СИБИТ, основы искусственного интеллекта (практико-ориентированные задания)

Практико-ориентированное задание 1.

Тема: «Деревья решений»

Дерево решений – это структура данных, представляющая собой древовидную модель принятия решений. Она используется для анализа и классификации данных. Каждый узел представляет собой решение на основе определенного критерия, а каждое ребро - возможный результат этого решения.

Структура дерева решений.

· корень дерева: первый узел, от которого начинается дерево решений;

· внутренние узлы: узлы, представляющие решение на основе критерия;

· листья: конечные узлы, представляющие классификацию или прогноз.

Преимущества деревьев решений.

· легкость интерпретации: деревья решений легко интерпретируются и визуализируются;

· не требуется предварительная обработка данных – деревья могут работать с данными в их исходном виде без масштабирования или кодирования;

· способность обработки числовых и категориальных данных - могут эффективно работать с различными типами данных.

Задачи, для которых применяются деревья решений.

· классификация: используется для разделения объектов на заданные классы на основе характеристик объектов;

· регрессия: прогнозирование непрерывных значений, например, цены на недвижимость или объема продаж;

· кластеризация: деревья могут быть применены для иерархической кластеризации данных;

· анализ важности атрибутов: позволяют определить, какие атрибуты больше всего влияют на решение;

· скрипты операторов call-центов: задают последовательность взаимодействия операторов с клиентами.

Деревья решений представляют собой мощный инструмент в области машинного обучения и анализа данных, который широко используется для различных задач классификации, регрессии и кластеризации.

Задание:

Вы разрабатываете сервис для помощи в выборе подарков. Необходимо создать алгоритм, который поможет пользователю выбрать подходящий подарок (подарок 1, подарок 2, подарок 3 и т.д.), исходя из информации о получателе подарка.

Алгоритм должен учитывать:

- пол получателя подарка (мужчина, женщина);

- возраст получателя подарка (ребенок, взрослый);

- бюджет (малый, средний, большой);

- повод для подарка (день рождения, Новый год).

Требования к результату.

Решение оформите в виде графического представления блок-схемы дерева решений, соответствующего созданному Вами алгоритму.

Практико-ориентированное задание 2.

Тема: «Структура нейронной сети»

Полносвязная нейронная сеть прямого распространения (Fully Connected Feedforward Neural Network), часто сокращенно называемая просто «полносвязная сеть» (Fully Connected Network, FC) или многослойный персептрон (Multilayer Perceptron, MLP) – это базовый тип искусственной нейронной сети, характеризующийся приведенными ниже особенностями.

Полносвязность.

Каждый нейрон в одном слое связан со всеми нейронами в следующем слое. Это означает, что выход каждого нейрона в предыдущем слое является входом для всех нейронов в следующем слое.

Прямое распространение.

Информация (данные) движется только в одном направлении – от входного слоя к выходному слою, через один или несколько скрытых слоев. Нет циклов или обратных связей. Это ключевое отличие сетей прямого распространения от рекуррентных нейронных сетей (RNN).

Слои.

Входной слой (Input Layer). Получает входные данные. Количество нейронов во входном слое соответствует количеству признаков (features) входных данных. Например, если вы хотите классифицировать изображения размером 28x28 пикселей, входной слой будет содержать 784 нейрона (28 * 28).

Скрытые слои (Hidden Layers). Расположены между входным и выходным слоями. Выполняют сложные преобразования данных. Сеть может иметь один или несколько скрытых слоев. Количество нейронов в каждом скрытом слое – это гиперпараметр конкретной нейронной сети, который настраивается.

Выходной слой (Output Layer). Выдает результат. Количество нейронов в выходном слое зависит от задачи.

В задачах классификации количество нейронов равно количеству классов. Выходные значения обычно представляют собой вероятности принадлежности к каждому классу.

В задачах регрессии выходной слой обычно содержит один нейрон, выдающий предсказанное значение.

классификации, регрессии и кластеризации.

​Задание:

Разработайте и представьте схему полносвязной нейронной сети прямого распространения для решения задачи многоклассовой классификации изображений автомобилей.

Данная нейронная сеть должна содержать 3 скрытых слоя: 5 нейронов в первом скрытом слое, 6 нейронов во втором скрытом слое и 5 нейронов в третьем скрытом слое.

Входными данными являются 8 уже имеющихся признаков, извлеченных из изображения автомобиля («признак 1», «признак 2», ... «признак 8»). Выходные данные - 3 класса: «автобус», «легковой автомобиль», «грузовой автомобиль».

Требования к результату.

Нарисуйте четкую и аккуратную схему сети. Используйте следующие обозначения:

- нейрон: круг;

- cвязь между нейронами: прямая линия со стрелкой, указывающей направление распространения сигнала.

Подпишите каждый слой нейронной сети, указав его название.