Ответы к тестам НМО: «Основы машинного обучения»

1. Алгоритм K-Means используется для

1) разделения объектов на кластеры по близости к центрам; +
2) классификации изображений;
3) предсказания непрерывных значений;
4) оптимизации функции вознаграждения.

2. Алгоритм кластеризации, который группирует объекты по плотности и хорошо работает с шумными данными, — это

1) K-Means;
2) Линейная регрессия;
3) Дерево решений;
4) DBSCAN. +

3. В каких областях применяется кластеризация?

1) обработка изображений; +
2) обучение с подкреплением;
3) биоинформатика; +
4) анализ клиентов (маркетинг). +

4. Для медицинской диагностической модели высокая специфичность (Specificity) важна, потому что она

1) позволяет правильно рассчитать возраст пациента;
2) позволяет правильно идентифицировать здоровых; +
3) является гармоническим средним;
4) позволяет правильно идентифицировать больных.

5. Для оценки надёжности медицинской модели, помимо точечных оценок, используются

1) бизнес-метрики;
2) доверительные интервалы; +
3) функции потерь;
4) онлайн-метрики.

6. Если пациент болен, и система диагностировала его как «болен», это результат

1) истинно положительный (True Positive); +
2) ложноположительный (False Positive);
3) ложноотрицательный (False Negative);
4) истинно отрицательный (True Negative).

7. Если пациент здоров, но система диагностировала его как «болен», это результат

1) ложноположительный (False Positive); +
2) ложноотрицательный (False Negative);
3) истинно отрицательный (True Negative);
4) истинно положительный (True Positive).

8. Задача кластеризации относится к типу обучения

1) с учителем;
2) без учителя; +
3) с подкреплением;
4) с полу-учителем.

9. Какая метрика рассчитывается как среднее значение абсолютных ошибок?

1) RMSE (Root Mean Squared Error);
2) MAE (Mean Absolute Error); +
3) MAPE (Mean Absolute Percentage Error);
4) MSE (Mean Squared Error).

10. Какая метрика является «гармоничным средним» между Точность/Прецизионность (Precision) и Полнота (Recall)?

1) чувствительность (Sensitivity);
2) RMSE (Root Mean Squared Error);
3) специфичность (Specificity);
4) F-мера. +

11. Какие данные поступают на вход модели в задачах кластеризации?

1) обработанные данные;
2) структурированные данные;
3) необработанные данные; +
4) табличные данные.

12. Какие данные поступают на вход модели в задачах обучения с подкреплением?

1) обработанные данные;
2) необработанные данные; +
3) табличные данные;
4) структурированные данные.

13. Какие из перечисленных компонентов являются частью обучения с подкреплением?

1) награда (Reward); +
2) кластер (Cluster);
3) агент (Agent); +
4) среда (Environment). +

14. Какие из перечисленных метрик используются для оценки моделей классификации?

1) Accuracy (точность); +
2) F-мера; +
3) MAE (Mean Absolute Error);
4) RMSE (Root Mean Squared Error).

15. Какие из перечисленных метрик используются для оценки моделей регрессии?

1) Accuracy;
2) MAPE (Mean Absolute Percentage Error); +
3) F1-Score;
4) MAE (Mean Absolute Error); +
5) RMSE (Root Mean Squared Error). +

16. Какие из следующих элементов матрицы ошибок являются «истинными»?

1) истинно отрицательный (True Negative); +
2) ложноположительный (False Positive);
3) ложноотрицательный (False Negative);
4) истинно положительный (True Positive). +

17. Какие метрики вычисляются с использованием значения True Positive (TP)?

1) Specificity;
2) MAE (Mean Absolute Error);
3) точность/прецизионность (Precision); +
4) полнота (Recall). +

18. Какие метрики могут быть вычислены непосредственно из матрицы ошибок?

1) Accuracy (точность); +
2) RMSE (Root Mean Squared Error);
3) Recall (полнота); +
4) Precision (точность/прецизионность). +

19. Какие метрики относятся к медицинским метрикам оценки качества классификации?

1) RMSE (Root Mean Squared Error);
2) Specificity (специфичность); +
3) Sensitivity (чувствительность); +
4) MAPE (Mean Absolute Percentage Error).

20. Какой класс метрик отражает ценность модели для бизнеса, например, KPI?

1) онлайн-метрики;
2) офлайн-метрики;
3) бизнес-метрики; +
4) метрики обучения.

21. Какой компонент в обучении с подкреплением получает вознаграждение за действия?

1) агент (Agent); +
2) среда (Environment);
3) награда (Reward);
4) политика (Policy).

22. Машинное обучение позволяет системам

1) не требовать данных для работы;
2) только следовать жёстким алгоритмам;
3) самостоятельно извлекать закономерности из данных; +
4) работать только с числовыми данными.

23. Метрика, показывающая процент верных предсказаний среди всех объектов, выданных моделью как положительные, — это

1) точность (Accuracy);
2) специфичность (Specificity);
3) точность/прецизионность (Precision); +
4) полнота (Recall).

24. Метрика, показывающая процент верных предсказаний — это

1) полнота (Recall);
2) специфичность (Specificity);
3) точность (Accuracy); +
4) точность/Прецизионность (Precision).

25. Основная цель AutoML — это

1) использовать только один тип алгоритмов;
2) заменить специалистов по данным на врачей;
3) увеличить сложность процесса машинного обучения;
4) автоматизировать этапы процесса машинного обучения. +

26. Способность модели правильно идентифицировать больных пациентов характеризуется метрикой

1) чувствительность (Sensitivity); +
2) точность/прецизионность (Precision );
3) точность (Accuracy);
4) специфичность (Specificity).

27. Среднеквадратичная ошибка — это

1) RMSE (Root Mean Squared Error);
2) MAPE (Mean Absolute Percentage Error);
3) MSE (Mean Squared Error); +
4) MAE (Mean Absolute Error).

28. Функции потерь, внутренняя кухня алгоритмов относятся к

1) бизнес-метрикам;
2) офлайн-метрикам;
3) онлайн-метрикам;
4) метрикам обучения. +

29. Что показывает метрика MAPE (Mean Absolute Percentage Error)?

1) ошибка в процентах от самой величины; +
2) максимальное отклонение прогноза от реального значения;
3) долю правильных прогнозов в общем количестве наблюдений;
4) среднее значение абсолютных ошибок.

30. Что является конечной целью агента в обучении с подкреплением?

1) максимизировать совокупное вознаграждение; +
2) исследовать все возможные состояния среды;
3) выполнить все возможные действия;
4) минимизировать количество совершаемых действий.