Respan Dataset Explorer

Выберите все верные утверждения:
Выберите один или несколько ответов:
Значение модуля производной в точке показывает скорость убывания/возрастания функции в этой точке
Шаг градиентного спуска лучше всего выбирать одинаковым для всех шагов
Значение модуля производной в точке показывает тангенс угла наклона касательной к графику в этой точке
Значение модуля производной в точке показывает, насколько далеко эта точка находится от точки минимума

Верные утверждения:
- Значение модуля производной в точке показывает скорость убывания/возрастания функции в этой точке
- Значение модуля производной в точке показывает тангенс угла наклона касательной к графику в этой точке

Рассмотрим товар в супермаркете как объект в задаче машинного обучения. Что из перечисленного является задачей регрессии?
Выберите один или несколько ответов:
Предсказание, купит ли товар конкретный покупатель
Предсказание стоимости товара
Предсказание страны-изготовителя товара
Предсказание срока годности товара

Задачей регрессии является предсказание стоимости товара.

Скалярным произведением векторов (0,1,1,0) и (0,0,15) является:
Выберите один ответ:
0
Не определено в данном случае
(0,1,15,0)
15

Скалярное произведение двух векторов определяется как сумма произведений соответствующих элементов векторов. 
(0,1,1,0) и (0,0,15) имеют разную размерность и, следовательно, скалярное произведение не определено в данном случае. 
Ответ: Не определено в данном случае.

Вычислите скалярное произведение двух векторов: (1,-1,1,-1) и (7,10,-15,14)
Выберите один ответ:
28
-32
30
-20

Скалярное произведение двух векторов определяется как сумма произведений соответствующих элементов векторов. 

(1,-1,1,-1) и (7,10,-15,14)

(1 * 7) + (-1 * 10) + (1 * -15) + (-1 * 14) = 7 - 10 -15 -14 = -32

Ответ: -32

Какому распределению соответствует функция random.choice() из пакета random языка Python?
Выберите один ответ:
Парето
Нормальному
Нет правильного ответа
Равномерному

Функция random.choice() из пакета random языка Python соответствует равномерному распределению. Эта функция выбирает случайный элемент из заданной последовательности с равной вероятностью выбора каждого элемента.

Выберите наборы линейно НЕ зависимых векторов (несколько вариантов ответа):
Выберите один или несколько ответов:
(1,0,0), (1,1,0), (1,1,1)
(5,0,0), (0,100,0), (0,0,-2000)
(2,-5,7), (3,3,3), (5,-2,10)
(1,2,3), (2,4,6), (15,0,0)

Варианты ответов, в которых векторы являются линейно независимыми:

(1,0,0), (1,1,0), (1,1,1)

(5,0,0), (0,100,0), (0,0,-2000)

Пусть мы решаем задачу классификации для двух классов –
на красные треугольники и синие квадраты. Хоти предсказать класс зеленого круга. Тогда выберем тот же класс, что и у объекта с известной меткой, расположенного на минимальном расстоянии от зеленого круга. Этот алгоритм называется методом

Алгоритм, описанный в задании, называется методом ближайшего соседа (nearest neighbor method) или методом 1-NN.

У вас есть набор данных, который содержит 100 объектов с 10 признаками и 1 целевой переменной. Необходимо обучить градиентный бустинг с 100 деревьями и определить коэффициент детерминации R^2 на тестовой выборке.
Выберите один ответ:
0.3
0.8
0.6
0.7
0.5
0.4
0.2
0.1

К сожалению, без дополнительной информации нельзя точно определить коэффициент детерминации R^2 на тестовой выборке для данной модели градиентного бустинга. Коэффициент детерминации зависит от конкретных данных, модели обучения и параметров модели.

Восстановите в правильном порядке алгоритм классификации:
Применить обученную модель для предсказания на новых данных	

Собрать данные для обучения модели	

Оценить качество модели на тестовом наборе данных	

Обучить модель на тренировочном наборе данных	

Разделить данные на тренировочный и тестовый наборы	

Выбрать метод классификации, например, логистическую регрессию или дерево решений	
Подобрать оптимальные параметры модели с помощью кросс-валидации и сетки параметров

1. Собрать данные для обучения модели	
2. Разделить данные на тренировочный и тестовый наборы	
3. Выбрать метод классификации, например, логистическую регрессию или дерево решений	
4. Обучить модель на тренировочном наборе данных	
5. Подобрать оптимальные параметры модели с помощью кросс-валидации и сетки параметров	
6. Оценить качество модели на тестовом наборе данных	
7. Применить обученную модель для предсказания на новых данных	

Правильный порядок алгоритма классификации будет следующим.

Debate topics

1. Should the death penalty be abolished?
2. Is the use of animals for scientific experimentation justified?
3. Should marijuana be legalized for recreational use?
4. Is the use of drones ethical in warfare?
5. Should school uniforms be mandatory?
6. Is climate change primarily caused by human activity?
7. Should genetic engineering be used to enhance human abilities?
8. Is it ethical for countries to use torture to obtain information from suspected terrorists?
9. Should free speech be limited to protect individuals from hate speech?
10. Is it ethical for individuals to use personal drones to invade others' privacy?