NEW
Font size
S
M
L
XL
Worksheets🌲 120 — 150 СҰРАҚ
Total questions: 30
Worksheet time: 15mins
Name
Class
Date
1.
Конволюционды нейрондық желілер контекстіндегі «конволюция» дегеніміз не?
a)
Суреттер сияқты деректерден мүмкіндіктерді шығару үшін пайдаланылатын әрекет.
b)
Деректер өлшемділігін азайту алгоритмі.
c)
Деректерді қалыпқа келтіру процесі.
d)
Кескінді классификациялау әдісі.
e)
Деректерді қалпына келтіру операциясы.
2.
Терең нейрондық желілерді қолдану арқылы есептің қандай түрін шешу тиімді?
a)
Кескінді жіктеу және тану мәселелері.
b)
Кестелік мәліметтерді өңдеу міндеттері.
c)
Іздеу жүйесін оңтайландыру тапсырмалары.
d)
Сызықтық регрессия есептері.
e)
Уақыт қатарын талдау есептері.
3.
Осы әдістердің қайсысы табиғи тілде терең оқытуға тән тапсырма болып табылады?
a)
Сезімдерді талдау.
b)
Ұсыныс жүйелері.
c)
Кескін классификациясы.
d)
Қаржылық деректерді болжау.
e)
Уақыт қатарларының үлгілері.
4.
Төмендегілердің қайсысы машиналық оқытудың дәстүрлі үлгілерімен салыстырғанда терең нейрондық желілердің сипаттамасы болып табылады?
a)
Шикі деректерден мүмкіндіктерді автоматты түрде шығару мүмкіндігі.
b)
Мүмкіндіктерді қолмен конфигурациялау қажеттілігі.
c)
Үлгідегі параметрлер аз.
d)
Үлкен деректер бойынша оқытудың болмауы.
e)
Нәтижелерді түсіндірудің қарапайым процесі.
5.
Машиналық оқыту контекстіндегі «кластерлеу» дегеніміз не және оның терең оқытудан айырмашылығы бар ма?
a)
Оқытудың әртүрлі түрлерінде қолданылатын таңбаланбаған белгілерсіз деректерді топтау әдісі.
b)
Терең нейрондық желілерде ғана қолданылатын әдіс.
c)
Оқытуды күшейту әдістемесі.
d)
Нейрондық желінің салмақтарын оңтайландыру әдісі.
e)
Уақыттық қатарларды өңдеу алгоритмі.
6.
Терең оқыту моделінің жалпылау қабілетін жақсарту үшін қандай әдіс қолданылады?
a)
Түсіру.
b)
Желідегі қабаттар санын азайту.
c)
Сызықтық үлгілерді пайдалану.
d)
Деректер көлемін азайтыңыз.
e)
Ең жақын көрші әдісін қолданыңыз.
7.
Төмендегілердің қайсысы медицинада терең оқытуды қолданудың мысалы болып табылады?
a)
Медициналық бейнелерге негізделген ауруларды диагностикалау.
b)
Нарық ауытқуларын болжау үшін уақыт қатарын талдау.
c)
Жаңалық мақалаларының классификациясы.
d)
Интернет-дүкендер үшін ұсыныстар жүйесін әзірлеу.
e)
Пайдаланушы интерфейстері үшін деректерді сегменттеу.
8.
Төмендегі деректер түрлерінің қайсысы конволюционды нейрондық желілерді үйрету үшін бастапқы деректер түрі болып табылады?
a)
Суреттер.
b)
Уақыт қатары.
c)
Мәтіндік деректер.
d)
Сандық деректер.
e)
Категориялық деректер.
9.
Терең оқыту контекстінде бақыланатын оқыту дегеніміз не?
a)
Модель белгіленген деректерде оқытылатын әдіс.
b)
Тек таңбаланбаған деректерді пайдаланатын оқыту әдісі.
c)
Агент қоршаған ортамен әрекеттесу арқылы үйренетін әдіс.
d)
Модель кездейсоқ деректер бойынша оқытылатын әдіс.
e)
Модель ешқандай жаттығу деректерін пайдаланбайтын әдіс.
10.
Нейрондық желілердегі «активтендіру функциясы» дегеніміз не?
a)
Нейронның кіріс мәнін шығыс мәніне түрлендіретін функция.
b)
Модельдің оқу жылдамдығын реттейтін функция.
c)
Желідегі нейрондардың санын анықтайтын функция.
d)
Желі құрылымын анықтайтын функция.
e)
Жіктеу есебін шешетін функция.
11.
Осы сипаттамалардың қайсысын тереңдетіп оқытудың негізгі артықшылықтарын қарастыруға болады?
a)
Үлкен көлемдегі деректермен жұмыс істеу және жасырын үлгілерді шығару мүмкіндігі.
b)
Нәтижелерді жылдам түсіндіру.
c)
Есептеу күрделілігі төмен.
d)
Жаттығу деректерін аз талап етеді.
e)
Оқыту үшін ресурстардың үлкен санының қажеттілігі.
12.
Төмендегілердің қайсысы автономды көліктерде терең нейрондық желілерді қолданудың мысалы болып табылады?
a)
Жол белгілері мен кедергілерді тану.
b)
Нарықтағы өзгерістерді болжау.
c)
Әлеуметтік желілердегі кескіндердің классификациясы.
d)
Пайдаланушы интерфейстерін әзірлеу.
e)
Медициналық деректерді өңдеу.
13.
Төмендегілердің қайсысы машиналық оқытудың негізгі принципі болып табылады?
a)
Модель жаңа деректерге болжам жасау үшін деректерге үйретілген.
b)
Модель қорытындыға негізделген ережелерді жасайды.
c)
Модель тек мәтіндік деректерді өңдейді.
d)
Модель адам логикасын пайдаланып есептерді шешеді.
e)
Модель тек қолмен таңдалған мүмкіндіктерді пайдаланады.
14.
Машиналық оқыту контекстінде бақыланатын оқыту дегеніміз не?
a)
Модель белгіленген деректерде оқытылатын әдіс.
b)
Үлгі белгіленбеген деректерге үйретілетін әдіс.
c)
Модель қоршаған ортамен әрекеттеспей оқытылатын әдіс.
d)
Модельде белгілерсіз деректерді пайдаланатын әдіс.
e)
Модель әрбір әрекет үшін сыйақы алатын әдіс.
15.
Төмендегілердің қайсысы машиналық оқытудағы жіктеу мәселесінің мысалы болып табылады?
a)
Электрондық поштаның спам екенін немесе спам екенін анықтайды.
b)
Келесі күнге акция бағасын болжау.
c)
Өнімнің оңтайлы бағасын анықтау.
d)
Энергияны тұтынуды болжау.
e)
Деректер жиынының орташа мәнін есептеңіз.
16.
Бұл алгоритмдердің қайсысы жіктеу есептерін шешу үшін қолданылады?
a)
Логистикалық регрессия.
b)
K-мағынасы.
c)
Векторлық машинаны (SVM) қолдау.
d)
Кездейсоқ орман алгоритмі.
e)
k-ең жақын көршілер алгоритмі.
17.
Төмендегілердің қайсысы күшейте оқыту алгоритмінің сипаттамасы болып табылады?
a)
Агент қоршаған ортамен әрекеттесу арқылы үйренеді және марапаттар немесе жазалар алады.
b)
Модель белгіленген деректер бойынша оқытылады.
c)
Модель таңбаланбаған деректерге үйретілген.
d)
Модель кері байланысты пайдаланбайды.
e)
Модель тек сызықтық деректерді пайдаланады.
18.
Төмендегі сипаттамалардың қайсысы ең жақын көршілер (k-NN) әдісінің артықшылығы болып табылады?
a)
Іске асыру және түсіну оңай.
b)
Жоғары есептеу күрделілігі.
c)
Жаттығу деректерінің үлкен көлемін талап етеді.
d)
Тек жіктеу мәселелеріне қолданылады.
e)
Деректерді алдын ала қалыпқа келтіруді талап етеді.
19.
Төмендегілердің қайсысы кластерлеу алгоритмінің мақсаты болып табылады?
a)
Ұқсас нысандарды кластерлерге топтау.
b)
Жаңа деректердің мәнін болжау.
c)
Деректерді жіктеуге қолайлы пішімге түрлендіреді.
d)
Үлгі үшін оңтайлы мүмкіндіктерді табу.
e)
Уақыт қатарларының болашақ мәндерін болжау.
20.
Регрессия есебінде қандай жоғалту функциясы қолданылады?
a)
Орташа квадрат қатесі (MSE).
b)
Айқас энтропия функциясы.
c)
L1-реттеу.
d)
Relu белсендіру функциясы.
e)
Softmax.
21.
Деректердің өлшемділігін азайту үшін осы әдістердің қайсысы қолданылады?
a)
Негізгі құрамдас талдау (PCA).
b)
K-мағынасы.
c)
Регрессиялық талдау.
d)
Ең жақын көршілер әдісі.
e)
Кездейсоқ орман.
22.
Төмендегілердің қайсысы тірек векторлық машинасының (SVM) ерекшелігі болып табылады?
a)
Деректерді сыныптарға бөлу үшін гипержазықты пайдаланыңыз.
b)
Тек сызықтық деректермен жұмыс істейді.
c)
Класстарды болжау үшін кластерлеуді пайдаланыңыз.
d)
Регрессия және кластерлеу мәселелеріне қолдану.
e)
Уақыт қатарлары арасындағы тәуелділіктерді модельдеу.
23.
Машиналық оқытудағы регуляризация дегеніміз не?
a)
Тым үлкен үлгі салмақтары үшін айыппұл қосатын шамадан тыс орнатудың алдын алу әдісі.
b)
Жаттығу алдында деректерді қалыпқа келтіру әдісі.
c)
Нейрондық желіге қосымша қабаттарды қосу әдісі.
d)
Мүмкіндіктер санын азайту процесі.
e)
Деректер көлемін ұлғайту әдісі.
24.
Осы әдістердің қайсысы машиналық оқытуда модельдің сапасын бағалау үшін қолданылады?
a)
Айқас тексеру.
b)
Функцияны түрлендіру.
c)
Шектеулі өңдеу.
d)
Деректерді қалыпқа келтіру.
e)
Таразыларды инициализациялау.
25.
Машинамен оқыту үлгілерін оқыту контекстіндегі градиенттің түсуі дегеніміз не?
a)
Жоғалту функциясын азайту үшін оңтайландыру әдісі.
b)
Үлгі параметрлерінің санын көбейту әдісі.
c)
Мүмкіндіктерді таңдау әдісі.
d)
Деректерді кластерлеу әдісі.
e)
Оңтайлы нейрондық желінің архитектурасын табу әдісі.
26.
Төмендегі есептердің қайсысын K-орталар әдісі арқылы шешуге болады?
a)
Деректерді кластерлеу.
b)
Сандық мәндерді болжау.
c)
Кескін классификациясы.
d)
Сөйлеуді тану.
e)
Деректердегі иілу нүктелерін анықтайды.
27.
Машиналық оқыту контекстіндегі ансамбль дегеніміз не?
a)
Нәтижені жақсарту үшін бірнеше үлгілер біріктірілген әдіс.
b)
Тек бір үлгіні қолданатын классификация әдісі.
c)
Уақыт қатарын өңдеу әдісі.
d)
Деректер өлшемділігін арттыру әдісі.
e)
Тек кескінді өңдеу үшін қолданылатын әдіс.
28.
Машинамен оқыту контекстіндегі артық фитинг дегеніміз не?
a)
Модель оқу деректерінен асып түскенде, жалпылау мүмкіндігін жоғалтқанда.
b)
Модель жаттығу деректеріне жақсы сәйкес келмегенде.
c)
Модель деректерді елемеді.
d)
Модель жаттығу деректеріндегі дәлдікті жоғалтқанда.
e)
Модель артық мүмкіндіктерді пайдаланғанда.
29.
Ансамбльдер контекстіндегі «қаптау» дегеніміз не?
a)
Деректердің әртүрлі ішкі жиындарында бірнеше үлгілер оқытылатын әдіс.
b)
Жаттығу алдында деректер қалыпқа келтірілетін әдіс.
c)
Бір үлгінің дәлдігін жақсарту әдісі.
d)
Үлкен деректерді кластерлеу әдісі.
e)
Үлгі үшін ең маңызды мүмкіндіктерді таңдау әдісі.
30.
Төмендегілердің қайсысы бақыланатын оқыту алгоритмінің мысалы болып табылады?
a)
Сызықтық регрессия.
b)
k-алгоритмді білдіреді.
c)
Негізгі компонент әдісі.
d)
DBSCAN.
e)
Автокодерлер.
Reset
