Контрольные тесты

1. Какие системы относятся к самообучающимся?

А) индуктивные системы; Б) нейронные сети; В) системы, основанные на прецедентах;

Г) системы нечеткой логики; Д) экспертные системы

2. Наличие некоторой цепочки связанных во времени событий, выявление ассоциаций во времени – это…

А) ассоциация Б) последовательность В) классификация

Г) кластеризация Д) прогнозирование

3. Расставьте стадии ИАД в соответствующем порядке.

А) прогностическое моделирование Б) анализ исключений В) свободный поиск

4. В чем заключается индуктивное обучение?

А) в изучении прошлых специфических примеров;

Б) в получении набора правил, позволяющих реализовать алгоритм обучения;

В) в получении набора правил на основе изучения прошлых специфических примеров.

5. При каком обучении для каждого примера задается в явном виде значение признака его принадлежности некоторому классу ситуаций

А) «с учителем» Б) «без учителя»

6. Что может служить в качестве показателя классифицирующей силы переменной при построении дерева классификации?

А) Энтропия Б) Нейрон В) Gini Г) ДСМ

7. В чем заключаются основные трудности самообучающихся систем?

А) обучающая выборка может быть сильно зашумлена; Б) плохая жизнеспособность;

В) трудности выделения классифицирующих признаков; Г) не адаптивность.

8. Образ – это…

А) классификационная группировка в системе классификации, выделяющая в определенной группе объектов общий признак;

Б) классификационная группировка в системе классификации, объединяющая определенную группу объектов по определенному признаку.

9. Метод структурирования задачи в виде древовидного графа, вершины которого соответствуют продукционным правилам, позволяющим классифицировать данные – это…

А) Деревья решений Б) Байесовская сеть В) Кластеризация

10. Разделение обучающей выборки на группы – это…

А) Деревья решений Б) Байесовская сеть В) Кластеризация

6. Нейронные сети

6.1. Основные понятия

6.1.1. Модель искусственного нейрона

Искусственным нейроном называется простой элемент, структура которого представлена на рис. 6.1. Нейрон описывается решающей функцией (или функцией активации):

,

где – количество входов, – значение входа, - веса синапсов.

Функции активации могут быть различных видов:

- линейная: выходной сигнал нейрона равен его потенциалу;

- линейная с насыщением: нейрон выдает значения, промежуточные между двумя предельными значениями;

- пороговая: нейрон принимает решение, выбирая один из двух вариантов (активен/неактивен);

- многопороговая: выходной сигнал может принимать значений, определяемых порогом внутри предельных значений;

- сигмоидная: позволяет вычленять более сложные пространства значений выходных признаков:

,

где коэффициент задает крутизну сигмоида. Часто принимают .

Примеры некоторых функций активации приведены на рис. 6.2.

Решающие функции используются в задачах классификации на основе сопоставления их значений при различных комбинациях значений входных признаков с некоторым пороговым значением. В случае превышения заданного порога считается, что нейрон сработал и таким образом распознал некоторый класс ситуаций.