Капитальный ремонт скважин. Вопросы для промежуточного контроля

Экзаменационные билеты

Переобучение

● Что такое переобучение

● Из-за чего оно появляется

● Основные способы борьбы с переобучением

● Привести пример графика переобучения

Свёрточные сети

● Принципы работы

● Плюсы и минусы

● Где применяются

● Параметры слоя в keras

● Пример, как поменяется размер изображения по данной свёрточной сети

● Что такое MaxPooling

● Что такое Flatten, GlobalMaxPooling и GlobalAveragePooling

● Какой будет размер слоя после свёрточного блока и одного из слоёв уменьшения

размерности (Flatten, GlobalMaxPooling или GlobalAveragePooling)

● Как обработать слоем Conv2D одноканальное изображение

● Где еще, помимо изображений, можно использовать сверточные сети

Реккурентные сети

● Принципы работы

● Плюсы и минусы

● Где применяются

● Примеры слоя в keras

● Какая размерность сигнала на выходе из рекуррентного слоя

● Как соединять несколько реккурентных слоёв подряд

● Как соединить реккурентные слои с одномерной свёрткой и полносвязными слоями

Автокодировщики

● Принципы работы

● Принципы подготовки выборки

● Как на автокодировщиках делается поиск выбросов

● Как на автокодировщиках делается шумоподавление

● Как на автокодировщиках делается раскрашивание чёрно-белой фотографии в

цветную

● В чём проблема генеративных моделей на автокодировщиках

Вариационные автокодировщики

● Принцип работы, отличия от автокодировщиках

● Как реализуется обучение (учитывая, добавление вероятностного слоя)

● Генеративные модели на вариационных автокодировщиках

Генеративные сети

● Принцип работы генеративных сетей

● Особенности обучения GAN

● Сходимость GAN

● Как оценить результат GAN

● Какие архитектуры могут быть в генераторе и дискриминаторе

● Пример генерации рукописных цифр

Кластеризация

● В чём заключается задача кластеризации

● Алгоритм K-mean

● Как оценить качество разбиения

● Как определить оптимальное количество классов

Генетические алгоритмы

● Принцип генетических алгоритмов

● Области применения ГА

● Плюсы и минусы ГА

● Примеры формирования ботов

● Примеры различных функций скрещивания и мутации

● Что влияет на сходимость ГА

● Особенности подбора архитектуры нейронной сети с помощью ГА

Классификация и регрессия

● Чем отличается задача классификации и регрессии

● Чем отличаются архитектуры сетей

● Чем отличается подготовка данных

● Чем отличаются loss функции и метрики

● Нормализация данных

Сегментация

● В чём заключается задача сегментации

● Как подготавливается y_train для сегментации

● Какие архитектуры применяются для сегментации

Object detection

● В чём заключается задача object detection

● Как подготавливается база для object detection

● Сети FastRCNN и FasterRCNN

● Сеть RetinaNet

● Сеть Yolo

● В чем заключается идея использования анкоров в моделях YOLO и Retina

Обработка текстов

● Как параметризуются тексты

● Как формируется словарь

● Параметризация с помощью bag of words

● Параметризация с помощью embedding

● Какие сети используются для обработки текста

● Принцип работы keras’овского токенайзера

● Пример на разбор с изменением размерности

Временные ряды

● Как формируются x_train и y_train для временных рядов

● В чём особенности формирования обучающей и проверочной выборок

● Какие архитектуры используются для прогнозирования временных рядов

● Что такое проблема автокорреляции? Как она решается?

● Решение проблемы разбалансировки

Аудио

● Как параметризуется аудиосигнал

● Что такое спектр

● Что такое MEL-коэффициенты

● Какие есть другие полезные параметризации аудио сигнала

● Как проводится нарезка аудио для обработки

● Какие сети используются для обработки аудио

Обучение с подкреплением

● Принципы обучения с подкреплением

● Чем обучение с подкреплением отличается от других задач - классификация,

регрессия и т.п.

● Принцип алгоритма Policy gradient - что подаётся на вход сети, а что

прогнозируется?

● Принцип алгоритма DQN - что подаётся на вход сети, а что прогнозируется?

● Policy gradient: принцип распространения подкрепления в обратную сторону

● Policy gradient: принцип формирования loss в зависимости от подкрепления

● Примеры задач для обучения с подкреплением

Tensorflow

● Отличия от Keras

● Плюсы и минусы

● В чём заключается принцип создания графа

● Основные функции tensorflow

● Инициализация

● Графы и сессии

● Как реализуется полносвязная сеть

● Как реализуется свёрточная сеть

● Как реализуется генеративная сеть

PyTorch

● Отличия от Keras

● Как реализуется полносвязная сеть

● Как реализуется свёрточная сеть

● Как реализуется генеративная сеть

Активационные функции

● Какие есть основные активационные функции

● Где какие активационные функции применяются

Функции ошибки, loss

● Какием существуют виды loss

● Где какие loss используются

Callbacks

● Для чего нужны callback-и

● Типовые callback-и

● Как написать свой callback

Аугментация

● Для чего нужна аугментация

● Аугментация изображений

● Аугментация текстовых данных

● Аугментация временных рядов

● Аугментация аудио