1. Объясните разницу между принципами работы экспертной системы и нейрокомпьютера.
Экспертная система работает на основе заранее запрограммированных правил и знаний, которые используют специалисты для решения задач. Нейрокомпьютер, с другой стороны, использует искусственные нейронные сети, обучаясь на больших данных и адаптируясь к новым паттернам через процесс обучения.
2. Сравните два варианта активационной функции для перцептрона на рис. 2.16: ступенчатую и сигмоидную. Как нужно понимать ответ нейронной сети в каждом из этих случаев (в одном случае — 0 или 1, в другом — вещественное число от 0 до 1)?
Ступенчатая функция возвращает либо 0, либо 1 в зависимости от входа, что подходит для бинарной классификации. Сигмоидная функция возвращает вещественное число от 0 до 1, что позволяет модели предсказывать вероятности и быть более гибкой в задачах с множественными возможными выходами.
3. В каких задачах, на ваш взгляд, не нужно использовать нейронные сети?
Нейронные сети нецелесообразно применять для задач с ограниченными или небольшими наборами данных, где проще и быстрее использовать традиционные алгоритмы, например, для простых вычислений или классических задач с четкими правилами.
4. Сравните экспертные системы и методы машинного обучения.
Экспертные системы опираются на знания, закодированные вручную, тогда как машинное обучение позволяет системе самостоятельно извлекать знания из данных, обучаясь на примерах.
5. Что такое переобучение? Как обычно решают эту проблему при машинном обучении?
Это ситуация, когда модель слишком хорошо подстраивается под тренировочные данные, теряя способность к обобщению на новые данные. Для решения этой проблемы используются методы регуляризации, кросс-валидации и увеличение объема данных.
6. Какие проблемы возникают при обработке больших данных?
Среди основных проблем — необходимость в больших вычислительных мощностях, управление большими объемами информации, вопросы безопасности и конфиденциальности данных, а также сложности в извлечении полезной информации из огромных массивов данных.