Средний
балл

Сферы применения

Средний
балл

Задачи машинного обучения

Средний
балл

Нейронные сети

Средний
балл

Общие понятия

Машинное обучение (machine learning), больше данные (big data), искусственный интеллект (AI), искусственные нейронные сети — составляющие современного прогресса, которые всё больше проникают во все сферы ИТ и сферы деятельности человека в целом. Что Вы знаете о них?

Машинное обучение, 22.09.2018.
Желаем успехов в прохождении аттестации!
Система изучит Ваши слабые места и предоставит аналитику.
Сертификат и аналитика будут в Вашем личном кабинете.

Вопрос 1 из 15
Когда говорят о нейронных сетях и машинном обучении, часто упоминают закон Мура. В чем его суть?
Вопрос 2 из 15
Выберите классические задачи, решаемые с помощью машинного обучения.
Вопрос 3 из 15
Выберите практические сферы применения машинного обучения.

Вопрос 4 из 15
Нейросети хорошо проявляют себя не только в распознавании, но и в генерации изображений. Но кое с чем у них все-таки возникают проблемы. С чем именно?
Вопрос 5 из 15
Кто создал первую модель искусственных нейронных сетей?
Вопрос 6 из 15
Особых успехов нейросети достигли в работе с изображениями. Но что из этого нейросети не могут сделать?
Вопрос 7 из 15
Допустим, нам нужно рассчитать необходимые параметры для создания обшивки самолета. Какая из областей машинного обучения нам в этом пригодится?
Вопрос 8 из 15
Что такое большие данные?
Вопрос 9 из 15
В какие игры нейросеть еще не научилась обыгрывать человека?
Вопрос 10 из 15
У машинного обучения есть ряд задач. Как называется та, что направлена на предсказание значения той или иной непрерывной числовой величины для входных данных?
Вопрос 11 из 15
Что такое машинное обучение?
Вопрос 12 из 15
Что такое искусственный интеллект?
Вопрос 13 из 15
Какой тип искусственной нейронной сети представлен на картинке?
Вопрос 14 из 15
Какой из видов машинного обучения основывается на взаимодействии обучаемой системы со средой?
Вопрос 15 из 15
Что такое искусственная нейронная сеть?

Вопросы и аналитика последних результатов


Вопрос %
Допустим, нам нужно рассчитать необходимые параметры для создания обшивки самолета. Какая из областей машинного обучения нам в этом пригодится?

Сферы применения

Предсказательное моделирование создает суррогатные модели — зависимости между различными характеристиками технической системы по собранным данным.
100 %
Нейросети хорошо проявляют себя не только в распознавании, но и в генерации изображений. Но кое с чем у них все-таки возникают проблемы. С чем именно?

Нейронные сети

Нейросетям пока сложно генерировать объекты нужной формы. По этой же причине ИНС могут выдавать изображения кошек с тремя глазами и совершать другие подобные ошибки.
75 %
В какие игры нейросеть еще не научилась обыгрывать человека?

Нейронные сети

В бридж нейронные сети играть пока не умеют, зато неплохо показывают себя в покере.
75 %
Искусственные нейронные сети (ИНС) — модели машинного обучения, использующие комбинации распределенных простых операций, зависящих от обучаемых параметров, для обработки входных данных. Какого вида ИНС не существует?

Нейронные сети

Наивных искусственных нейронных сетей не существует.
50 %
У машинного обучения есть ряд задач. Как называется та, что направлена на предсказание значения той или иной непрерывной числовой величины для входных данных?

Задачи машинного обучения

В отличие от задачи классификации, величины, предсказываемые в регрессиях, могут принимать значения из непрерывных интервалов.
50 %
Особых успехов нейросети достигли в работе с изображениями. Но что из этого нейросети не могут сделать?

Нейронные сети

Пластическую операцию нейросеть вам не смоделирует.
25 %
Кто создал первую модель искусственных нейронных сетей?

Нейронные сети

Уоррен Мак-Каллок и Уолтер Питтс попытались создать первую искусственную нейронную сеть в 40-х годах прошлого века.
25 %
Какой из видов машинного обучения основывается на взаимодействии обучаемой системы со средой?

Общие понятия

Обучение с подкреплением основано на взаимодействии агента со средой.
25 %
Когда говорят о нейронных сетях и машинном обучении, часто упоминают закон Мура. В чем его суть?

Общие понятия

Это эмпирическое наблюдение Гордон Мур сделал еще в 1970-х годах.
25 %
Какой тип искусственной нейронной сети представлен на картинке?

Нейронные сети

На картинке показан процесс свертки искусственной нейронной сети.
25 %
Что такое машинное обучение?

Общие понятия

Машинное обучение (англ. machine learning, ML) — класс методов искусственного интеллекта, характерной чертой которых является не прямое решение задачи, а обучение в процессе применения решений множества сходных задач. Для построения таких методов используются средства математической статистики, численных методов, методов оптимизации, теории вероятностей, теории графов, различные техники работы с данными в цифровой форме. Различают два типа обучения: 1. Обучение по прецедентам, или индуктивное обучение, основано на выявлении эмпирических закономерностей в данных. 2. Дедуктивное обучение предполагает формализацию знаний экспертов и их перенос в компьютер в виде базы знаний. Дедуктивное обучение принято относить к области экспертных систем, поэтому термины машинное обучение и обучение по прецедентам можно считать синонимами. Многие методы индуктивного обучения разрабатывались как альтернатива классическим статистическим подходам. Многие методы тесно связаны с извлечением информации (англ. information extraction), интеллектуальным анализом данных (data mining).
0 %
Что такое искусственная нейронная сеть?

Общие понятия

Иску́сственная нейро́нная се́ть (ИНС) — математическая модель, а также её программное или аппаратное воплощение, построенная по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы. Первой такой попыткой были нейронные сети У. Маккалока и У. Питтса. После разработки алгоритмов обучения получаемые модели стали использовать в практических целях: в задачах прогнозирования, для распознавания образов, в задачах управления и др. ИНС представляет собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). Такие процессоры обычно довольно просты (особенно в сравнении с процессорами, используемыми в персональных компьютерах). Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. И, тем не менее, будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие по отдельности простые процессоры вместе способны выполнять довольно сложные задачи. С точки зрения машинного обучения, нейронная сеть представляет собой частный случай методов распознавания образов, дискриминантного анализа, методов кластеризации и т. п. С математической точки зрения, обучение нейронных сетей — это многопараметрическая задача нелинейной оптимизации. С точки зрения кибернетики, нейронная сеть используется в задачах адаптивного управления и как алгоритмы для робототехники. С точки зрения развития вычислительной техники и программирования, нейронная сеть — способ решения проблемы эффективного параллелизма. А с точки зрения искусственного интеллекта, ИНС является основой философского течения коннективизма и основным направлением в структурном подходе по изучению возможности построения (моделирования) естественного интеллекта с помощью компьютерных алгоритмов. Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения — одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что в случае успешного обучения сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке, а также неполных и/или «зашумленных», частично искажённых данных.
0 %
Что такое большие данные?

Общие понятия

Больши́е да́нные (англ. big data, [ˈbɪɡ ˈdeɪtə]) — обозначение структурированных и неструктурированных данных огромных объёмов и значительного многообразия, эффективно обрабатываемых горизонтально масштабируемыми программными инструментами, появившимися в конце 2000-х годов и альтернативных традиционным системам управления базами данных и решениям класса Business Intelligence. В широком смысле о «больших данных» говорят как о социально-экономическом феномене, связанном с появлением технологических возможностей анализировать огромные массивы данных, в некоторых проблемных областях — весь мировой объём данных, и вытекающих из этого трансформационных последствий. В качестве определяющих характеристик для больших данных традиционно выделяют «три V»: объём (англ. volume, в смысле величины физического объёма), скорость (velocity в смыслах как скорости прироста, так и необходимости высокоскоростной обработки и получения результатов), многообразие (variety, в смысле возможности одновременной обработки различных типов структурированных и полуструктурированных данных); в дальнейшем возникли различные вариации и интерпретации этого признака. С точки зрения информационных технологий в совокупность подходов и инструментов изначально включались средства массово-параллельной обработки неопределённо структурированных данных, прежде всего, системами управления базами данных категории NoSQL, алгоритмами MapReduce и реализующими их программными каркасами и библиотеками проекта Hadoop. В дальнейшем к серии технологий больших данных стали относить разнообразные информационно-технологические решения, в той или иной степени обеспечивающие сходные по характеристикам возможности по обработке сверхбольших массивов данных.
0 %
Что такое искусственный интеллект?

Общие понятия

Иску́сственный интелле́кт (ИИ; англ. artificial intelligence, AI): 1. Наука и технология создания интеллектуальных машин, особенно интеллектуальных компьютерных программ; 2. Свойство интеллектуальных систем выполнять творческие функции, которые традиционно считаются прерогативой человека. Робот Kismet с искусственным интеллектом в Музее Массачусетского технологического института, 2006 год. ИИ связан со сходной задачей использования компьютеров для понимания человеческого интеллекта, но не обязательно ограничивается биологически правдоподобными методами. Существующие на сегодня интеллектуальные системы имеют очень узкие области применения. Например, программы, способные обыграть человека в шахматы, не могут отвечать на вопросы и т. д.
0 %
Выберите практические сферы применения машинного обучения.

Сферы применения

Целью машинного обучения является частичная или полная автоматизация решения сложных профессиональных задач в самых разных областях человеческой деятельности. Машинное обучение имеет широкий спектр приложений: - Распознавание речи; - Распознавание жестов; - Распознавание рукописного ввода; - Распознавание образов; - Техническая диагностика; - Медицинская диагностика; - Прогнозирование временных рядов; - Биоинформатика; - Обнаружение мошенничества; - Обнаружение спама; - Категоризация документов; - Биржевой технический анализ; - Финансовый надзор; - Кредитный скоринг; - Прогнозирование ухода клиентов; - Хемоинформатика; - Обучение ранжированию в информационном поиске; Сфера применений машинного обучения постоянно расширяется. Повсеместная информатизация приводит к накоплению огромных объёмов данных в науке, производстве, бизнесе, транспорте, здравоохранении. Возникающие при этом задачи прогнозирования, управления и принятия решений часто сводятся к обучению по прецедентам. Раньше, когда таких данных не было, эти задачи либо вообще не ставились, либо решались совершенно другими методами.
0 %
Выберите классические задачи, решаемые с помощью машинного обучения.

Задачи машинного обучения

Классические задачи, решаемые с помощью машинного обучения: - Классификация как правило, выполняется с помощью обучения с учителем на этапе собственно обучения. - Кластеризация как правило, выполняется с помощью обучения без учителя - Регрессия как правило, выполняется с помощью обучения с учителем на этапе тестирования, является частным случаем задач прогнозирования. - Понижение размерности данных и их визуализация выполняется с помощью обучения без учителя. - Восстановление плотности распределения вероятности по набору данных. - Одноклассовая классификация и выявление новизны. - Построение ранговых зависимостей.
0 %
  1. Дичь, а не тест. Интересно, его эксперт пройдёт?

    14.09.2018 в 02:17