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.