Рассмотрим многослойный персептрон, состоящий из вытянутых в линейную цепочку 10 нейронов (один из них входной, один выходной, а 8 образуют 8 скрытых слоев). Для коррекции весов используется алгоритм обратного распространения ошибки (back propagation). Функция ошибки среднеквадратическая. Значения весов и ошибка на выходе не превышают по модулю единицы. Выберите, при каких значениях сигнала на входе градиент на входе может превысить 0,0001.
Выберите ситуацию, при кластеризации которой, НЕ используется метод DBSCAN:
Напишите название теоремы, с помощью которой можно установить, что выбранная функция является функцией ядра
Основной смысл теоремы "No free lunch theorem" заключается в следующемЕсть модель, которая является оптимальной для решений всех задач:
В теореме Мерсера функция k(x;z) является ядром тогда и только тогда, когда она…
Объект 1 находится выше функции принятия решений, объект 2 - ниже функции принятия решений. Выберите верное утверждение.
Укажите тип информации, извлечение которой осуществляется в Data Mining:
Если в сети автоэнкодера находится всего один скрытый слой, то чему будет эквивалентен результат?
Нейрон i в скрытом слое получает входной сигнал только от трех других нейронов i1, i2, i3 с выходными сигналами 1, 2, -3 по связям с весами 0,3, 0,4, 0,5 соответственно и по связи с весом 0,5 отдает выходной сигнал только нейрону j в выходном слое с выходным сигналом 0,8. Смещение нейронов равно нулю. Функция активации у всех нейронов – логистическая функция с параметром a=1. Желаемый отклик нейрона j равен 0,7. Пользуясь алгоритмом обратного распространения ошибки (back propagation) – градиентного спуска с параметром скорости обучения 0,5 и с функцией стоимости в виде среднеквадратичной ошибки, найдите вес связи между нейронами i3 и i после первой итерации с точностью до трех знаков после запятой.
Какое из предложенных решений соответствует рисункам, когда мы ограничены только линейными классификаторами?
