AIS_L07

Коефіцієнт навчання використовують для ...

• Планування розподілу скільки часу приділити на роботу, університет і все інше

• Керування величини кроку градієнтного спуску

• Швидкості навчання нейронної мережі

• Пошуку абсолютного мінімуму функції втрат

• Оцінки особистої швидкості засвоєння знань

Нормалізація даних при машинному навчанні допомагає ...

• Привести всі значення ознак до єдиного масштабу з метою прискорити обрахунки та уникнути помилок переповнення при обчисленнях

• Знайти найкращий мінімум функції втрат

• Прибрати "шум" у вхідних даних

• Перевіряти допустимі межі отриманих результатів на кожному кроці обчислень

• Прискорити обрахунки через проектування процесу на стандартну паралельну обчислювальну архітектуру

Аналітичний пошук мінімуму функції втрат кращий за багатокроковий градієнтний спуск, тому що...

• В переважній більшості практичних випадків градієнтний спуск знаходить прийнятне рішення в той час як аналітичне - ні

• Легше вирішити одне матричне рівняння і отримати результат одразу ніж робити наперед невідому кількість кроків градієнтного спуску

• Легше наперед вивести формулу і її разово застосувати ніж нескінченно довго наближатися до того ж результату ітеративно

• Обидва методи погані: мінімум функції завжди ж видно на малюнку - просто треба глянути на функцію з більшого просторового виміру і побачити мінімум одразу

Перенавчена модель, це ...

• Випадок, коли моделі надали занадто багато тренувальних зразків.

• Випадок, коли модель занадто точно запам'ятала всі особливості навчального набору разом із шумом, що супроводжував його створення.

• Випадок, коли модель вилучила і узагальнила всі корисні закономірності.

• Випадок, коли модель навчилася більшому, ніж це передбачували творці навчального набору зразків.

Які 2 твердження про регуляризатори правдиві?

• L₂ регуляризатор гладкий тому що він неперервно диференційований

• L₂ регуляризатор гладкий тому що він неперервно використовуваний

• L₁ регуляризатор дозволяє автоматично відбирати найважливіші ознаки, але не дає можливість використовувати градієнтні методи оптимізації

• L₁ регуляризатор не є гладким, тому він найкраще підходить для пошуку оптимуму на dataset'ах імпульсних систем

• L₁, L₂ регуляризація дозволяє ефективно боротися з галюцинаціями нейронних мереж

Що таке градієнт функції?

• Напрямок (вектор) зростання функції

• Напрямок (вектор) спадання (зменшення) функції

• Напрямок (вектор) найбільшої зміни функції

• Знак похідної функції в точці, який визначає, в яку сторону робити наступний крок пошуку мінімуму

Колінеарності ознак треба розуміти як ...

• Погано підготований dataset, який не підходить для навчання моделі

• Лінійну взаємозалежність ознак, яких треба позбутися перед навчанням моделі

• Присутність повної або часткової лінійної взаємозалежності ознак, позбутися якої важко або неможливо

• Кількість (арність) ознак, що входить як аргумент у функцію шуканої залежності: унарність, бінарність, колінеарність.

Що є основою архітектури нейронної мережі?

• Множина поєднаних між собою лінійних регресій, розподілених по шарам

• Орієнтований обчислювальний граф, в якому множина вхідних зв'язків кожної вершини є лінійною регресією, а на виході застосовується функція активації

• Математична модель біологічного нейрона

• Теорема А. М. Колмогорова про універсальність нейронної мережі

Кореляція відображає лише лінійну залежність величин, а нейромережа ...

• 1. Може знаходити нелінійні залежності

• Відображає функціональну залежність

• Ніяк з нею не пов'язана

• Є її реалізацією

Яке твердження стосовно теореми А.М. Колмогорова про універсальність нейромережі правильне?

• Визначає метод побудови нейромережі будь-якої складності

• Коректна в межах одиничного гіперкуба, що суттєво обмежує її застосування для побудови реальних архітектур нейромереж

• Доводить можливість відтворити неперервну функцію будь-якої складності за допомогою нейромережі, але не надає методів побудови її архітектури