Информатика

🐛Нарисуй гусеницу

 

1. Начни рисовать с точки (0, 0) (С тела гусеницы)
2. Нарисуй 8 зелёных точек размером 40 пикселей (цвет зелёный)
3. Каждая следующая точка должна быть на расстоянии 30 пикселей правее от центра предыдущей
4. Голова гусеницы должна быть рамеров 50 пикселей
5. Нарисуй левый глаз: белая точка размером 12 пикселей в позиции (235, 10) (цвет: "white") и чёрная точка (зрачок) размером 6 пикселей в позиции (235, 10) (цвет: "black")
6. Нарисуй правый  глаз: белая точка размером 12 пикселей в позиции (250, 10) (цвет: "white") и чёрная точка (зрачок) размером 6 пикселей в позиции (250, 10) (цвет: "black")
7. Нарисуй рот: чёрная точка  размером 4 пикселя в позиции (245, -5) (цвет: "black")

Пятиугольник циклом

Черепашка начинает рисование  из точки (0, 0), двигаясь вправо. По завершении движения, Черепашка должна оставить след в виде пятиугольника, длина стороны которого равна 100. Прямоугольник должен располагаться выше начального положения Черепашки (смотри изображение слева). 

Нарисуйте лесенку из трёх ступенек

• Начинаем в (0, 0).
• Черепашка последовательно идёт: вперед 30, поворот налево, вверх 20, поворот направо, повторить три раза.
• Горизонтальная часть лесенки должна быть толщиной 5 точек, вертикальная - 3 точки
   

Нарисуйте букву "L"

• Начало в (0, 0), перо опущено.
• Из начально точки черепашка рисует линии в следующей последовательности:
  - Вниз 100 пикселей.
  - Вправо 50 пикселей.

Не используйте команду goto(). 

Нарисуйте линию от точки (0, 0) до точки (100, 0). 

Что произойдёт с метриками, если уменьшить порог классификации?

1. Precision ↑, Recall ↓  
2. Precision ↓, Recall ↑  
3. Обе метрики увеличатся  
4. Обе метрики уменьшатся

Если Precision = 90% и Recall = 90%, чему равна F1-мера?

1. 90%  
2. 80%  
3. 95%  
4. 85%

F1-мера — это:

1. Среднее арифметическое Precision и Recall  
2. Гармоническое среднее Precision и Recall  
3. Максимум из Precision и Recall  
4. Произведение Precision и Recall

Recall ещё называют:

1. Точность  
2. Чувствительность (или Полнота)  
3. Специфичность  
4. F-мера

На какой вопрос отвечает метрика Precision?

1. Сколько положительных объектов мы нашли из всех?  
2. Когда модель говорит "да", как часто она права?  
3. Сколько всего правильных ответов?  
4. Сколько ошибок первого рода мы допустили?

Что измеряет метрика Accuracy?

1. Процент правильных предсказаний класса 1  
2. Процент правильных предсказаний от всех предсказаний  
3. Процент найденных положительных объектов  
4. Точность положительных предсказаний

Модель для поиска вирусов проверила файл. Файл оказался чистым, и модель правильно определила это. Как называется этот исход?

1. True Positive (TP)  
2. False Positive (FP)  
3. True Negative (TN)  
4. False Negative (FN)

Что означает True Positive (TP)?

1. Модель правильно предсказала класс 1  
2. Модель ошибочно предсказала класс 1  
3. Модель правильно предсказала класс 0  
4. Модель ошибочно предсказала класс 0

Врач считает температуру опасной, если она ниже 35°C или не ниже 39°C — выведите 1, если температура опасная, и 0 в противном случае.

Формат входных данных: Температура тела (целое число от 30 до 45)

Формат выходных данных: 1 или 0

Студент допускается к экзамену, если его рейтинг не меньше 50 баллов и он не имеет академической задолженности — выведите 1, если студент допущен, и 0 в противном случае.
 

Формат входных данных
Две строки: в первой строке вводится целое число - рейтинг (число от 0 до 100), во второй строке вводится одно число 0 или 1: наличие задолженности (0 — нет, 1 — есть)

Формат выходных данных
Выведите 1 или 0

Напиши программу для анализа качества классификации.

Входные данные:

Первая строка: n — количество примеров

Вторая строка: n чисел — реальные классы (0 или 1)

Третья строка: n чисел — предсказанные классы (0 или 1)

 

Выходные данные:

Выведи через пробел (округли до 2 знаков):

1. Accuracy

2. Precision

3. Recall

4. F1-score

 

Примечания:

- Если Precision или Recall считать невозможно (деление на 0), выведи 0.00

- Формат вывода: 0.87 0.92 0.85 0.88 (4 числа через пробел)

По заданным параметрам: коэффициенту модели (w), свободному члену (b), температуре(t) и порогу принятия решения (p) определите и выведите на экран значения z, p, класс (1-болен/0-здоров/? - граница)

Формат входных данных
4 вещественных числа, каждое в отдельной строке:
w - коэффициент модели 
b - свободный член
t - температура пациента 
p - порог принятия решения

Формат выходных данных
Выведите три числа через пробел: z (вещественное число с точностью до сотых), p (вещественное число от 0 до 1 с точностью до сотых), класс (1-болен/0-здоров/? - граница)

Когда log-loss будет БОЛЬШИМ (модель ошиблась сильно)?

1.  Предсказали p=0.9, реальный класс y=1
2.  Предсказали p=0.5, реальный класс y=0
3.  Предсказали p=0.1, реальный класс y=0
4.  Предсказали p=0.1, реальный класс y=1

Что означает log-loss = 0.8?

1.  Модель работает хорошо
2.  Модель работает удовлетворительно
3.  Модель работает плохо, хуже случайного
4.  Модель работает идеально

Что означает log-loss = 0.05?

1.  Модель работает очень плохо
2.  Модель работает отлично
3.  Модель работает на уровне случайного угадывания
4.  Нужно больше данных