WorksheetsМодели ИИ и обучение в ML
Total questions: 14
Worksheet time: 14mins
Что такое интерпретация моделей в искусственном интеллекте?
Интерпретация моделей - это создание моделей в искусственном интеллекте
Интерпретация моделей - это применение моделей в искусственном интеллекте
Интерпретация моделей в искусственном интеллекте - это процесс анализа и понимания работы модели.
Интерпретация моделей - это обучение моделей в искусственном интеллекте
Что представляет собой обучение гиперпараметров в машинном обучении?
Настройка весов модели
Выбор алгоритма оптимизации
Настройка параметров модели, которые не могут быть обучены в процессе обучения модели.
Изменение структуры обучающей выборки
Что такое кросс-валидация и как она используется в ML?
Кросс-валидация используется для создания новых данных в ML
Кросс-валидация используется для обучения моделей без тестирования в ML
Кросс-валидация используется в машинном обучении для оценки производительности моделей и выбора оптимальных параметров.
Кросс-валидация применяется для улучшения производительности гиперпараметров модели
Какие основные типы обучения существуют в машинном обучении?
Обучение с учителем, обучение без учителя, обучение с учителем по интернету
Обучение с учителем, обучение без учителя, обучение с учителем искусственного интеллекта
Обучение с учителем, обучение без учителя, обучение с подкреплением
Обучение с учителем, обучение без учителя, обучение с учителем
Какие методы можно использовать для интерпретации моделей в искусственном интеллекте?
Внутренняя размерность модели
Анализ квадратов параметров
Shap
Метод перемешивания параметров
Какие преимущества обучения гиперпараметров в машинном обучении?
Преимущества обучения гиперпараметров включают улучшение производительности модели, повышение обобщающей способности, снижение риска переобучения.
Отсутствие влияния на производительность модели
Уменьшение точности предсказаний
Увеличение времени обучения модели
Какие метрики обычно используются при кросс-валидации в ML?
precision
sensitivity
mean squared error
accuracy, recall, F1-score, AUC-ROC
Чем отличается обучение с учителем от обучения без учителя в машинном обучении?
Обучение с учителем не использует алгоритмы машинного обучения, обучение без учителя полностью зависит от алгоритмов
Обучение с учителем использует размеченные данные и учителя, обучение без учителя не требует разметки и учителя.
Обучение с учителем не требует учителя, обучение без учителя требует наличие учителя
Обучение с учителем использует неразмеченные данные, обучение без учителя использует размеченные данные
Какие алгоритмы машинного обучения подходят для задач классификации?
Нейронные сети, градиентный бустинг
Регрессионный анализ, линейная алгебра
Логистическая регрессия, решающие деревья, случайный лес
Кластеризация данных, SVЕ
Какие методы можно применить для улучшения обобщающей способности модели в ML?
Использование только одного типа алгоритмов
Регуляризация, кросс-валидация, ансамбли моделей, увеличение объема и разнообразия данных
Уменьшение объема данных
Увеличение сложности модели
Какие методы используются для уменьшения переобучения модели в машинном обучении?
Увеличение разнообразия данных, уменьшение сложности модели, регуляризация
Уменьшение объема данных, увеличение сложности модели, кросс-валидация
Использование только одного типа алгоритмов
Увеличение объема данных, увеличение сложности модели, регуляризация
Что такое функция потерь в контексте обучения моделей в машинном обучении?
Функция, которая уменьшает потери данных в процессе обучения
Функция, которая оценивает ошибку модели и помогает ее минимизировать
Функция, которая увеличивает точность предсказаний модели
Функция, которая увеличивает скорость обучения модели
Какие методы используются для оценки важности признаков в модели машинного обучения?
Анализ графиков, использование только числовых признаков, уменьшение объема данных
Перебор признаков, анализ весов модели, использование метрик важности признаков
Увеличение сложности модели, уменьшение разнообразия данных, использование только категориальных признаков
Использование только одного типа алгоритмов
Как работает permutation importance?
Он случайным образом изменяет значения переменной и оценивает влияние этого изменения на модель.
Он перемешивает все переменные и оценивает, как это влияет на точность модели.
Он изменяет значение переменной до тех пор, пока модель не перестанет работать.
Он удаляет переменную из модели и оценивает изменение производительности модели.
