках нейролингвистического программирования – это процесс …

распознавания лиц на фотографиях

распознавания и категоризации именованных объектов в тексте

распознавания смысла фразы

распознавания настроения в тексте



Расположите следующие библиотеки для работы с нейросетями в порядке их возникновения (от самой старой до наиболее новой):

Тип ответа: Сортировка

1Theano

2Caffe

3TensorFlow

4PyTorch




Расположите следующие типы реккурентных нейронных сетей по убыванию количества обратных связей:

Тип ответа: Сортировка

1GRU

2LSTM

3Simple RNN



Расположите следующие функции активации в порядке их применения в нейронной сети:

Тип ответа: Сортировка

1 сигмоидная функция

2 ректифицированная линейная функция (ReLU)

3 гиперболический тангенс



Расположите следующие функции активации нейронов по возрастанию нелинейности:

Тип ответа: Сортировка

1линейная функция

2гиперболический тангенс

3сигмоидальная функция

4ReLU (Rectified Linear Unit)



Самой распространённой в нейронных сетях является техника оптимизации такая, как:


Самые простые признаки изображений – это …



Сверточные нейронные сети классифицируют …

изображения домов

геометрические линии

признаки, разработанные людьми

различные объекты на изображениях



Сеть … распространения не имеет в себе никакой памяти


Системы нейролингвистического программирования в значительной степени полагаются на … ресурсы



Сопоставьте понятия и их описания:

A. Машинное обучение

B. Нейросети

C. Введение в машинное обучение и нейросети

D. алгоритмы, которые позволяют компьютеру обучаться на основе данных и принимать решения без явного программирования

E. сети искусственных нейронов, способные обучаться на примерах и применять полученные знания для решения задач

F. книга или курс, ознакамливающий с основами машинного обучения и нейросетей



Сопоставьте понятия и их описания:

A. Биграммы

B. Триграммы

C. Униграммы

D. пары соседних слов

E. тройки соседних слов

F. отдельные слова



Сопоставьте понятия и их описания:

A. Конволюционная операция

B. Пулинг операция

C. Активационная функция

D. математическое преобразование для выделения признаков из изображений

E. упрощение изображения путем уменьшения его размерности

F. функция, определяющая активацию нейронов в сверточной нейронной сети



Сопоставьте понятия и их описания:

A. LSTM

B. GRU

C. RNN

D. реккурентная нейронная сеть, использующая механизмы забывания, добавления и обновления информации

E. реккуррентная нейронная сеть с более простыми механизмами забывания и обновления информации

F. базовый тип реккурентной нейронной сети для работы с последовательностями



Сопоставьте понятия и их описания:

A. Введение в обучение с подкреплением -

B. Policy gradients

C. Подкрепление

D. область исследования машинного обучения, связанная с разработкой алгоритмов для обучения интеллектуальных агентов на основе обратной связи

E. метод обучения, основанный на оптимизации функции направленного градиента политики

F. техника формирования ловушек с целью обучения агента, использующая систему наград и штрафов



Сопоставьте понятия и их описания:

A. Данные обучения

B. Эпоха

C. Пакет

D. одно полное прохождение по всем примерам данных обучения

E. набор примеров данных, используемых для настройки параметров нейронной сети

F. множество примеров данных, на которых обновляются веса нейронной сети



Сопоставьте понятия и их описания:

A. Дропаут

B. L1 регуляризация

C. L2 регуляризация

D. метод, который случайным образом обнуляет некоторые нейроны во время обучения для уменьшения переобучения модели

E. регуляризация, которая добавляет к функции потерь модули весовых коэффициентов для штрафования больших весов

F. регуляризация, которая добавляет к функции потерь квадраты весовых коэффициентов для штрафования больших весов



Сопоставьте понятия и их описания:

A. Caffe

B. Theano

C. MXNet

D. простой в использовании и эффективный фреймворк для глубокого обучения, предназначенный для разработки нейросетей различных архитектур

E. библиотека для разработки глубоких нейронных сетей, оптимизированная для использования на множестве графических процессоров

F. высокоэффективная библиотека глубокого обучения с широким функционалом и поддержкой операций на графических ускорителях



Сопоставьте понятия и их описания:

A. Torch

B. CNTK

C. DeepLearning4j

D. многоплатформенный инструмент глубокого обучения для создания и обучения нейронных сетей

E. фреймворк для разработки глубоких нейронных сетей, предлагающий реализацию множества алгоритмов и моделей машинного обучения

F. гибкая и мощная библиотека для научных исследований с использованием глубокого обучения



Сопоставьте понятия и их описания:

A. Прямое распространение

B. Обратное распространение

C. Функция потерь

D. математическая функция, которая измеряет разницу между предсказанными и фактическими значениями

E. алгоритм, который используется для обновления весов нейронной сети с целью минимизации ошибки

F. алгоритм, который используется для передачи информации от входных нейронов до выходных нейронов



Сопоставьте понятия и их описания:

A. Сверточный слой

B. Полносвязный слой

C. Выходной слой

D. слой, в котором происходит преобразование сверточной операцией

E. слой, в котором каждый нейрон соединен со всеми нейронами предыдущего слоя

F. слой, в котором происходит окончательная классификация или предсказание



Сопоставьте понятия и их описания:

A. Стрид

B. Загиб

C. Фильтр

D. параметр сверточной операции, определяющий размер шага скользящего окна

E. изгиб или искривление границ изображения для выделения особых признаков

F. матрица весов, применяемая при свертке для выделения определенных признаков



Сопоставьте понятия и их описания:

A. Морфологический анализ

B. Синтаксический анализ

C. Семантический анализ

D. анализ формы и грамматических характеристик слов

E. анализ структуры предложений и связей между словами

F. анализ значения слов и выражений



Сопоставьте понятия и их описания:

A. Forward pass

B. Backpropagation Through Time

C. Training

D. процесс, в ходе которого модель получает входные данные и передает их через нейронную сеть, получая выходные результаты

E. алгоритм обратного распространения ошибки во времени, используемый для обучения реккурентных нейронных сетей

F. процедура настройки параметров реккурентной нейронной сети на тренировочных данных



Сопоставьте понятия и их описания:

A. Регрессия

B. Классификация

C. Кластеризация

D. метод, прогнозирующий численные значения на основе имеющихся данных

E. метод, используемый для разделения объектов на категории или классы на основе их признаков

F. метод, группирующий объекты в похожие кластеры на основе сходства их признаков



Сопоставьте понятия и их описания:

A. Обучение с учителем

B. Обучение без учителя

C. Обучение с подкреплением

D. обучение, при котором модель получает обратную связь в виде правильных ответов на каждый входной пример

E. обучение, при котором модель самостоятельно изучает данные и находит в них закономерности без предоставления правильных ответов

F. обучение, при котором модель обучается на основе положительных и отрицательных наград за свои действия



Сопоставьте понятия и их описания:

A. Policy gradients

B. Эксплорация и эксплуатация

C. Функция награды

D. метод обучения, направленный на построение и оптимизацию политики агента

E. противостояние между исследованием новых вариантов поведения и использованием уже изученных и хорошо себя зарекомендовавших

F. функция, которая определяет, насколько успешно агент выполнил заданную задачу



Специфика сверточных нейронных сетей заключатся в следующем:



Стандартный алгоритм градиентного спуска связан с кривой …

обучения

ошибки

потерь

точности



Стохастический градиентный спуск – это …

алгоритм, при котором коэффициенты меняются после обсчета N элементов выборки

алгоритм, при котором коэффициенты меняются после обсчета всей выборки

алгоритм, при котором значения потерь и градиентов меняются при изменении входных данных

алгоритм, при котором алгоритм застревает на определенных участках ландшафта



Тест Тьюринга был предложен …



Тест Тьюринга был предложен в … году


Тренировочная часть набора данных MNIST (базы данных) содержит … изображений



Удобство использования библиотеки оценивает такой критерий, как:

скорость обучения

гибкость настройки связей

удобство использования

объем функционала



Упорядочите следующие архитектуры нейронных сетей по возрастанию сложности:

1простая однослойная нейронная сеть

2многослойная нейронная сеть

3рекуррентная нейронная сеть

4глубокая нейронная сеть со сверточными слоями




Упорядочите следующие компоненты от самого входа до выхода:

1сверточный слой

2пулинг слой

3полносвязный слой

4выходной слой



Упорядочите следующие методы обработки естественного языка по степени распространенности использования:

Тип ответа: Сортировка

1 статистический анализ

2 машинное обучение

3 правила и шаблоны



Упорядочите следующие методы оптимизации нейросетей по возрастанию сложности:

1 стохастический градиентный спуск

2 метод адама

3 метод Ньютона



Упорядочите следующие методы регуляризации нейросетей по влиянию на модель:

1Dropout регуляризация

2L2 регуляризация

3L1 регуляризация



Упорядочите следующие примеры задач по работе с последовательностями в порядке наиболее подходящих для реккурентных нейронных сетей:

1 машинный перевод

2 классификация текстовых документов

3 распознавание голоса



Упорядочите следующие типы анализа текста по возрастанию сложности:

1 морфологический анализ

2 синтаксический анализ

3 семантический анализ



Упорядочите следующие типы нейронных сетей по количеству слоев (от наименьшего к наибольшему):

1рекуррентнаянейронная сеть (Recurrent Neural Network)

2 сверточнаянейронная сеть (Convolutional Neural Network)

3 полносвязная нейронная сеть (Fully Connected Network)



Упорядочите следующие шаги в алгоритме Policy Gradients в порядке их выполнения:

1вычисление вероятностей каждого действия с помощью текущей политики

2вычисление функции вознаграждения по эпизоду

3вычисление градиента логарифма вероятности выбранного действия

4обновление параметров политики с помощью градиентного спуска

5выбор действия на основе вероятностей, вычисленных ранее



Упорядочите следующие шаги в обучении модели Policy Gradients в порядке их выполнения:

1генерация нескольких эпизодов с помощью текущей политики

2вычисление функции потери

3расчёт градиента функции потери по параметрам политики

4обновление параметров политики с помощью градиентного спуска

5повторение шагов a-d до достижения сходимости



Упорядочите следующие шаги в процессе обучения сверточной нейронной сети:

1 инициализация весов

2 прямое распространение (forward pass)

3 определение функции потерь

4 обратное распространение (backpropagation)

5 регуляризация весов



Упорядочите следующие шаги при использовании алгоритма Policy Gradients для обучения модели:

1 собираем данные для обучения, играя взаимодействуя с окружением на основе текущей стратегии

2 определяем архитектуру модели и оптимизационную функцию

3 вычисляем градиенты функции потерь по параметрам модели

4 обновляем параметры модели, используя градиенты из предыдущего шага



Упорядочите следующие шаги при обучении реккурентной нейронной сети:

1 подготовка обучающих данных

2 инициализация весов модели

3 прогнозирование сетью

4 обратное распространение ошибки

5 обновление весов



Упорядочите следующие этапы обработки данных в сверточной нейронной сети от начала до конца:

1применение фильтров сверточного слоя к входным данным

2применение нелинейной функции активации

3сжатие размерности при помощи пулинг слоя

4прохождение через полносвязные слои

5вычисление функции потерь



Упорядочите следующие этапы обучения нейронной сети в правильной последовательности:

1 инициализация весов

2 прямое распространение сигнала

3 обновление весов по правилу градиентного спуска

4 обратное распространение ошибки

5 вычисление ошибки на выходе



Упорядочите следующие этапы процесса машинного обучения по временной последовательности:

1 подготовка данных

2 обучение модели

3 тестирование модели



Функция … это – математическая функция, которая определяет выход нейрона на основе суммы взвешенных входных сигналов



Функция выбирается из параметрического множества для …



Caffe использует библиотеку …



RNN (Recurrent neural) возвращает выходные данные и измененное … состояние



Ваша компания разрабатывает систему распознавания рукописного текста с помощью нейронных сетей. Вы получили новый набор данных, который содержит изображения рукописных цифр (от 0 до 9) написанных разными людьми. Ваша задача – обучить нейросеть распознавать эти цифры с максимальной точностью. Какую архитектуру нейронной сети Вы выберете для решения данной задачи?

· Полносвязная нейронная сеть (Fully Connected Network).

· Сверточная нейронная сеть (Convolutional Neural Network).

· Рекуррентная нейронная сеть (Recurrent Neural Network).


Ваша компания разработала новый алгоритм обработки естественного языка для автоматической классификации текстов. Однако перед запуском на продакшен, необходимо провести тестирование системы для проверки ее эффективности. Каким образом можно оценить точность классификации системы обработки естественного языка?

· Сравнить предсказанные метки классов с истинными метками в наборе тестовых данных и вычислить процент совпадений.

· Измерить среднюю скорость обработки текстов системой и сравнить с другими алгоритмами обработки естественного языка.

· Провести опрос среди случайно выбранных пользователей о том, насколько точно система классифицирует тексты.


Вашей задачей является написание программы, которая будет определять тональность текста. Для этого вам необходимо реализовать функцию determine_sentiment(text: str) -> str, которая будет принимать на вход текст и возвращать одно из следующих значений: «positive» – если текст имеет позитивную тональность. «negative» – если текст имеет негативную тональность. «neutral» – если текст не имеет явно выраженной эмоциональной окраски. Определите тональность текста для написания программы.

· Вам предоставлены все необходимые данные и модель машинного обучения для реализации данной функции.

· Вам необходимо самому разработать алгоритм определения тональности текста.

· Вам необходимо использовать сторонние библиотеки и API для определения тональности текста.


Воображайте, что вы разрабатываете алгоритм управления автономным роботом, который должен доставить посылку от точки A до точки B в здании. Робот должен эффективно найти кратчайший путь, минуя препятствия и осуществив доставку в минимальное время. Разработайте алгоритм управления роботом

· Алгоритм принимает во внимание только текущую позицию робота и конечную точку доставки.

· Алгоритм использует маршрут, предварительно построенный по карте здания, с учетом расстояний и препятствий.

· Алгоритм двигает робота в случайном направлении, основываясь на случайных входных данных.


Вы работаете в аналитической компании и вам поручено разработать модель нейросети для классификации изображений на два класса: кошки и собаки. Выберете подходящую библиотеку для работы с нейронными сетями.

· Библиотека TensorFlow предоставляет мощные инструменты для создания и обучения нейронных сетей, а также обладает широкой поддержкой сообщества. Вы можете использовать ее интерфейс Keras, который упрощает процесс создания модели и ее обучения.

· Библиотека NumPy предоставляет функционал для работы с многомерными массивами и матричными операциями, что является основой для создания нейросетей. Вы можете использовать NumPy в сочетании с другими библиотеками, такими как SciPy или scikit-learn, для создания и обучения модели.

· Библиотека OpenCV предназначена для обработки изображений и компьютерного зрения. Она предоставляет инструменты для работы с изображениями, включая функции для предобработки данных перед обучением нейросети.


Вы работаете в компании по разработке программного обеспечения для распознавания изображений. Вашей задачей является выбрать подходящую модель нейронной сети для классификации изображений. Вам предоставлены следующие варианты моделей: Рекуррентная нейронная сеть (RNN) Сверточная нейронная сеть (CNN) Генеративно-состязательная нейронная сеть (GAN) Какую модель нейронной сети Вы выберете

· RNN

· CNN

· GAN


Вы работаете в компании, специализирующейся на разработке системы распознавания объектов на изображениях с помощью сверточных нейронных сетейВам предоставлен набор изображений, на которых изображены животные. Вам нужно настроить сверточную нейронную сеть для классификации изображений на следующие категории: собаки, кошки и птицы. Выберете верный ответ среди трех вариантов.

· Вам даны 1000 изображений каждой категории (собаки, кошки, птицы), и вы используете их для тренировки сверточной нейронной сети.

· Вам дан только 100 изображений каждой категории, но вы можете использовать предобученную сверточную нейронную сеть, обученную на большом наборе данных с изображениями животных.

· Вам дано только 10 изображений каждой категории, но вы сможете улучшить результаты, используя аугментацию данных, например, повороты и зеркальное отражение.


Вы работаете над проектом по анализу тональности текстовых отзывов. Выберете подходящую модель для работы с последовательностями и примите решение по использованию реккурентной нейронной сети.

· Использовать сверточную нейронную сеть (CNN) для анализа текстовых отзывов.

· Применить реккурентную нейронную сеть (RNN) типа LSTM для анализа текстовых отзывов.

· Использовать простую логистическую регрессию для анализа текстовых отзывов.


Вы разрабатываете модель нейронной сети для классификации изображений на два класса: собаки и кошки. Вам даны 10000 изображений собак и 10000 изображений кошек для обучения модели. Вы решаете использовать сверточную нейронную сеть для этой задачи. Какие преимущества сверточных нейронных сетей делают их хорошим выбором для задачи классификации изображений?

· Сверточные нейронные сети позволяют выделять важные признаки изображений, такие как углы, границы и текстуры.

· Сверточные нейронные сети обладают высокой скоростью обучения и эффективно применяются в реальных временных задачах.

· Сверточные нейронные сети могут автоматически извлекать семантические признаки изображений, позволяя модели находить общие закономерности в данных.


Вы разрабатываете нейронную сеть для классификации изображений с помощью библиотеки TensorFlow. Вам необходимо выбрать функцию активации для скрытых слоев нейронной сети. Какую функцию активации Вы выберете и почему?

· Сигмоидальная функция активации (sigmoid), потому что она позволяет получить значения в интервале 0, 1, что удобно при решении задач классификации.

· Гиперболический тангенс (tanh), потому что она тоже позволяет получить значения в интервале -1, 1, что может быть полезно при решении задач симметричной классификации.

· Функция активации ReLU (Rectified Linear Unit), потому что она способна оперативно считать градиенты, обеспечивая более быструю сходимость при обучении нейросети.


Вы разрабатываете нейронную сеть для классификации изображений. Вам нужно улучшить ее производительность, чтобы сократить время обучения и повысить точность предсказаний. Какой из следующих подходов наиболее вероятно приведет к оптимизации нейросети?

· Использование предобученных моделей и дообучение их на своем наборе данных.

· Увеличение количества слоев и нейронов в нейронной сети для увеличения ее мощности.

· Использование всех доступных признаков во входных данных без предварительной обработки.


Вы разрабатываете проект, связанный с обработкой и анализом большого объема данных с использованием нейросетей. Для этого вам необходимо выбрать подходящую библиотеку для работы с нейросетями. Какую библиотеку Вы будете использовать?

· TensorFlow

· Django

· NumPy


Вы являетесь разработчиком компании, которая занимается разработкой рекомендательной системы для онлайн-магазина. Заказчик просит вас улучшить текущую систему, чтобы она стала более точной в предлагаемых рекомендациях. Какой подход Вы выберете для этой задачи?

· Использовать полносвязную нейронную сеть с несколькими скрытыми слоями.

· Использовать сверточную нейронную сеть для обработки изображений продуктов.

· Использовать рекуррентную нейронную сеть для анализа последовательностей действий пользователя.


Вы являетесь разработчиком нейронной сети для распознавания изображений. Ваша нейронная сеть имеет слишком высокую вычислительную сложность и требует много ресурсов для обучения и работы. Какую оптимизацию Вы можете предложить для улучшения производительности нейросети?

· Увеличить количество скрытых слоев в нейросети.

· Использовать более сложный оптимизатор.

· Применить методы сжатия модели, такие как квантизация или обрезка весов.


Вы являетесь тренером спортивной команды и хотите научить свою команду исполнять определенную комбинацию движений. Вы решили использовать метод обучения с подкреплением, чтобы максимизировать результаты. Вам известно, что тренировочный процесс будет состоять из трех этапов: объяснение комбинации движений, демонстрация и исполнение каждым членом команды, а после каждой попытки команда будет получать положительное или отрицательное подкрепление в зависимости от того, насколько близко они выполнили комбинацию. Какое подкрепление (вознаграждение или штраф) следует использовать после каждой попытки выполнения комбинации движений?

· Увеличивать время тренировки каждый раз, когда команда нестандартно выполняет комбинацию движений.

· Давать каждому члену команды небольшую премию в случае успешного выполнения комбинации дижений.

· Высказывать словесную похвалу и давать поощрение всей команде в случае правильного выполнения комбинации движений.