Тест на тему Искусственный интеллект. Машинное обучение

Тест по предмету "Искусственный интеллект. Машинное обучение" для 11 класса

Вопрос 1: Что такое искусственный интеллект (ИИ)?

• A) Компьютерная программа, которая выполняет разного рода вычисления
• B) Способность машин имитировать человеческое поведение
• C) Устройство, использующее электричество
• D) Компьютер, который может играть в шахматы

Вопрос 2: Какова основная цель машинного обучения?

• A) Создание новых программ
• B) Обучение моделей находить закономерности в данных
• C) Увеличение производительности процессора
• D) Разработка новых языков программирования

Вопрос 3: Какой из следующих методов является методом обучения с учителем?

• A) Кластеризация
• B) Регрессия
• C) Ассоциативные правила
• D) Генетические алгоритмы

Вопрос 4: Что такое "обучение без учителя"?

• A) Метод, который требует разметки данных
• B) Метод, при котором данные не имеют меток
• C) Метод, использующий только обучающие выборки
• D) Метод, ориентированный только на числовые данные

Вопрос 5: Какой из следующих алгоритмов используется для классификации?

• A) K-ближайших соседей
• B) Метод главных компонент
• C) K-средних
• D) Регрессия

Вопрос 6: Какой термин описывает возможность модели обучиться на новых данных?

• A) Обобщение
• B) Переобучение
• C) Подбор параметров
• D) Кросс-валидация

Вопрос 7: Что такое нейронная сеть?

• A) Совокупность математических моделей
• B) Программное обеспечение для управления компьютерами
• C) Способ хранения больших объемов информации
• D) Форма связи между устройствами

Вопрос 8: Какой из следующих параметров влияет на качество модели машинного обучения?

• A) Объем обучающих данных
• B) Время выполнения программы
• C) Количество графических интерфейсов
• D) Бюджет на оборудование

Вопрос 9: Что такое "переобучение" модели?

• A) Модель слишком проста для данных
• B) Модель идеально подходит к обучающей выборке, но плохо работает на новых данных
• C) Модель не обучается на всех данных
• D) Модель слишком сложна и не может выполнять задачи

Вопрос 10: Какова цель функции потерь в машинном обучении?

• A) Оценка производительности модели
• B) Ускорение обучения
• C) Изменение архитектуры нейронной сети
• D) Устранение шумов из данных

Вопрос 11: Что из перечисленного является примерами алгоритмов кластеризации?

• A) K-ближайших соседей
• B) Метод K-средних
• C) Логистическая регрессия
• D) Деревья решений

Вопрос 12: Какой термин описывает процесс выделения важных признаков из данных?

• A) Нормализация
• B) Отбор признаков
• C) Оценка модели
• D) Предобработка данных

Вопрос 13: Что такое "регрессия" в машинном обучении?

• A) Определение классов объектов
• B) Прогнозирование значений на основе данных
• C) Классификация текстов
• D) Сравнение алгоритмов

Вопрос 14: Какой из ниже перечисленных методов используется для снижения размерности данных?

• A) Метод главных компонент
• B) K-средних
• C) Деревья решений
• D) Сверточные нейронные сети

Вопрос 15: В чем заключается метод "кросс-валидации"?

• A) Оценка точности модели на одной выборке
• B) Разделение данных на тренировочную и тестовую выборки
• C) Повторное обучение модели с различными подвыборками данных
• D) Проверка производительности модели на всех данных

Вопрос 16: Какой из следующих подходов НЕ использует машинное обучение?

• A) Система рекомендаций
• B) Ручной ввод данных
• C) Обработка естественного языка
• D) Предсказание цен на акции

Вопрос 17: Что такое "гиперпараметр" в машинном обучении?

• A) Параметр, который автоматически настраивается во время обучения
• B) Параметр, который устанавливается до начала обучения
• C) Параметр, который не оказывает влияние на результат
• D) Параметр, который определяет размеры данных

Вопрос 18: Какую роль играют данные в машинном обучении?

• A) Данные - это среда для выполнения алгоритмов
• B) Данные являются основной ценностью для обучения моделей
• C) Данные не имеют значения
• D) Данные используются только для хранения информации

Вопрос 19: Какой алгоритм часто используется для решения задач классификации?

• A) Метод K-средних
• B) Логистическая регрессия
• C) PCA
• D) K-средних

Вопрос 20: Что такое "нейрон" в нейронной сети?

• A) Единица хранения информации
• B) Основная вычислительная единица, имитирующая работу человеческого мозга
• C) Модуль, ответственный за связь с другими нейронами
• D) Часть программы для обработки данных

Вопрос 21: Для чего используется "обучение с подкреплением" в ИИ?

• A) Для классификации изображений
• B) Для обучения на основе наград и наказаний
• C) Для обработки текста
• D) Для упрощения кодирования

Вопрос 22: Что описывает "глубокое обучение"?

• A) Обучение на больших объемах данных без разметки
• B) Обучение с использованием многослойных нейронных сетей
• C) Обучение на малых объемах данных
• D) Обучение только на числовых данных

Вопрос 23: Какой из перечисленных алгоритмов использует "отбор признаков"?

• A) Деревья решений
• B) Логистическая регрессия
• C) K-средних
• D) K-ближайших соседей

Вопрос 24: Какой из следующих методов формирования данных можно назвать техниками предобработки?

• A) Нормализация
• B) Регрессия
• C) Кластеризация
• D) Классификация

Вопрос 25: Какой термин обозначает неполные или неправильные данные?

• A) Пу́бликуемая информация
• B) Защитные данные
• C) Шумные данные
• D) Объективные данные

Вопрос 26: Какой из этих алгоритмов используется для обработки изображений?

• A) Сверточные нейронные сети
• B) Логистическая регрессия
• C) Регрессия
• D) K-средних

Вопрос 27: Какова цель "архитектуры модели" в машинном обучении?

• A) Определить источники данных
• B) Установить порядок применения алгоритмов
• C) Определить структуру модели и способ ее обучения
• D) Убрать шум из данных

Вопрос 28: Что такое "обучение на основе примеров"?

• A) Обучение на основе гипотез
• B) Обучение, при котором алгоритм изучает правила на основе обучающих данных
• C) Обучение без использования данных
• D) Обучение, при котором используется только одна выборка

Вопрос 29: Какой из следующих методов может быть использован для борьбы с переобучением?

• A) Увеличение объема данных
• B) Уменьшение количества параметров модели
• C) Использование контроля производительности
• D) Все вышеперечисленное

Вопрос 30: Что такое "вектор признаков"?

• A) Набор значений, который описывает объект
• B) Параметр модели
• C) Указывает время обработки данных
• D) Средство для хранения результатов

Вопрос 31: Какой термин используется для описания процесса выбора наилучшей модели среди нескольких?

• A) Оптимизация
• B) Тестирование
• C) Кросс-валидация
• D) Оценка

Вопрос 32: Что представляет собой "оси" в многообразии данных?

• A) Параметры для графиков
• B) Признаки данных, представляющие разные измерения
• C) Алгоритмы обработки данных
• D) Наборы инструкций для работы с данными

Вопрос 33: Что такое "смещение" в контексте машинного обучения?

• A) Разница между истинным значением и предсказанным
• B) Ошибки, допущенные при сборке данных
• C) Зависимость значений от времени
• D) Приближение к оптимальному решению

Вопрос 34: Какой из этих методов используется для повышения точности модели?

• A) Чересчур сильный отбор признаков
• B) Сбор больших объемов разнородных данных
• C) Упрощение модели
• D) Оценка производительности модели

Вопрос 35: Что такое "Сводная таблица" в контексте анализа данных?

• A) Упрощенная версия нейронной сети
• B) Разделение данных на группы
• C) Таблица, отображающая агрегированные данные
• D) Запись данных на жесткий диск

Вопрос 36: Какой метод обычно используется для визуализации данных?

• A) Классификация
• B) Сверточные нейронные сети
• C) Графики и диаграммы
• D) Сбор данных

Вопрос 37: Какой подход лежит в основе "экспоненциального сглаживания"?

• A) Использование старых данных для предсказания будущих значений
• B) Сравнение данных
• C) Нормализация данных
• D) Обработка исключений

Вопрос 38: Что такое "подход, основанный на данных", в контексте анализа?

• A) Обработка данных путем их игнорирования
• B) Создание гипотез на основе собранных данных
• C) Применение жёстких правил к данным
• D) Использование только небольших объёмов данных

Вопрос 39: Какую функцию выполняет "отбор признаков" в машинном обучении?

• A) Убирает лишнюю информацию, учитывая только важные атрибуты
• B) Увеличивает объем данных
• C) Упрощает отображение данных
• D) Повышает сложность модели

Вопрос 40: Почему важно делить данные на обучающую и тестовую выборки?

• A) Для автоматического исправления ошибок в данных
• B) Для оценки производительности модели на новых данных
• C) Для оптимизации скорости программы
• D) Чтобы уменьшить размер данных

---

Тест готов и включает 40 вопросов по теме "Искусственный интеллект. Машинное обучение". Удачи в подготовке!