Искусственный интеллект (тест с ответами Синергия) (Решение → 5104)

Описание

20 вопросов с ответами

Последний раз тест был сдан на 70 баллов из 100 "Хорошо".

Год сдачи -2020-2022.

После покупки Вы получите файл с ответами на вопросы которые указаны ниже:

***(Если нужна помощь с другими предметами или сдачей тестов онлайн, пишите в личные сообщения )

Оглавление

1. Обучение с учителем характеризуется*Целью обучить агента принимать оптимальные решения в среде* Отсутствием размеченной выборки *Наличием размеченной выборки 2. Случайный лес – это: *Составление композиционного алгоритма при помощи подбора случайных

1. Обучение с учителем характеризуется

*Целью обучить агента принимать оптимальные решения в среде

* Отсутствием размеченной выборки

*Наличием размеченной выборки

2. Случайный лес – это:

*Составление композиционного алгоритма при помощи подбора случайных алгоритмов машинного обучения и их последующего голосования

*Композиционный алгоритм (обычно над решающими деревьями), основанный на идее построения нового элемента композиции на каждой итерации таким образом, что следующее приближение вектора ответов алгоритма отличается от текущего на градиент ошибки

*Метод голосования решающих деревьев, каждое из которых было обучено на собственной подвыборке объектов и подвыборке признаков

3. Задачу машинного обучения можно представить в виде последовательности выполнения действий по выбору оптимальной решающей функции f из многопараметрического семейства F. Задача обучения сводится к задаче оптимизации на этапе:

*Выбора семейства F

*Оценки качества выбранной функции f из семейства F

*Поиска наилучшей функции из семейства F

4. Решающие деревья обладают следующими свойствами:

*Плохо интерпретируются, чувствительны к шуму, иногда отказывают в классификации данных *Строят разделяющую гиперплоскость, не чувствительны к шуму, не переобучаются

*Легко обрабатывают пропуски данных, хорошо интерпретируются, исключают отказы классификации, обрабатывают разнотипные и неотмасштабированные данные

*Способны решать лишь задачу регрессии

5. Задача автоматической идентификации марки машины по ее изображению – это задача

*Регрессии

*Бинарной классификации

*Многоклассовой классификации

6. Если мы предсказываем среднюю стоимость машины в зависимости от ее класса, то класс представляет собой

*Бинарный признак

*Непрерывный признак

*Категориальный признак

7. Задача автоматического выделения похожих новостных статей без размеченной выборки – это задача

*Регрессии

*Бинарной классификации

*Кластеризации

8. Задачу машинного обучения можно представить в виде последовательности выполнения действий по выбору оптимальной решающей функции f из многопараметрического семейства F. Выбор модели машинного обучения происходит на этапе:

*Выбора семейства F

*Оценки качества выбранной функции f из семейства F

*Поиска наилучшей функции из семейства F

9. Выберете верное утверждение:

*Логистическая регрессия решает задачу регрессии

*Логистическая регрессия нужна для поиска оптимальных маршрутов грузоперевозок

*Логистическая регрессия решает задачу классификации

10. Задача классификации – это задача

*Обучения с учителем

*Обучения без учителя

*Обучения с подкреплением

11. Эмпирический риск вводится исходя из предположения, что

*Оценка качества работы алгоритма на обучающей выборке примерно совпадает с ожидаемым качеством работы алгоритма вне ее

*Обучающая выборка выбрана из нормального распределения по всем признакам

*Оценка риска только на обучающей выборке – более правильный подход, чем оценка риска на всех возможных данных

12. Недостатки k-means:

*Необходимость подбирать k, неустойчивость от выбора начального приближения центров кластеров

*Неинтерпретируемость

*Плохое качество работы

13. Выберете верное утверждение:

*Для линейной регрессии возможно аналитически найти решение задачи минимизации эмпирического риска только в одномерном случае

*Линейная регрессия допускает аналитическое решение задачи минимизации суммы квадратов расстояния от предсказанных меток до верных ответов в случае любой размерности

*Для линейной регрессии не существует решения задачи минимизации эмпирического риска

14. Процедура LearnID3 состоит в:

*Последовательном построении решающего дерева посредством поиска предиката с максимальной информативностью на каждом шаге и разделении обучающей выборки на две части по этому предикату до тех пор, пока не будет достигнуто нужное число вершин в дереве

*Последовательном построении решающего дерева посредством разбиения обучающей выборки на случайные подвыборки с сохранением отношения числа элементов одного класса к числу элементов другого класса

*В индексации вершин решающего дерева особым способом

*В особом способе полива тропических растений в наших широтах

15. Метод K-Means - Это:

*Метрический метод классификации, основанный на усреднении расстояний до k ближайших соседей

*Метод кластеризации

*Метод валидации модели, основанный на усреднении ошибки по к прогонам модели на тестовых данных

16. В каком случае метрика accuracy будет репрезентативной

*Когда все виды ошибок имеют для нас одинаковую важность, и может быть дисбаланс классов *Когда все виды ошибок имеют для нас одинаковую важность, но дисбаланса классов быть не должно

* Когда дисбаланс классов может быть, и ошибки могут иметь любое соотношение важности

17. Метод опорных векторов (Support Vectors Machine, SVM):

*Строит оптимальную разделяющую гиперплоскость, максимизируя ширину полосы между двумя классами

*Аппроксимирует искомую функцию, обучаясь при помощи градиентных методов, решает задачу регрессии

*Проводит гиперповерхность, минимизируя сумму квадратов расстояний элементов обучающей выборки до этой гиперповерхности

18. Задача понижения размерности признакового пространства – это задача

*Обучения с учителем

*Обучения без учителя

*Обучения с подкреплением

19. Градиентный бустинг - это:

*Усиление обобщающей способности модели посредством использования нескольких градиентных методов оптимизации

*Композиционный алгоритм (обычно над решающими деревьями), основанный на идее построения нового элемента композиции на каждой итерации таким образом, что следующее приближение вектора ответов алгоритма отличается от текущего на градиент ошибки

*Композиционный алгоритм над решающими деревьями, основанный на идее голосования классификаторов, проводимого особым способом, с приписыванием константных весов каждому классификатору

20. Если мы предсказываем средние затраты на обслуживание машины, то максимальная скорость разгона машины – это

*Бинарный признак

*Непрерывный признак

*Номинальный признак

Описание 20 вопросов с ответамиПоследний раз тест был сдан на 70 баллов из 100 Хорошо.Год сдачи -2020-2022.После покупки Вы получите файл с ответами на вопросы которые указаны ниже:***(Если нужна помощь с другими предметами или сдачей тестов онлайн, пишите в личные сообщения ) Оглавление 1. Обучение с учителем характеризуется*Целью обучить агента принимать оптимальные решения в среде* Отсутствием размеченной выборки *Наличием размеченной выборки 2. Случайный лес – это: *Составление композиционного алгоритма при помощи подбора случайных алгоритмов машинного обучения и их последующего голосования *Композиционный алгоритм (обычно над решающими деревьями), основанный на идее построения нового элемента композиции на каждой итерации таким образом, что следующее приближение вектора ответов алгоритма отличается от текущего на градиент ошибки *Метод голосования решающих деревьев, каждое из которых было обучено на собственной подвыборке объектов и подвыборке признаков 3. Задачу машинного обучения можно представить в виде последовательности выполнения действий по выбору оптимальной решающей функции f из многопараметрического семейства F. Задача обучения сводится к задаче оптимизации на этапе: *Выбора семейства F *Оценки качества выбранной функции f из семейства F *Поиска наилучшей функции из семейства F 4. Решающие деревья обладают следующими свойствами: *Плохо интерпретируются, чувствительны к шуму, иногда отказывают в классификации данных *Строят разделяющую гиперплоскость, не чувствительны к шуму, не переобучаются *Легко обрабатывают пропуски данных, хорошо интерпретируются, исключают отказы классификации, обрабатывают разнотипные и неотмасштабированные данные *Способны решать лишь задачу регрессии 5. Задача автоматической идентификации марки машины по ее изображению – это задача *Регрессии *Бинарной классификации *Многоклассовой классификации 6. Если мы предсказываем среднюю стоимость машины в зависимости от ее класса, то класс представляет собой *Бинарный признак *Непрерывный признак *Категориальный признак 7. Задача автоматического выделения похожих новостных статей без размеченной выборки – это задача *Регрессии *Бинарной классификации*Кластеризации 8. Задачу машинного обучения можно представить в виде последовательности выполнения действий по выбору оптимальной решающей функции f из многопараметрического семейства F. Выбор модели машинного обучения происходит на этапе: *Выбора семейства F *Оценки качества выбранной функции f из семейства F *Поиска наилучшей функции из семейства F 9. Выберете верное утверждение:*Логистическая регрессия решает задачу регрессии *Логистическая регрессия нужна для поиска оптимальных маршрутов грузоперевозок *Логистическая регрессия решает задачу классификации 10. Задача классификации – это задача *Обучения с учителем *Обучения без учителя *Обучения с подкреплением 11. Эмпирический риск вводится исходя из предположения, что *Оценка качества работы алгоритма на обучающей выборке примерно совпадает с ожидаемым качеством работы алгоритма вне ее *Обучающая выборка выбрана из нормального распределения по всем признакам *Оценка риска только на обучающей выборке – более правильный подход, чем оценка риска на всех возможных данных 12. Недостатки k-means: *Необходимость подбирать k, неустойчивость от выбора начального приближения центров кластеров *Неинтерпретируемость *Плохое качество работы 13. Выберете верное утверждение: *Для линейной регрессии возможно аналитически найти решение задачи минимизации эмпирического риска только в одномерном случае *Линейная регрессия допускает аналитическое решение задачи минимизации суммы квадратов расстояния от предсказанных меток до верных ответов в случае любой размерности *Для линейной регрессии не существует решения задачи минимизации эмпирического риска 14. Процедура LearnID3 состоит в: *Последовательном построении решающего дерева посредством поиска предиката с максимальной информативностью на каждом шаге и разделении обучающей выборки на две части по этому предикату до тех пор, пока не будет достигнуто нужное число вершин в дереве *Последовательном построении решающего дерева посредством разбиения обучающей выборки на случайные подвыборки с сохранением отношения числа элементов одного класса к числу элементов другого класса *В индексации вершин решающего дерева особым способом *В особом способе полива тропических растений в наших широтах 15. Метод K-Means - Это: *Метрический метод классификации, основанный на усреднении расстояний до k ближайших соседей *Метод кластеризации *Метод валидации модели, основанный на усреднении ошибки по к прогонам модели на тестовых данных 16. В каком случае метрика accuracy будет репрезентативной *Когда все виды ошибок имеют для нас одинаковую важность, и может быть дисбаланс классов *Когда все виды ошибок имеют для нас одинаковую важность, но дисбаланса классов быть не должно* Когда дисбаланс классов может быть, и ошибки могут иметь любое соотношение важности 17. Метод опорных векторов (Support Vectors Machine, SVM): *Строит оптимальную разделяющую гиперплоскость, максимизируя ширину полосы между двумя классами *Аппроксимирует искомую функцию, обучаясь при помощи градиентных методов, решает задачу регрессии *Проводит гиперповерхность, минимизируя сумму квадратов расстояний элементов обучающей выборки до этой гиперповерхности 18. Задача понижения размерности признакового пространства – это задача *Обучения с учителем *Обучения без учителя *Обучения с подкреплением 19. Градиентный бустинг - это: *Усиление обобщающей способности модели посредством использования нескольких градиентных методов оптимизации *Композиционный алгоритм (обычно над решающими деревьями), основанный на идее построения нового элемента композиции на каждой итерации таким образом, что следующее приближение вектора ответов алгоритма отличается от текущего на градиент ошибки *Композиционный алгоритм над решающими деревьями, основанный на идее голосования классификаторов, проводимого особым способом, с приписыванием константных весов каждому классификатору 20. Если мы предсказываем средние затраты на обслуживание машины, то максимальная скорость разгона машины – это *Бинарный признак *Непрерывный признак *Номинальный признак Искусственный интеллект. Синергия. Ответы на ИТОГОВЫЙ ТЕСТ. На отлично!Искусственный интеллект (тест с ответами Синергия)Искусственный интеллект – это …Искусственный спутник Земли вращается по круговой орбите радиусом 97⋅106 м. Найдите период его обращения по орбите. Ответ дайте в часах с точностью до целого значения.Искусственный спутник Земли движется по орбите, которая заключена между 600 северной широты и 600 южной широты. Полагая поверхностИскусство барокко как научно-теоретическая проблема: основные аспектыИскусство бизнес-презентации (тест с ответами Синергия/МОИ/ МТИ /МОСАП)Иск Задача № 109 - 113Иски в арбитражном процессе Предъявление иска и возбуждение дела в судеИски По Юриспруденции Исключение из штатного расписания отдельных подразделений или одинаковых штатных единиц - это ... штатаИсключением из правила о недопущении взыскания на исключительное право автора на произведение является договор ...Исключительное право – это право использовать объекты … собственности в любой форме и любыми способамиИсключительным полномочием утверждать лимиты бюджетных обязательств для главных распорядителей средств федерального бюджета наделен … РФ

Описание 20 вопросов с ответамиПоследний раз тест был сдан на 70 баллов из 100 Хорошо.Год сдачи -2020-2022.После покупки Вы получите файл с ответами на вопросы которые указаны ниже:***(Если нужна помощь с другими предметами или сдачей тестов онлайн, пишите в личные сообщения ) Оглавление 1. Обучение с учителем характеризуется*Целью обучить агента принимать оптимальные решения в среде* Отсутствием размеченной выборки *Наличием размеченной выборки 2. Случайный лес – это: *Составление композиционного алгоритма при помощи подбора случайных алгоритмов машинного обучения и их последующего голосования *Композиционный алгоритм (обычно над решающими деревьями), основанный на идее построения нового элемента композиции на каждой итерации таким образом, что следующее приближение вектора ответов алгоритма отличается от текущего на градиент ошибки *Метод голосования решающих деревьев, каждое из которых было обучено на собственной подвыборке объектов и подвыборке признаков 3. Задачу машинного обучения можно представить в виде последовательности выполнения действий по выбору оптимальной решающей функции f из многопараметрического семейства F. Задача обучения сводится к задаче оптимизации на этапе: *Выбора семейства F *Оценки качества выбранной функции f из семейства F *Поиска наилучшей функции из семейства F 4. Решающие деревья обладают следующими свойствами: *Плохо интерпретируются, чувствительны к шуму, иногда отказывают в классификации данных *Строят разделяющую гиперплоскость, не чувствительны к шуму, не переобучаются *Легко обрабатывают пропуски данных, хорошо интерпретируются, исключают отказы классификации, обрабатывают разнотипные и неотмасштабированные данные *Способны решать лишь задачу регрессии 5. Задача автоматической идентификации марки машины по ее изображению – это задача *Регрессии *Бинарной классификации *Многоклассовой классификации 6. Если мы предсказываем среднюю стоимость машины в зависимости от ее класса, то класс представляет собой *Бинарный признак *Непрерывный признак *Категориальный признак 7. Задача автоматического выделения похожих новостных статей без размеченной выборки – это задача *Регрессии *Бинарной классификации*Кластеризации 8. Задачу машинного обучения можно представить в виде последовательности выполнения действий по выбору оптимальной решающей функции f из многопараметрического семейства F. Выбор модели машинного обучения происходит на этапе: *Выбора семейства F *Оценки качества выбранной функции f из семейства F *Поиска наилучшей функции из семейства F 9. Выберете верное утверждение:*Логистическая регрессия решает задачу регрессии *Логистическая регрессия нужна для поиска оптимальных маршрутов грузоперевозок *Логистическая регрессия решает задачу классификации 10. Задача классификации – это задача *Обучения с учителем *Обучения без учителя *Обучения с подкреплением 11. Эмпирический риск вводится исходя из предположения, что *Оценка качества работы алгоритма на обучающей выборке примерно совпадает с ожидаемым качеством работы алгоритма вне ее *Обучающая выборка выбрана из нормального распределения по всем признакам *Оценка риска только на обучающей выборке – более правильный подход, чем оценка риска на всех возможных данных 12. Недостатки k-means: *Необходимость подбирать k, неустойчивость от выбора начального приближения центров кластеров *Неинтерпретируемость *Плохое качество работы 13. Выберете верное утверждение: *Для линейной регрессии возможно аналитически найти решение задачи минимизации эмпирического риска только в одномерном случае *Линейная регрессия допускает аналитическое решение задачи минимизации суммы квадратов расстояния от предсказанных меток до верных ответов в случае любой размерности *Для линейной регрессии не существует решения задачи минимизации эмпирического риска 14. Процедура LearnID3 состоит в: *Последовательном построении решающего дерева посредством поиска предиката с максимальной информативностью на каждом шаге и разделении обучающей выборки на две части по этому предикату до тех пор, пока не будет достигнуто нужное число вершин в дереве *Последовательном построении решающего дерева посредством разбиения обучающей выборки на случайные подвыборки с сохранением отношения числа элементов одного класса к числу элементов другого класса *В индексации вершин решающего дерева особым способом *В особом способе полива тропических растений в наших широтах 15. Метод K-Means - Это: *Метрический метод классификации, основанный на усреднении расстояний до k ближайших соседей *Метод кластеризации *Метод валидации модели, основанный на усреднении ошибки по к прогонам модели на тестовых данных 16. В каком случае метрика accuracy будет репрезентативной *Когда все виды ошибок имеют для нас одинаковую важность, и может быть дисбаланс классов *Когда все виды ошибок имеют для нас одинаковую важность, но дисбаланса классов быть не должно* Когда дисбаланс классов может быть, и ошибки могут иметь любое соотношение важности 17. Метод опорных векторов (Support Vectors Machine, SVM): *Строит оптимальную разделяющую гиперплоскость, максимизируя ширину полосы между двумя классами *Аппроксимирует искомую функцию, обучаясь при помощи градиентных методов, решает задачу регрессии *Проводит гиперповерхность, минимизируя сумму квадратов расстояний элементов обучающей выборки до этой гиперповерхности 18. Задача понижения размерности признакового пространства – это задача *Обучения с учителем *Обучения без учителя *Обучения с подкреплением 19. Градиентный бустинг - это: *Усиление обобщающей способности модели посредством использования нескольких градиентных методов оптимизации *Композиционный алгоритм (обычно над решающими деревьями), основанный на идее построения нового элемента композиции на каждой итерации таким образом, что следующее приближение вектора ответов алгоритма отличается от текущего на градиент ошибки *Композиционный алгоритм над решающими деревьями, основанный на идее голосования классификаторов, проводимого особым способом, с приписыванием константных весов каждому классификатору 20. Если мы предсказываем средние затраты на обслуживание машины, то максимальная скорость разгона машины – это *Бинарный признак *Непрерывный признак *Номинальный признак Искусственный интеллект. Синергия. Ответы на ИТОГОВЫЙ ТЕСТ. На отлично!Искусственный интеллект (тест с ответами Синергия)Искусственный интеллект – это …Искусственный спутник Земли вращается по круговой орбите радиусом 97⋅106 м. Найдите период его обращения по орбите. Ответ дайте в часах с точностью до целого значения.Искусственный спутник Земли движется по орбите, которая заключена между 600 северной широты и 600 южной широты. Полагая поверхностИскусство барокко как научно-теоретическая проблема: основные аспектыИскусство бизнес-презентации (тест с ответами Синергия/МОИ/ МТИ /МОСАП)Иск Задача № 109 - 113Иски в арбитражном процессе Предъявление иска и возбуждение дела в судеИски По Юриспруденции Исключение из штатного расписания отдельных подразделений или одинаковых штатных единиц - это ... штатаИсключением из правила о недопущении взыскания на исключительное право автора на произведение является договор ...Исключительное право – это право использовать объекты … собственности в любой форме и любыми способамиИсключительным полномочием утверждать лимиты бюджетных обязательств для главных распорядителей средств федерального бюджета наделен … РФ

Описание 20 вопросов с ответамиПоследний раз тест был сдан на 70 баллов из 100 Хорошо.Год сдачи -2020-2022.После покупки Вы получите файл с ответами на вопросы которые указаны ниже:***(Если нужна помощь с другими предметами или сдачей тестов онлайн, пишите в личные сообщения ) Оглавление 1. Обучение с учителем характеризуется*Целью обучить агента принимать оптимальные решения в среде* Отсутствием размеченной выборки *Наличием размеченной выборки 2. Случайный лес – это: *Составление композиционного алгоритма при помощи подбора случайных алгоритмов машинного обучения и их последующего голосования *Композиционный алгоритм (обычно над решающими деревьями), основанный на идее построения нового элемента композиции на каждой итерации таким образом, что следующее приближение вектора ответов алгоритма отличается от текущего на градиент ошибки *Метод голосования решающих деревьев, каждое из которых было обучено на собственной подвыборке объектов и подвыборке признаков 3. Задачу машинного обучения можно представить в виде последовательности выполнения действий по выбору оптимальной решающей функции f из многопараметрического семейства F. Задача обучения сводится к задаче оптимизации на этапе: *Выбора семейства F *Оценки качества выбранной функции f из семейства F *Поиска наилучшей функции из семейства F 4. Решающие деревья обладают следующими свойствами: *Плохо интерпретируются, чувствительны к шуму, иногда отказывают в классификации данных *Строят разделяющую гиперплоскость, не чувствительны к шуму, не переобучаются *Легко обрабатывают пропуски данных, хорошо интерпретируются, исключают отказы классификации, обрабатывают разнотипные и неотмасштабированные данные *Способны решать лишь задачу регрессии 5. Задача автоматической идентификации марки машины по ее изображению – это задача *Регрессии *Бинарной классификации *Многоклассовой классификации 6. Если мы предсказываем среднюю стоимость машины в зависимости от ее класса, то класс представляет собой *Бинарный признак *Непрерывный признак *Категориальный признак 7. Задача автоматического выделения похожих новостных статей без размеченной выборки – это задача *Регрессии *Бинарной классификации*Кластеризации 8. Задачу машинного обучения можно представить в виде последовательности выполнения действий по выбору оптимальной решающей функции f из многопараметрического семейства F. Выбор модели машинного обучения происходит на этапе: *Выбора семейства F *Оценки качества выбранной функции f из семейства F *Поиска наилучшей функции из семейства F 9. Выберете верное утверждение:*Логистическая регрессия решает задачу регрессии *Логистическая регрессия нужна для поиска оптимальных маршрутов грузоперевозок *Логистическая регрессия решает задачу классификации 10. Задача классификации – это задача *Обучения с учителем *Обучения без учителя *Обучения с подкреплением 11. Эмпирический риск вводится исходя из предположения, что *Оценка качества работы алгоритма на обучающей выборке примерно совпадает с ожидаемым качеством работы алгоритма вне ее *Обучающая выборка выбрана из нормального распределения по всем признакам *Оценка риска только на обучающей выборке – более правильный подход, чем оценка риска на всех возможных данных 12. Недостатки k-means: *Необходимость подбирать k, неустойчивость от выбора начального приближения центров кластеров *Неинтерпретируемость *Плохое качество работы 13. Выберете верное утверждение: *Для линейной регрессии возможно аналитически найти решение задачи минимизации эмпирического риска только в одномерном случае *Линейная регрессия допускает аналитическое решение задачи минимизации суммы квадратов расстояния от предсказанных меток до верных ответов в случае любой размерности *Для линейной регрессии не существует решения задачи минимизации эмпирического риска 14. Процедура LearnID3 состоит в: *Последовательном построении решающего дерева посредством поиска предиката с максимальной информативностью на каждом шаге и разделении обучающей выборки на две части по этому предикату до тех пор, пока не будет достигнуто нужное число вершин в дереве *Последовательном построении решающего дерева посредством разбиения обучающей выборки на случайные подвыборки с сохранением отношения числа элементов одного класса к числу элементов другого класса *В индексации вершин решающего дерева особым способом *В особом способе полива тропических растений в наших широтах 15. Метод K-Means - Это: *Метрический метод классификации, основанный на усреднении расстояний до k ближайших соседей *Метод кластеризации *Метод валидации модели, основанный на усреднении ошибки по к прогонам модели на тестовых данных 16. В каком случае метрика accuracy будет репрезентативной *Когда все виды ошибок имеют для нас одинаковую важность, и может быть дисбаланс классов *Когда все виды ошибок имеют для нас одинаковую важность, но дисбаланса классов быть не должно* Когда дисбаланс классов может быть, и ошибки могут иметь любое соотношение важности 17. Метод опорных векторов (Support Vectors Machine, SVM): *Строит оптимальную разделяющую гиперплоскость, максимизируя ширину полосы между двумя классами *Аппроксимирует искомую функцию, обучаясь при помощи градиентных методов, решает задачу регрессии *Проводит гиперповерхность, минимизируя сумму квадратов расстояний элементов обучающей выборки до этой гиперповерхности 18. Задача понижения размерности признакового пространства – это задача *Обучения с учителем *Обучения без учителя *Обучения с подкреплением 19. Градиентный бустинг - это: *Усиление обобщающей способности модели посредством использования нескольких градиентных методов оптимизации *Композиционный алгоритм (обычно над решающими деревьями), основанный на идее построения нового элемента композиции на каждой итерации таким образом, что следующее приближение вектора ответов алгоритма отличается от текущего на градиент ошибки *Композиционный алгоритм над решающими деревьями, основанный на идее голосования классификаторов, проводимого особым способом, с приписыванием константных весов каждому классификатору 20. Если мы предсказываем средние затраты на обслуживание машины, то максимальная скорость разгона машины – это *Бинарный признак *Непрерывный признак *Номинальный признак Искусственный интеллект. Синергия. Ответы на ИТОГОВЫЙ ТЕСТ. На отлично!Искусственный интеллект (тест с ответами Синергия)Искусственный интеллект – это …Искусственный спутник Земли вращается по круговой орбите радиусом 97⋅106 м. Найдите период его обращения по орбите. Ответ дайте в часах с точностью до целого значения.Искусственный спутник Земли движется по орбите, которая заключена между 600 северной широты и 600 южной широты. Полагая поверхностИскусство барокко как научно-теоретическая проблема: основные аспектыИскусство бизнес-презентации (тест с ответами Синергия/МОИ/ МТИ /МОСАП)Иск Задача № 109 - 113Иски в арбитражном процессе Предъявление иска и возбуждение дела в судеИски По Юриспруденции Исключение из штатного расписания отдельных подразделений или одинаковых штатных единиц - это ... штатаИсключением из правила о недопущении взыскания на исключительное право автора на произведение является договор ...Исключительное право – это право использовать объекты … собственности в любой форме и любыми способамиИсключительным полномочием утверждать лимиты бюджетных обязательств для главных распорядителей средств федерального бюджета наделен … РФ