Тест на тему роботы с искусственным интеллектом

Тест по французскому языку: Образование женского рода прилагательных

Вопрос 1

Как образуется женский род от прилагательного «grand» (большой)?

• A) grande
• B) grandie
• C) grandesse

Вопрос 2

Какое из следующих прилагательных образует женский род с помощью добавления окончаний -ette?

• A) sérieux
• B) muet
• C) inquiet

Вопрос 3

Какой вариант правильный для образования женского рода от прилагательного «intelligent» (умный)?

• A) intelligente
• B) intelligentette
• C) inteligência

Вопрос 4

Прилагательное «heureux» (счастливый) в женском роде будет:

• A) heureuse
• B) heureusse
• C) heurex

Вопрос 5

Какое из этих прилагательных в женском роде образуется от формы с окончанием -f?

• A) actif
• B) naïf
• C) rфd

Вопрос 6

Какой правильный вариант образования женского рода от прилагательного «vieux» (старый)?

• A) vieil
• B) vieille
• C) vieusse

Инструкция

Выберите правильный ответ на каждый вопрос, отметив одну букву (A, B или C). Удачи!

Вот тест для школьников 8 класса по теме "Микроэкономика и экономика":

Тест по предмету "Микроэкономика и экономика"

1. Что такое спрос? a) Количество товара, которое производитель готов продать
b) Желание и возможность покупателя приобрести товар
c) Цена товара на рынке
d) Все вышеперечисленное

Ответ: b

---

2. Что такое предложение? a) Количество товара, которое потребитель готов купить
b) Желание и возможность продавца продать товар
c) Цены на товары
d) Все вышеперечисленное

Ответ: b

---

3. Каково основное правило закона спроса? a) С увеличением цены количество предлагаемого товара увеличивается
b) С увеличением цены количество спроса на товар уменьшается
c) С уменьшением цены количество спроса на товар увеличивается
d) b и c

Ответ: d

---

4. Что такое равновесная цена? a) Цена, при которой количество спроса превышает количество предложения
b) Цена, при которой количество предложения превышает количество спроса
c) Цена, при которой количество спроса равно количеству предложения
d) Средняя цена на рынке

Ответ: c

---

5. Какой из следующих факторов не влияет на спрос? a) Изменение дохода потребителей
b) Изменение цен на сопутствующие товары
c) Изменение производственных затрат
d) Изменение личных предпочтений

Ответ: c

---

6. Что такое эластичность спроса? a) Способность товара изменяться в зависимости от изменения цены
b) Степень реакции спроса на изменение цены товара
c) Изменение качества товара с течением времени
d) Связь между ценами на разные товары

Ответ: b

---

7. Какой из следующих товаров, возможно, обладает низкой эластичностью спроса? a) Додатковый сахар
b) Автомобили
c) Лекарства
d) Мода

Ответ: c

---

8. Что происходит на рынке при дефиците товара? a) Продавцы снижают цену
b) Продавцы увеличивают цену
c) Спрос равен предложению
d) Рынок стабилизируется

Ответ: b

---

9. Какое из следующих утверждений является верным? a) Повышение налога на продукт всегда снижает предложение
b) Повышение налога на продукт всегда увеличивает спрос
c) Налоги не влияют на потребительские предпочтения
d) Налоги всегда приводят к снижению цены

Ответ: a

---

10. Что такое конкуренция на рынке? a) Состояние, когда один продавец контролирует рынок
b) Процесс, при котором продавцы и покупатели взаимодействуют для определения цены
c) Состояние, когда несколько продавцов предлагают одинаковые товары
d) Наличие только одного потребителя на рынке

Ответ: b

---

Этот тест поможет проверить знания учеников по основам микроэкономики и экономического анализа.

Ниже представлен тест по информатике на тему компьютерное зрение для 11 класса. Все вопросы открытого типа. После каждого вопроса приведён примерный ответ-ключ.

1. Вопрос 1: Что такое компьютерное зрение? Какие задачи решает эта область в целом? Ответ: Компьютерное зрение — раздел искусственного интеллекта и информатики, который учит компьютеры «видеть» и понимать изображения и видео. Основные задачи: распознавание и идентификация объектов на изображениях, локализация их позиций, сегментация каждого пикселя, анализ сцены, вычисление параметров геометрии, отслеживание объектов во времени и т.д.

2. Вопрос 2: Опишите типовой конвейер обработки изображения в компьютерном зрении. Какие этапы в него включают? Ответ: Типовой конвейер включает: захват изображения, предобработку (напр., коррекция освещённости, шумоподавление), извлечение признаков или сегментацию, анализ задачи (распознавание/детекция/классификация), постобработку и вывод результатов. Пример: кадр камеры → фильтры шумоподавления → детектор объектов → подсчёт объектов → визуализация вывода.

3. Вопрос 3: Что такое цветовое пространство? Приведите примеры RGB и HSV. Как выбор цветового пространства влияет на задачи распознавания? Ответ: Цветовое пространство — способ кодирования цвета в изображении. В RGB цвет задаётся как сочетание красного, зелёного и синего каналов; в HSV цвет описывается по оттенку, насыщенности и яркости. Выбор пространства влияет на устойчивость к освещению и простоту выделения объектов по цвету: например, HSV удобнее для сегментации по цветовым характеристикам при переменном освещении.

4. Вопрос 4: Что такое гистограмма изображения и зачем она нужна? Как выполняется выравнивание гистограммы? Ответ: Гистограмма — распределение значений яркости или цветовых каналов по пикселям изображения. Выравнивание гистограммы (гистограмма-эквализация) повышает контрастности изображения за счёт перераспределения частот яркости, делая темные области светлее и наоборот, что облегчает последующую обработку.

5. Вопрос 5: Что такое оператор градиента и как работает оператор Собеля? Где его применяют? Ответ: Оператор градиента оценивает изменение интенсивности по соседним пикселям, чтобы выявить границы объектов. Оператор Собеля вычисляет приближённые производные по x и y с использованием свёртки фильтрами. Применение: детекция краёв, выделение контуров объектов, последующая сегментация.

6. Вопрос 6: Объясните различие между детекцией объектов и сегментацией. Приведите примеры задач, которые решаются каждым методом. Ответ: Детекция объектов возвращает ограничения вокруг объектов в виде ограничивающих прямоугольников (bounding boxes) и, возможно, классов объектов. Сегментация даёт пиксель-уровневую разметку каждого изображения (маски) для точного определения формы объектов. Примеры: детекция — обнаружение машин на трассе; сегментация — выделение каждого автомобиля по контуру на изображении.

7. Вопрос 7: Что такое пороговая обработка изображения? Приведите простой пример применения. Ответ: Пороговая обработка превращает серый уровень в бинарное изображение: пиксели выше порога помечаются как 1, ниже — как 0. Пример: выделение объектов на фоне однотонного фона, когда объект ярче фона.

8. Вопрос 8: Что такое свёртка (фильтрование) и зачем она нужна в анализе изображений? Ответ: Свёртка — это операция наложения фильтра на изображение с перемещением окна по пикселям. Она применяется для плавления (снижение шума), выделения признаков (градиенты, края), усиления структуры и др. Примеры фильтров: гауссов, Собель, Лапласа.

9. Вопрос 9: Что такое нейронная сеть и почему она полезна для изображений? Ответ: Нейронная сеть — модель из взаимосвязанныx нейронов, обучающаяся распознавать сложные зависимости в данных. Для изображений она эффективна благодаря иерархической обработке признаков: ранние слои выделяют простые паттерны (границы), поздние — сложные объекты. Это позволяет решать задачи распознавания, сегментации, детекции и др.

10. Вопрос 10: Что такое сверточная нейронная сеть (CNN)? Как она обрабатывает изображение? Ответ: CNN использует сверточные слои, которые применяют локальные фильтры к входному изображению и извлекают признаки по всей картины с помощью деления на receptive field. После нескольких слоёв идёт уплотнение (пулинг) и, в конце, полносвязные слои для классификации или другие задачи. Основная идея — локальная связность и повторное использование весов.

11. Вопрос 11: Опишите основные этапы обучения нейронной сети на примере задачи распознавания объектов. Ответ: Этапы: сбор и разметка датасета; выбор архитектуры; разделение данных на обучение/валидацию; настройка гиперпараметров; обучение на обучающей выборке с функцией потерь; контроль качества на валидационной выборке; полная проверка на тестовой выборке; при необходимости регуляризация и нормализация.

12. Вопрос 12: Что такое датасеты и аннотации в компьютерном зрении? Какие форматы аннотаций используют для детекции и сегментации? Ответ: Датасет — набор изображений (иногда видео) с соответствующими метками. Аннотации — метки к изображениям: для детекции обычно это ограничивающие прямоугольники и класс объекта; для сегментации — пиксельные маски. Форматы: COCO, Pascal VOC (детекция/сегментация) с указанием координат прямоугольников и/или масок; YOLO форматы для детекции; маски для сегментации.

13. Вопрос 13: Что такое метрики оценки детекции: точность (precision), полнота (recall), IoU? Как они рассчитываются и зачем нужны? Ответ: Precision — доля правильно найденных объектов среди всех обнаруженных; Recall — доля найденных объектов среди всех реальных объектов; IoU (Intersection over Union) — пересечение предсказанной области и реальной области, разделённое на их объединение. Эти метрики помогают судить, насколько детекция верна и полно охватывает объекты.

14. Вопрос 14: Что такое IoU и как он используется для оценки согласованности детекции? Ответ: IoU — отношение площади пересечения предсказанной и истинной области к площади их объединения. Используется как порог для принятия детекции как корректной: например, IoU ≥ 0.5 считается допустимым. Чем выше IoU, тем точнее локализация.

15. Вопрос 15: Приведите пример проблемы переобучения в компьютерном зрении и способы её избежать. Ответ: Модель слишком точно запоминает обучающие примеры и плохо работает на новых данных (low generalization). Способы: увеличить набор данных (генерация, аугментация), использовать регуляризацию (dropout, weight decay), упрощать модель, кросс-валидацию, раннюю остановку.

16. Вопрос 16: Что такое калибровка камеры и зачем она нужна? Ответ: Калибровка камеры — процесс определения параметров камеры (внутренних искажений, фокуса, опорной точки) для точного восстановления реальных геометрических размеров. Нужна, чтобы правильно интерпретировать углы, расстояния и положения объектов на изображении.

17. Вопрос 17: Опишите внутренние (интринсики) и внешние параметры камеры. Как они используются в задачах 3D-восстановления? Ответ: Внутренние параметры (матрица калибровки, искажения) описывают характер изображения в самой камере; внешние параметры — положение и ориентация камеры относительно мира (повороты и сдвиги). Для 3D-восстановления эти параметры позволяют переводить пиксели в мировые координаты и наоборот, строить геометрические связи между сценой и изображением.

18. Вопрос 18: Что такое стереозрение? Как работает базовый принцип сопоставления изображений и получения глубины? Ответ: Стereo-видение использует две камеры с близко размещённым базисом. Различие в позиции объекта на левом и правом кадрах (диспаритет) связано с его глубиной. По диспаритету можно восстановить расстояние до объекта, создавая глубинную карту.

19. Вопрос 19: Что такое глубинная карта? Как её получить различными способами? Ответ: Глубинная карта — карта пикселей, где каждому пикселю сопоставлена его глубина (расстояние до камеры). Методы: стереозрение (диспаритет), активные сенсоры (структурированное освещение, LiDAR), глубинное обучение (модели, предсказывающие глубину по одному изображению).

20. Вопрос 20: Какие подходы к сегментации существуют? Приведите примеры: пороговая, кластеризация, методы на основе нейронных сетей. Ответ: Пороговая сегментация — разделение по интенсивности; кластеризация (k-means) — группировка пикселей по цвету/яркости; методы на основе нейронных сетей (U-Net, Mask R-CNN) — пиксел-уровневая разметка. В реальности часто комбинируют несколько подходов.

21. Вопрос 21: Что такое детекция и трекинг объектов (object tracking)? Какие подходы существуют? Ответ: Детекция — обнаружение объектов на кадре; трекинг — отслеживание уже обнаруженных объектов во времени. Подходы: детекция + трекинг через фильтры Калмана, SORT/Deep SORT, трекинг без явной детекции в каждом кадре (особо сложные задачи).

22. Вопрос 22: Какие основные проблемы в реальных условиях встречаются в компьютерном зрении? Как они влияют на качество решений? Ответ: Проблемы: изменчивость освещения, шум, движение камеры/объектов, неоднородные фоны, частичное скрытие объектов (occlusion), ракурсы и перспективы. Эти факторы снижают точность детекции и сегментации и требуют устойчивых признаков, аугментации и устойчивых моделей.

23. Вопрос 23: Что такое U-Net? Какова идея архитектуры и для чего её используют в сегментации? Ответ: U-Net — архитектура энкодер-декодер с пропускными соединениями (skip connections). Энкодер последовательно сжимает изображение, извлекая признаки, декодер восстанавливает разрешение, а skip-соединения передают детали колебаний между слоями. Это позволяет эффективно сегментировать объекты даже при ограниченном объёме данных.

24. Вопрос 24: Что такое детекция лиц? Какие современные подходы применяют и какие этические аспекты следует учитывать? Ответ: Детекция лиц — поиск и локализация лиц на изображениях/видео. Современные подходы используют CNN-детекторы и сверточные архитектуры. Этические аспекты: приватность, риск дискриминации, необходимость согласия и соблюдение законов о защите данных.

25. Вопрос 25: Какие методы повышения устойчивости моделей к изменениям освещённости и условий съёмки? Ответ: Нормализация цвета, адаптивная обработка контраста, аугментация данных (разные яркости/контрасты/цветовые сдвиги), использование цветовых пространств, обучение на более разнообразном датасете, доменная адаптация.

26. Вопрос 26: Что такое фильтр Гаусса и зачем его применяют? Ответ: Фильтр Гаусса — ядро, которое сглаживает изображение, снижаeт шум и мелкие детали, при этом сохраняет общую структуру. Применение: предварительная обработка перед детектированием границ, уменьшение шума.

27. Вопрос 27: Объясните различие между обучением с учителем и без учителя в контексте компьютерного зрения. Приведите примеры. Ответ: Обучение с учителем требует размеченных данных (изображение + метка). Примеры: классификация, детекция, сегментация. Обучение без учителя использует данные без разметки (кластеризация, поощрение скрытых признаков). Примеры: кластеризация по цвету, предобучение моделей на больших неразмеченных данных через самосупервизированные задачи.

28. Вопрос 28: Как в компьютерном зрении применяется подсчёт объектов на кадре? Что такое плотностные карты? Ответ: Подсчёт объектов может осуществляться по количеству обнаруженных объектов (детекция) или по плотностным картам, где каждому пикселю сопоставлено значение «вероятности присутствия объекта» или «плотность объектов»; интегрируя карту по кадру, получают общее число объектов. Применение: подсчёт людей в толпе, авто на дороге, клетки в микроскопии.

29. Вопрос 29: Что такое матрица ошибок (confusion matrix) и какие значения в ней бывают? Как она помогает в оценке моделей? Ответ: Матрица ошибок сопоставляет предсказанные классы с истинными. Элементы: истинно-положительные (TP), ложно-положительные (FP), истинно-отрицательные (TN), ложно-отрицательные (FN). По ней вычисляют точность, полноту, F1-скор, а также анализируют типы ошибок.

30. Вопрос 30: Какие направления в компьютерном зрении являются наиболее перспективными и почему? Упомяните для примера самообучение (self-supervised), трансформеры в CV, edge AI и мультимодальные подходы. Ответ: Перспективные направления включают: self-supervised обучение — обучение моделей на неразмеченных данных для улучшения обобщения; трансформеры в CV — улучшение качества и контекстуального понимания через архитектуры на базе внимания; edge AI — выполнение задач локально на устройствах с ограниченными ресурсами (энергия, скорость); мультимодальные подходы — объединение визуальной информации с текстовой/звуковой для более точного понимания сцены. Эти направления обобщают данные, повышают точность и позволяют работать в реальном времени и в ограниченных условиях.

Ключ к тесту — краткие краткие обоснования (что такое каждое понятие) и базовые принципы. Если нужно, могу расширить каждую ответную секцию примерами задач или привести более подробные формулировки критериев оценивания.