- •Билет № 2
- •Билет № 3
- •Билет № 4
- •Билет № 5
- •Билет № 6
- •Билет № 7
- •Совместные и несовместные события. Зависимые и независимые события. Классическое и статистическое определение вероятности.
- •Задачи решаемые сппр в медицине. Пассивные, полуактивные и активные сппр. Основные компоненты активных сппр. Примеры.
- •Задача.
- •Математическое ожидание дискретного распределения
- •Математическое ожидание абсолютно непрерывного распределения
- •Билет № 15
- •Билет № 16
- •Билет № 18
- •Основные функции субд
- •Билет № 24
- •III. Сравнение двух малых групп с попарно-зависимыми вариантами:
Билет № 5
Открытый и закрытый исходный код. Примеры ОС с открытым (ОПС) и закрытым исходным кодом. Перечень и характеристики достоинств и недостатков
Закрытый исходный код — антоним открытого кода и относится к любой программе, лицензия которой не подходит под определение открытого ПО. Как правило, это означает, что распространяются только бинарные (откомпилированные) версии программы, и лицензия подразумевает отсутствие доступа к исходному коду программы; создание модификаций программы технически невозможно для практических целей. Доступ к исходному коду третьим лицам обычно предоставляется при подписании соглашения о неразглашении. Открытое программное обеспечение, то есть программное обеспечение с открытым исходным кодом (англ. open source software) — способ разработки ПО, при котором исходный код создаваемых программ открыт, то есть общедоступен для просмотра и изменения. Это позволяет всем желающим использовать уже созданный код для своих нужд и, возможно, помочь в разработке открытой программы.
Лицензия Microsoft Shared source — пример лицензии, при которой доступен исходный код, но не под открытой лицензией. Если закрытый исходный код понимать как ПО, не подходящее под определение открытого ПО, то Shared source — пример лицензии закрытого исходного кода. Но если подразумевать под ним только те программы, исходный код которых недоступен, то это не так.
Нейросети. Задачи, решаемые нейросетями. Строение нейросетей (слои). Обучение. Нейроны и синапсы. Виды нейросетей.
Иску́сственные нейро́нные се́ти (ИНС) — математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы. Первой такой попыткой были нейронные сети Маккалока и Питтса[1]. Впоследствии, после разработки алгоритмов обучения, получаемые модели стали использовать в практических целях: в задачах прогнозирования, для распознавания образов, в задачах управления и др.
1.Сбор данных для обучения;
2.Подготовка и нормализация данных;
3.Выбор топологии сети;
4.Экспериментальный подбор характеристик сети;
5.Экспериментальный подбор параметров обучения;
6.Собственно обучение;
7.Проверка адекватности обучения;
8.Корректировка параметров, окончательное обучение;
9.Вербализация сети[15] с целью дальнейшего использования.
Задача.
Билет № 6
Нормальный закон распределения. Распределения Бернулли, Пуассона. Математическая ожидание, дисперсия. Примеры.
Случайная величина имеет распределение Бернулли, если она принимает всего два значения: и с вероятностями и соответственно. Таким образом:
,
.
Принято говорить, что событие соответствует «успеху», а «неудаче». Эти названия условные, и в зависимости от конкретной задачи могут быть заменены на противоположные.
Выберем фиксированное число и определим дискретное распределение, задаваемое следующей функцией вероятности:
,
где
обозначает факториал,
— основание натурального логарифма.
Тот факт, что случайная величина имеет распределение Пуассона с параметром , записывается: .
Общая постановка задачи проверки гипотез. Проверка гипотез относительно средних. Интервальный метод.
Задача.