Машинное обучение (курс лекций, К.В.Воронцов)/Вопросы
Материал из MachineLearning.
(Различия между версиями)
м (→Метрическая классификация) |
м (→Регрессия) |
||
| (3 промежуточные версии не показаны) | |||
| Строка 2: | Строка 2: | ||
Данная страница содержит вопросы к устному экзамену по учебному курсу К. В. Воронцова «Машинное обучение». | Данная страница содержит вопросы к устному экзамену по учебному курсу К. В. Воронцова «Машинное обучение». | ||
| - | == | + | == Первый семестр == |
=== Байесовская классификация === | === Байесовская классификация === | ||
* Записать общую формулу байесовского классификатора (надо помнить формулу). | * Записать общую формулу байесовского классификатора (надо помнить формулу). | ||
| Строка 27: | Строка 27: | ||
* Основная идея алгоритма СТОЛП. | * Основная идея алгоритма СТОЛП. | ||
* Что такое функция конкурентного сходства? Основная идея алгоритма FRiS-СТОЛП. | * Что такое функция конкурентного сходства? Основная идея алгоритма FRiS-СТОЛП. | ||
| + | * Приведите пример метрического алгоритма классификации, который одновременно является байесовским классификатором. | ||
| + | * Приведите пример метрического алгоритма классификации, который одновременно является линейным классификатором. | ||
=== Линейная классификация === | === Линейная классификация === | ||
| Строка 38: | Строка 40: | ||
* Как выражается функция потерь в логистической регрессии (надо помнить формулу). | * Как выражается функция потерь в логистической регрессии (надо помнить формулу). | ||
* Две мотивации и постановка задачи метода опорных векторов. Уметь вывести постановку задачи SVM (рекомендуется помнить формулу постановки задачи). | * Две мотивации и постановка задачи метода опорных векторов. Уметь вывести постановку задачи SVM (рекомендуется помнить формулу постановки задачи). | ||
| - | * Какая функция потерь используется в SVM? В логистической регрессии? | + | * Какая функция потерь используется в SVM? В логистической регрессии? Какие ещё функции потерь Вы знаете? |
* Что такое ядро в SVM? Зачем вводятся ядра? Любая ли функция может быть ядром? | * Что такое ядро в SVM? Зачем вводятся ядра? Любая ли функция может быть ядром? | ||
* Какое ядро порождает полимиальные разделяющие поверхности? | * Какое ядро порождает полимиальные разделяющие поверхности? | ||
| - | |||
* Что такое ROC-кривая, как она определяется? Как она эффективно вычисляется? | * Что такое ROC-кривая, как она определяется? Как она эффективно вычисляется? | ||
| - | * В каких алгоритмах классификации можно узнать не только классовую принадлежность классифицируемого объекта, но и вероятность того, что данный объект принадлежит каждому из классов? | + | * В каких алгоритмах классификации можно узнать не только классовую принадлежность классифицируемого объекта, но и вероятность того, что данный объект принадлежит каждому из классов? |
| - | + | * Каков вероятностный смысл регуляризации? Какие типы регуляризаторов Вы знаете? | |
| - | + | * Что такое принцип максимума совместного правдоподобия данных и модели (надо помнить формулу)? | |
| - | * | + | |
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | * Что такое | + | |
| - | + | ||
| - | + | ||
| - | + | ||
=== Регрессия === | === Регрессия === | ||
| + | * Что такое ядерное сглаживание? | ||
| + | * Что есть общего между ядром в непараметрической регрессии и ядром SVM? | ||
* На что влияет ширина окна, а на что вид ядра в непараметрической регрессии? | * На что влияет ширина окна, а на что вид ядра в непараметрической регрессии? | ||
| + | * Что такое окна переменной ширины, и зачем они нужны? | ||
* Что такое «выбросы»? Как осуществляется фильтрация выбросов в непараметрической регрессии? | * Что такое «выбросы»? Как осуществляется фильтрация выбросов в непараметрической регрессии? | ||
* Постановка задачи многомерной линейной регрессии. Матричная запись. | * Постановка задачи многомерной линейной регрессии. Матричная запись. | ||
* Что такое сингулярное разложение? Как оно используется для решения задачи наименьших квадратов? | * Что такое сингулярное разложение? Как оно используется для решения задачи наименьших квадратов? | ||
| - | * Что такое «проблема мультиколлинеарности» в задачах многомерной линейной регрессии? Какие есть три подхода к её | + | * Что такое «проблема мультиколлинеарности» в задачах многомерной линейной регрессии? Какие есть три подхода к её устранению? |
* Сравнить гребневую регрессию и лассо. В каких задачах предпочтительнее использовать лассо? | * Сравнить гребневую регрессию и лассо. В каких задачах предпочтительнее использовать лассо? | ||
* Какую проблему решает метод главных компонент в многомерной линейной регрессии? Записать матричную постановку задачи для метода главных компонент. | * Какую проблему решает метод главных компонент в многомерной линейной регрессии? Записать матричную постановку задачи для метода главных компонент. | ||
* Как свести задачу многомерной нелинейной регрессии к последовательности линейных задач? | * Как свести задачу многомерной нелинейной регрессии к последовательности линейных задач? | ||
* Метод настройки с возвращениями (backfitting): постановка задачи и основная идея метода. | * Метод настройки с возвращениями (backfitting): постановка задачи и основная идея метода. | ||
| + | * Какие методы построения логиcтической регрессии Вы знаете? | ||
| + | * Приведите примеры неквадратичных функций потерь в регрессионных задачах. С какой целью они вводятся? | ||
=== Примеры задач === | === Примеры задач === | ||
| Строка 76: | Строка 73: | ||
* Вывести градиентный метод обучения в логистической регрессии. | * Вывести градиентный метод обучения в логистической регрессии. | ||
| - | == | + | == Второй семестр == |
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
=== Выбор модели и отбор признаков === | === Выбор модели и отбор признаков === | ||
* В чём отличия внутренних и внешних критериев? | * В чём отличия внутренних и внешних критериев? | ||
| Строка 107: | Строка 89: | ||
* Основная идея отбора признаков с помощью случайного поиска. | * Основная идея отбора признаков с помощью случайного поиска. | ||
* В чём отличия случайного поиска от случайного поиска с адаптацией? | * В чём отличия случайного поиска от случайного поиска с адаптацией? | ||
| + | |||
| + | === Нейронные сети === | ||
| + | * Приведите пример выборки, которую невозможно классифицировать без ошибок с помощью линейного алгоритма классификации. Какова минимальная длина выборки, обладающая данным свойством? Какие существуют способы модифицировать линейный алгоритм так, чтобы данная выборка стала линейно разделимой? | ||
| + | * Почему любая булева функция представима в виде нейронной сети? Сколько в ней слоёв? | ||
| + | * Метод обратного распространения ошибок. Основная идея. Основные недостатки и способы их устранения. | ||
| + | * Как можно выбирать начальное приближение в градиентных методах настройки нейронных сетей? | ||
| + | * Как можно ускорить сходимость в градиентных методах настройки нейронных сетей? | ||
| + | * Что такое диагональный метод Левенберга-Марквардта? | ||
| + | * Что такое «паралич» сети, и как его избежать? | ||
| + | * Как выбирать число слоёв в градиентных методах настройки нейронных сетей? | ||
| + | * Как выбирать число нейронов скрытого слоя в градиентных методах настройки нейронных сетей? | ||
| + | * В чём заключается метод оптимального прореживания нейронной сети? Какие недостатки стандартного алгоритма обратного распространения ошибок позволяет устранить метод ODB? | ||
| + | |||
| + | === Композиции алгоритмов классификации === | ||
| + | * Дать определение алгоритмической композиции (помнить формулу). Какие типы корректирующих операций вы знаете? | ||
| + | * Какие типы голосования вы знаете? Какой из них наиболее общий? (помнить формулу) | ||
| + | * Как обнаружить объекты-выбросы при построении композиции классификаторов для голосования по большинству? | ||
| + | * Как обеспечивается различность базовых алгоритмов при голосовании по большинству? | ||
| + | * Как обеспечивается различность базовых алгоритмов при голосовании по старшинству? | ||
| + | * Какие возможны стратегии выбора классов базовых алгоритмов при голосовании по старшинству? | ||
| + | * Какие две эвристики лежат в основе алгоритма AdaBoost? | ||
| + | * Как обнаружить объекты-выбросы в алгоритме AdaBoost? | ||
| + | * Достоинства и недостатки алгоритма AdaBoost. | ||
| + | * Основная идея алгоритма AnyBoost. | ||
| + | * Основная идея метода bagging. | ||
| + | * Основная идея метода случайных подпространств. | ||
| + | * Что такое смесь экспертов (помнить формулу)? | ||
| + | * Приведите примеры выпуклых функций потерь. Почему свойство выпуклости помогает строить смеси экспертов? | ||
=== Логические алгоритмы классификации === | === Логические алгоритмы классификации === | ||
| Строка 113: | Строка 123: | ||
* Дайте определение эпсилон-дельта-логической закономерности (помнить формулы). | * Дайте определение эпсилон-дельта-логической закономерности (помнить формулы). | ||
* Дайте определение статистической закономерности (помнить формулы). | * Дайте определение статистической закономерности (помнить формулы). | ||
| - | * Сравните области статистических и логических закономерностей. | + | * Сравните области статистических и логических закономерностей в (p,n)-плоскости. |
* С какой целью делается бинаризация? | * С какой целью делается бинаризация? | ||
* В чём заключается процедура бинаризации признака? | * В чём заключается процедура бинаризации признака? | ||
| Строка 130: | Строка 140: | ||
* Какие есть два основных типа редукции решающих деревьев? | * Какие есть два основных типа редукции решающих деревьев? | ||
* Как преобразовать решающее дерево в решающий список, и зачем это делается? | * Как преобразовать решающее дерево в решающий список, и зачем это делается? | ||
| + | * Что такое ADT (alternating decision tree)? Как происходит построение ADT? | ||
* Основная идея алгоритма КОРА. | * Основная идея алгоритма КОРА. | ||
* Почему возникает проблема предпочтения признаков с меньшими номерами в алгоритме КОРА? Как она решается? | * Почему возникает проблема предпочтения признаков с меньшими номерами в алгоритме КОРА? Как она решается? | ||
| Строка 140: | Строка 151: | ||
* Структура алгоритма вычисления оценок (АВО). | * Структура алгоритма вычисления оценок (АВО). | ||
* Что такое ассоциативное правило? Приведите пример ассоциативного правила в задаче анализа потребительских корзин. | * Что такое ассоциативное правило? Приведите пример ассоциативного правила в задаче анализа потребительских корзин. | ||
| - | * Основная | + | * Основная идея алгоритма поиска ассоциативных правил APriory. |
=== Кластеризация и таксономия === | === Кластеризация и таксономия === | ||
| Строка 158: | Строка 169: | ||
* Как устроена самооганизующаяся карта Кохоненеа? | * Как устроена самооганизующаяся карта Кохоненеа? | ||
* Как интерпретируются карты Кохонена? | * Как интерпретируются карты Кохонена? | ||
| - | + | * Почему задачи с частичным обучением выделены в отдельный класс? Приведите примеры, когда методы классификации и кластеризации дают неадекватное решение задачи с частичным обучением. | |
| + | * Как приспособить графовые алгоритмы кластеризации для решения задачи с частичным обучением? | ||
| + | * Как приспособить EM-алгоритм для решения задачи с частичным обучением? | ||
| + | * Какие способы решения задачи с частичным обучением Вы знаете? | ||
[[Категория:Вопросы учебных курсов]] | [[Категория:Вопросы учебных курсов]] | ||
Текущая версия
Данная страница содержит вопросы к устному экзамену по учебному курсу К. В. Воронцова «Машинное обучение».
Содержание |
Первый семестр
Байесовская классификация
- Записать общую формулу байесовского классификатора (надо помнить формулу).
- Какие вы знаете три подхода к восстановлению плотности распределения по выборке?
- Что такое наивный байесовский классификатор?
- Что такое оценка плотности Парзена-Розенблатта (надо помнить формулу). Выписать формулу алгоритма классификации в методе парзеновского окна.
- На что влияет ширина окна, а на что вид ядра в методе парзеновского окна?
- Многомерное нормальное распределение (надо помнить формулу). Вывести формулу квадратичного дискриминанта. При каком условии он становится линейным?
- На каких предположениях осован линейный дискриминант Фишера?
- Что такое «проблема мультиколлинеарности», в каких задачах и при использовании каких алгоритмов она возникает? Какие есть подходы к её решению?
- Что такое «смесь распределений» (надо помнить формулу)?
- Что такое ЕМ-алгоритм, какова его основная идея? Какая задача решается на Е-шаге, на М-шаге? Каков вероятностный смысл скрытых переменных?
- Последовательное добавление компонент в ЕМ-алгоритме, основная идея алгоритма.
- Что такое стохастический ЕМ-алгоритм, какова основная идея? В чём его преимущество (какой недостаток стандартного ЕМ-алгоритма он устраняет)?
- Что такое сеть радиальных базисных функций?
- Что такое «выбросы»? Как осуществляется фильтрация выбросов?
Метрическая классификация
- Что такое обобщённый алгоритм классификации (надо помнить формулу)? Какие вы знаете частные случаи?
- Как определяется понятие отступа в метрических алгоритмах классификации?
- Что такое окно переменной ширины, в каких случаях его стоит использовать?
- Что такое метод потенциальных функций? Идея алгоритма настройки. Сравните с методом радиальных базисных функций.
- Зачем нужен отбор опорных объектов в метрических алгоритмах классификации?
- Основная идея алгоритма СТОЛП.
- Что такое функция конкурентного сходства? Основная идея алгоритма FRiS-СТОЛП.
- Приведите пример метрического алгоритма классификации, который одновременно является байесовским классификатором.
- Приведите пример метрического алгоритма классификации, который одновременно является линейным классификатором.
Линейная классификация
- Что такое модель МакКаллока-Питтса (надо помнить формулу)?
- Метод стохастического градиента. Расписать градиентный шаг для квадратичной функции потерь и сигмоидной функции активации.
- Недостатки метода SG и как с ними бороться?
- Что такое линейный адаптивный элемент ADALINE?
- Что такое правило Хэбба?
- Что такое «сокращение весов»?
- Обоснование логистической регрессии (основная теорема), основные посылки (3) и следствия (2). Как выражается апостериорная вероятность классов (надо помнить формулу).
- Как выражается функция потерь в логистической регрессии (надо помнить формулу).
- Две мотивации и постановка задачи метода опорных векторов. Уметь вывести постановку задачи SVM (рекомендуется помнить формулу постановки задачи).
- Какая функция потерь используется в SVM? В логистической регрессии? Какие ещё функции потерь Вы знаете?
- Что такое ядро в SVM? Зачем вводятся ядра? Любая ли функция может быть ядром?
- Какое ядро порождает полимиальные разделяющие поверхности?
- Что такое ROC-кривая, как она определяется? Как она эффективно вычисляется?
- В каких алгоритмах классификации можно узнать не только классовую принадлежность классифицируемого объекта, но и вероятность того, что данный объект принадлежит каждому из классов?
- Каков вероятностный смысл регуляризации? Какие типы регуляризаторов Вы знаете?
- Что такое принцип максимума совместного правдоподобия данных и модели (надо помнить формулу)?
Регрессия
- Что такое ядерное сглаживание?
- Что есть общего между ядром в непараметрической регрессии и ядром SVM?
- На что влияет ширина окна, а на что вид ядра в непараметрической регрессии?
- Что такое окна переменной ширины, и зачем они нужны?
- Что такое «выбросы»? Как осуществляется фильтрация выбросов в непараметрической регрессии?
- Постановка задачи многомерной линейной регрессии. Матричная запись.
- Что такое сингулярное разложение? Как оно используется для решения задачи наименьших квадратов?
- Что такое «проблема мультиколлинеарности» в задачах многомерной линейной регрессии? Какие есть три подхода к её устранению?
- Сравнить гребневую регрессию и лассо. В каких задачах предпочтительнее использовать лассо?
- Какую проблему решает метод главных компонент в многомерной линейной регрессии? Записать матричную постановку задачи для метода главных компонент.
- Как свести задачу многомерной нелинейной регрессии к последовательности линейных задач?
- Метод настройки с возвращениями (backfitting): постановка задачи и основная идея метода.
- Какие методы построения логиcтической регрессии Вы знаете?
- Приведите примеры неквадратичных функций потерь в регрессионных задачах. С какой целью они вводятся?
Примеры задач
- Задана цена отказа от классификации. Выписать модифицированную формулу байесовского классификатора.
- Вывести формулу линейного дискриминанта для случая независимых признаков.
- Вывести формулу наивного байесовского классификатора для случая бинарных признаков (доказать, что он линеен).
- Вывести формулу градиентного шага в методе логистической регрессии для задачи классификации с двумя классами. Сравнить с правилом Хэбба.
- Вывести формулу непараметрической регрессии Надарая-Ватсона.
- Вывести формулу регуляризованного решения задачи многомерной линейной регрессии через сингулярное разложение.
- Вывести градиентный метод обучения в логистической регрессии.
Второй семестр
Выбор модели и отбор признаков
- В чём отличия внутренних и внешних критериев?
- Разновидности внешних критериев.
- Разновидности критерия скользящего контроля.
- Что такое критерий непротиворечивости? В чём его недостатки?
- Что такое многоступенчатый выбор модели по совокупности критериев?
- Основная идея отбора признаков методом полного перебора. Действительно ли это полный перебор?
- Основная идея отбора признаков методом добавлений и исключнений.
- Что такое шаговая регрессия? Можно ли её использовать для классификации, в каком методе?
- Основная идея отбора признаков методом поиска в глубину.
- Основная идея отбора признаков методом поиска в ширину.
- Что такое МГУА?
- Основная идея отбора признаков с помощью генетического алгоритма.
- Основная идея отбора признаков с помощью случайного поиска.
- В чём отличия случайного поиска от случайного поиска с адаптацией?
Нейронные сети
- Приведите пример выборки, которую невозможно классифицировать без ошибок с помощью линейного алгоритма классификации. Какова минимальная длина выборки, обладающая данным свойством? Какие существуют способы модифицировать линейный алгоритм так, чтобы данная выборка стала линейно разделимой?
- Почему любая булева функция представима в виде нейронной сети? Сколько в ней слоёв?
- Метод обратного распространения ошибок. Основная идея. Основные недостатки и способы их устранения.
- Как можно выбирать начальное приближение в градиентных методах настройки нейронных сетей?
- Как можно ускорить сходимость в градиентных методах настройки нейронных сетей?
- Что такое диагональный метод Левенберга-Марквардта?
- Что такое «паралич» сети, и как его избежать?
- Как выбирать число слоёв в градиентных методах настройки нейронных сетей?
- Как выбирать число нейронов скрытого слоя в градиентных методах настройки нейронных сетей?
- В чём заключается метод оптимального прореживания нейронной сети? Какие недостатки стандартного алгоритма обратного распространения ошибок позволяет устранить метод ODB?
Композиции алгоритмов классификации
- Дать определение алгоритмической композиции (помнить формулу). Какие типы корректирующих операций вы знаете?
- Какие типы голосования вы знаете? Какой из них наиболее общий? (помнить формулу)
- Как обнаружить объекты-выбросы при построении композиции классификаторов для голосования по большинству?
- Как обеспечивается различность базовых алгоритмов при голосовании по большинству?
- Как обеспечивается различность базовых алгоритмов при голосовании по старшинству?
- Какие возможны стратегии выбора классов базовых алгоритмов при голосовании по старшинству?
- Какие две эвристики лежат в основе алгоритма AdaBoost?
- Как обнаружить объекты-выбросы в алгоритме AdaBoost?
- Достоинства и недостатки алгоритма AdaBoost.
- Основная идея алгоритма AnyBoost.
- Основная идея метода bagging.
- Основная идея метода случайных подпространств.
- Что такое смесь экспертов (помнить формулу)?
- Приведите примеры выпуклых функций потерь. Почему свойство выпуклости помогает строить смеси экспертов?
Логические алгоритмы классификации
- Что такое логическая закономерность? Приведите примеры закономерностей в задаче распознавания спама.
- Часто используемые типы логических закономерностей.
- Дайте определение эпсилон-дельта-логической закономерности (помнить формулы).
- Дайте определение статистической закономерности (помнить формулы).
- Сравните области статистических и логических закономерностей в (p,n)-плоскости.
- С какой целью делается бинаризация?
- В чём заключается процедура бинаризации признака?
- Как происходит перебор в жадном алгоритме синтеза информативных конъюнкций?
- Какие критерии информативности используются в жадном алгоритме синтеза информативных конъюнкций и почему?
- Как приспособить жадный алгоритм синтеза конъюнкций для синтеза информативных шаров?
- Что такое стохастический локальный поиск?
- В чём отличия редукции и стабилизации? В чём их достоинства и недостатки?
- Что такое решающий список?
- Какие критерии информативности используются при синтезе решающего списка и почему?
- Достоинства и недостатки решающих списков.
- Что такое решающее дерево?
- Какие критерии информативности используются при синтезе решающего дерева и почему?
- Достоинства и недостатки решающих деревьев.
- Зачем делается редукция решающих деревьев?
- Какие есть два основных типа редукции решающих деревьев?
- Как преобразовать решающее дерево в решающий список, и зачем это делается?
- Что такое ADT (alternating decision tree)? Как происходит построение ADT?
- Основная идея алгоритма КОРА.
- Почему возникает проблема предпочтения признаков с меньшими номерами в алгоритме КОРА? Как она решается?
- Основная идея алгоритма ТЭМП.
- Какие критерии информативности используются в алгоритме ТЭМП и почему?
- Почему возникает проблема дублирования закономерностей в алгоритме ТЭМП? Как она решается?
- Достоинства и недостатки алгоритма ТЭМП.
- Как использовать алгоритм AdaBoost для построения взвешенного голосования закономерностей?
- Какой критерий информативности используется в алгоритме AdaBoost?
- Структура алгоритма вычисления оценок (АВО).
- Что такое ассоциативное правило? Приведите пример ассоциативного правила в задаче анализа потребительских корзин.
- Основная идея алгоритма поиска ассоциативных правил APriory.
Кластеризация и таксономия
- Каковы основные цели кластеризации?
- Основные типы кластерных структур. Приведите для каждой из этих структур пример алгоритма кластеризации, который для неё НЕ подходит.
- В чём заключается алгоритм кратчайшего незамкнутого пути? Как его использовать для кластеризации? Как с его помощью определить число кластеров? Всегда ли это возможно?
- Основная идея алгоритма ФорЭл.
- Как вычисляются центры кластеров в алгоритме ФорЭл, если объекты — элементы метрического (не обязательно линейного векторного) пространства?
- Какие существуют функционалы качества кластеризации и для чего они применяются?
- Основные отличия алгоритма k-средних и EM-алгоритма. Кто из них лучше и почему?
- Основная идея иерархического алгоритма Ланса-Вильямса.
- Какие основные типы расстояний между кластерами применяются в алгоритме Ланса-Вильямса?
- Какие расстояния между кластерами, применяемые в алгоритме Ланса-Вильямса, лучше и почему?
- Что такое дендрограмма? Всегда ли её можно построить?
- Какой функционал качества оптимизируется сетью Кохонена? (помнить формулу)
- В чем отличия правил мягкой и жёсткой конкуренции? В чём преимущества мягкой конкуренции?
- Как устроена самооганизующаяся карта Кохоненеа?
- Как интерпретируются карты Кохонена?
- Почему задачи с частичным обучением выделены в отдельный класс? Приведите примеры, когда методы классификации и кластеризации дают неадекватное решение задачи с частичным обучением.
- Как приспособить графовые алгоритмы кластеризации для решения задачи с частичным обучением?
- Как приспособить EM-алгоритм для решения задачи с частичным обучением?
- Какие способы решения задачи с частичным обучением Вы знаете?
