Задача 10A. Устный экзамен ≡

Максимальный балл:	10		Ограничение времени:	1 сек
			Ограничение памяти:	512 Мб

Условие

Билет выбирается независимо и случайно из следующего списка:

Генетический алгоритм.

• Многопараметрическая оптимизация. Доминантность и оптимальность по Парето.
• Функция качества (fitness).
• Общая идея генетического алгоритма.
• Представление особи.
• Методы селекции: пропорционально качеству, stochastic universal sampling, с наследием, турнирная, элитизм.
• Методы кроссовера: 1,2,k-точечный, равномерный, для перестановок.
• Мутация. Влияние на скорость обучения.
• Управление популяцией. Сегрегация, старение, распараллеливание.

Обобщённые линейные модели.

• Сигмоида и логит.
• Метод наибольшего правдоподобия.
• Логистическая регрессия. Вариант для меток -1, 1.
• Функции связи. Регрессия Пуассона.

Байесовский классификатор.

• Условная вероятность. Теорема Байеса.
• Наивный классификатор.
• Оценка функции плотности.
• Мультиномиальный классификатор, сглаживание оценок. Классификация спама.
• Гауссовый байесовский классификатор.

Метод k ближайших соседей.

• Базовая идея. Классификатор k-NN. Преимущества и недостатки.
• Кроссвалидация методом "без одного" (leave-one-out).
• Показатель пограничности (Border ratio).
• Понятия выброса, прототипа, усвоенной точки. Алгоритм Харта.
• Регрессия методом k-NN.
• Взвешенные соседи.
• Эффективные методы поиска ближайших соседей (краткое описание).

Кластеризация.

• Постановка задачи кластеризации.
• Метод k-средних (K-means). Выбор начального состояния.
• Алгоритмы, основанные на плотности, основная идея. DBSCAN, OPTICS.

Деревья решений.

• Понятие энтропии, определение информации по Шеннону.
• Понятие дерева решений. Процесс обучения.
• Gini impurity, information gain.
• Случайный лес (Random forest).
• Bagging, выборка признаков.
• Дерево регрессии.
• Сокращение дерева (pruning).

Бустинг (Boosting).

• Понятие бустинга.
• Градиентный бустинг.
• OneRule Boosting.
• Adaboost.
• Бустинг деревьев.

Метод опорных векторов (SVM)

• Постановка задачи линейного SVM для линейно разделимой выборки.
• Линейный SVM в случае линейно неразделимой выборки.
• Задача оптимизации SVM. Двойственная задача.
• Kernel trick. Виды ядер.

Классическое машинное зрение.

• Фильтрация изображений. Sobel, Gauss.
• Алгоритм детекции границ Canny.
• Алгоритм Хаффа поиска прямых (Hough lines).
• Алгоритм Хаффа поиска окружностей (Hough circles).

Нейронные сети.

• Полносвязный слой. (Dense, Fully connected).
• Свёрточный слой. (Convolution).
• Pooling.
• Функции активации.
• Метод обратного распространения ошибки.

Экзамен проводится очно. В случае невозможности очного присутствия необходимо заранее договориться с преподавателем о дистанционной сдаче.

После взятия билета студент готовится в ответу. При подготовке можно использовать произвольные материалы и доступ в Интернет.

В докладе необходимо максимально кратко упомянуть все важные элементы доставшейся темы/вопроса. После доклада преподаватель задаёт несколько уточняющих вопросов. Время на ответ 10 минут + 5 минут на вопросы.

---