Машинное обучение (курс лекций, К.В.Воронцов)/Вопросы

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
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».
-
== Осень 2008 ==
+
== 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?
-
* Основная идея алгоритма INCAS.
 
* 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?
-
=== Нейронные сети ===
+
* Что такое принцип максимума совместного правдоподобия данных и модели (надо помнить формулу)?
-
* 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 двуслойной нейронной сети?
+
-
* 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?
+
-
* 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?
+
=== 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 решению?
+
* 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.
-
== Весна 2009 ==
+
== Второй семестр ==
-
=== 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 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?
+
-
 
+
=== 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 идеа алгоритма поиска ассоциативных правил APriory.
+
* 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?
Личные инструменты