соч 3 четв 11 класс информ. СОч за 11 кл, 2 варианта. Спецификация суммативного оценивания за 1ю четерть

• Название: Спецификация суммативного оценивания за 1ю четерть
• Анкор: соч 3 четв 11 класс информ
• Дата: 23.02.2023
• Размер: 1.19 Mb.
• Имя файла: СОч за 11 кл, 2 варианта.docx
• Тип: Обзор; #952145

СПЕЦИФИКАЦИЯ СУММАТИВНОГО ОЦЕНИВАНИЯ ЗА 1-Ю ЧЕТЕРТЬ

Обзор суммативного оценивания за 1-ю четверть

1-й вариант

Продолжительность - 40 минут

Количество баллов – 25 баллов
Типы заданий:

МВО – задания с множественным выбором ответов;

КО – задания, требующие краткого ответа;

РО – задания, требующие развернутого ответа.
Структура суммативного оценивания

В суммативном оценивании за четверть используются различные типы заданий: вопросы с множественным выбором ответа, вопросы, требующие краткого, развернутого ответа.

Данный вариант состоит из 12 заданий, включающих вопросы с множественным выбором ответа, с кратким и развернутым ответами.

В вопросах с множественным выбором ответов обучающийся выбирает правильные ответы из предложенных вариантов ответов.

В вопросах, требующих краткого ответа, обучающийся записывает ответ в виде слова или короткого предложения.

В вопросах, требующих развернутого ответа, обучающийся должен показать всю последовательность действий в решении заданий для получения максимального балла.


Характеристика заданий суммативного оценивания за 1-е полугодие

Раздел	Проверяемая цель	Уровень мыслительных навыков	Кол. заданий*	№ задания*	Тип задания*	Время на выполнение, мин*	Балл*	Балл за раздел
Искусственный интеллект	1.1 объяснять принципы машинного обучения, нейронных сетей (нейронов и синапсов);	Знание и понимание	2	1	РО	5	2	25
		Знание и понимание	2	2	МВО	4	2
		Применение	2	3	КО	4	2
		Знание и понимание	2	4	МВО	5	5
	1.2 описывать сферы применения искусственного интеллекта в промышленности, образовании, игровой индустрии, обществе;	Навыки высокого порядка	1	5	РО	4	3
	1.3 проектировать нейронную сеть в электронных таблицах/программах математического моделирования по готовому алгоритму;	Применение	1	6	КО	6	4
		Применение	1	7	КО	8	5
	1.4 описывать области применения метода «обучение с учителем» при разработке искусственного интеллекта	Знание и понимание	1	8	РО	4	2
ИТОГО:			12	-		40	25

Задания суммативного оценивания

за 1-е полугодие по предмету "Информатика"

1 вариант
1.1. Дайте определение машинному обучению.

________________________________________________________________________________________________________________________________________________

1.2. Приведите пример машинного обучения ________________________________________________________________________
[2]

2.1. Укажите метод, который применяется, когда трудно извлечь из данных важные признаки или разметить все объекты.

1. 
   Обучение с учителем
   
2. 
   Обучение без учителя
   
3. 
   Обучение с частичным привлечением учителя
   
4. 
   Обучение с подкреплением
   

[1]

2.2. ______________________– это одно из направлений исследований в области искусственного интеллекта, основанное на попытках воспроизвести нервную систему человека.

[1]

3.1. Во время инициализации нейронной сети веса расставляются в:

_________________________________________________________

(случайном порядке, порядке следования нейрона, зависимости от количества нейронов, порядке возрастания, в порядке убывания)

[1]

3.2. Есть 3 нейрона, которые передают информацию следующему (смотрите картинку). Укажите вес, который будет в следующем нейроне.



Ответ: __________________________________________________________________

[1]

4.1. Установи соответствие

Вес связи		Сумма входных сигналов, умноженных на соответствующие им веса.
Синапс		Место стыка выхода одного нейрона и входа другого, в котором происходит усиление/ослабление сигнала.
Нейрон		Число, которое характеризуется синапсом
Взвешенная сумма		Вычислительная единица, которая получает информацию, производит над ней простые вычисления и передает ее дальше.

[4]

4.2. Укажите верную классификацию НС:

• 
  Персептрон и многослойная
  
• 
  Двухслойную и многослойная
  
• 
  Однослойная и со скрытыми слоями
  
• 
  Однослойная и составная
  
• 
  Одноуровневая и многоуровневая
  

[1]
5. Приведите пример применения ИИ в промышленности

________________________________________________________________________

________________________________________________________________________

________________________________________________________________________

[2]
6. Укажите чему будет равна:



- взвешенная сумма на выходе ___________________________________________

- функция единичного скачка для выхода__________________________________

[4]

7. Укажите чему будет равна:



Взвешенная сумма для выхода ____________________________________________

Сигмоидная функция активации для выхода _________________________________

Среднеквадратичная ошибка (в %)__________________________________________

[5]

8. Укажите недостатки обучения с учителем?

Ответ___________________________________________________________________

[3]

Схема выставления баллов

№	Ответ	Балл
1	Машинное обучение  — подраздел ИИ - цель которого является не прямое решение задачи, а обучение в процессе применения решений множества сходных задач. - цель заключается в том, чтобы научить компьютеры обучаться самостоятельно. - это процесс, в ходе которого система обрабатывает большое число примеров, выявляет закономерности и использует их, чтобы прогнозировать характеристики новых данных.	1
	Пример: классификации ленты в социальных сетях по интересам, фильтр спама и т.д.	1
2	с) Обучение с частичным привлечением учителя	1
	Нейронные сети	1
3	случайном порядке	1
	w1	1
4		4
	Персептрон и многослойная	1
5	Например На уровне проектирования На уровне производства	2
6	0,57 0	2
		2
7	1,4 0,81 4%	2
		2
		1
8	Метод «обучение с учителем» ограничен во многих смыслах, поэтому он не может справиться с некоторыми сложными задачами машинного обучения. Данные не могут быть классифицированы алгоритмом самостоятельно, как в случае обучения без учителя. В случае обнаружения данных, которые не относятся ни к одному из классов в обучающих данных, результат будет неточным. Например, предположим, что вы обучили классификатор изображений на данных о розах и ромашках. Если классификатор получит изображение лилии, то на выходе может получиться либо роза, либо ромашка, что не совсем правильно. Пока тренируется классификатор, нужно выбрать много хороших примеров из каждого класса. В противном случае точность модели будет очень мала. Как правило, обучение требует много вычислительного времени, так же, как и классификация, особенно если набор данных очень большой.	3
Итого		25

Задания суммативного оценивания

за 1-е полугодие по предмету "Информатика"

2. 
   вариант
   

1.1. Дайте определение машинному обучению.

________________________________________________________________________________________________________________________________________________

1.2. Приведите пример машинного обучения ________________________________________________________________________
[2]

2.1. Укажите метод, который применяется, когда входящие данные содержат правильные ответы.

1. 
   Обучение с учителем
   
2. 
   Обучение без учителя
   
3. 
   Обучение с частичным привлечением учителя
   
4. 
   Обучение с подкреплением
   

[1]

2.2. ______________________– совокупность взаимодействующих между собой искусственных нейронов

[1]

3.1. Во время инициализации нейронной сети веса расставляются в:

_________________________________________________________

(случайном порядке, порядке следования нейрона, зависимости от количества нейронов, порядке возрастания, в порядке убывания)

[1]

3.2. Есть 3 нейрона, которые передают информацию следующему (смотрите картинку). Укажите вес, который будет в следующем нейроне.



Ответ: __________________________________________________________________

[1]

4.1. Установи соответствие

Итерация		Сумма входных сигналов, умноженных на соответствующие им веса.
Синапс		Место стыка выхода одного нейрона и входа другого, в котором происходит усиление/ослабление сигнала.
Тренировочный сет (датасет)		Своеобразный счетчик, который увеличивается каждый раз, когда нейронная сеть проходит один набор данных
Взвешенная сумма		Набор данных, на которых нейронная сеть будет обучаться..

[2]
4.2. Укажите верную классификацию НС:

• 
  Однослойные, с распространением ошибки и сети радиально-базисных функций
  
• 
  циклические, многослойные и другие сети.
  
• 
  с последовательным распространением ошибки, циклические и сети радиально-базисных функций
  
• 
  с прямым распространением ошибки, сети радиально-базисных функций и другие сети.
  
• 
  с обратным распространением ошибки, сети радиально-базисных функций и другие сети
  

[1]
5. Приведите пример применения ИИ в образовании

________________________________________________________________________

________________________________________________________________________

________________________________________________________________________

[2]
6. Укажите чему будет равна:



- взвешенная сумма на выходе ___________________________________________

- функция единичного скачка для выхода__________________________________

[4]

7. Укажите чему будет равна:



Взвешенная сумма для выхода ____________________________________________

Сигмоидная функция активации для выхода _________________________________

Среднеквадратичная ошибка (в %)__________________________________________

[5]

8. Объясните как происходит реализация машинного обучения?

Ответ___________________________________________________________________

[3]

Схема выставления баллов

№	Ответ	Балл
1	Машинное обучение  — подраздел ИИ - цель которого является не прямое решение задачи, а обучение в процессе применения решений множества сходных задач. - цель заключается в том, чтобы научить компьютеры обучаться самостоятельно. - это процесс, в ходе которого система обрабатывает большое число примеров, выявляет закономерности и использует их, чтобы прогнозировать характеристики новых данных.	1
	Пример: классификации ленты в социальных сетях по интересам, фильтр спама и т.д.	1
2	а) Обучение с учителем	1
	Искусственная нейронная сеть	1
3	случайном порядке	1
	W2	1
4		4
	с обратным распространением ошибки, сети радиально-базисных функций и другие сети.	1
5	Например Адаптивное обучение Автоматическое оценивание	2
6	7,32 1	2
		2
7	-1,4 0,19 65%	2
		2
		1
8	Обучение с учителем реализуется в два этапа: Этап 1 – обучение с учителем На входе: данные – выборка прецедентов «объект→ ответ». На выходе: алгоритм, по любому объекту предсказывающий ответ Этап 2 – применение На входе: данные – новый объект. На выходе: предсказание ответа на новом объекте	3
Итого		25

Задания суммативного оценивания

за 1-е полугодие по предмету "Информатика"

2. 
   вариант
   

1.1. Дайте определение машинному обучению.

________________________________________________________________________________________________________________________________________________

1.2. Приведите пример машинного обучения ________________________________________________________________________
[2]

2.1. Укажите метод, который применяется, когда перед обучаемой системой стоит задача найти заранее неизвестные ответы.

1. 
   Обучение с учителем
   
2. 
   Обучение без учителя
   
3. 
   Обучение с частичным привлечением учителя
   
4. 
   Обучение с подкреплением
   

[1]

2.2. ______________________– структура, при которой моделируются простые свойства нейрона - принимается сигнал, преобразуется и передается другим нейронам (которые делают то же самое)

[1]

3.1. Во время инициализации нейронной сети веса расставляются в:

_________________________________________________________

(случайном порядке, порядке следования нейрона, зависимости от количества нейронов, порядке возрастания, в порядке убывания)

[1]

3.2. Есть 3 нейрона, которые передают информацию следующему (смотрите картинку). Укажите вес, который будет в следующем нейроне.



Ответ: __________________________________________________________________

[1]

4.1. Установи соответствие

Итерация		При инициализации нейронной сети эта величина устанавливается в 0 и имеет потолок, задаваемый вручную
Ошибка		Своеобразный счетчик, который увеличивается каждый раз, когда нейронная сеть проходит один набор данных
Эпоха		Формируется каждую эпоху и должна идти на спад
Тренировочный сет (датасет)		Набор данных, на которых нейронная сеть будет обучаться

[4]
4.2. Укажите верную классификацию НС:

• 
  прямолинейные и циклические
  
• 
  синаптические, датасет и ассоциативные
  
• 
  расчетные, классифицирующие и ассоциативные
  
• 
  многослойные, классифицирующие и ассоциативные
  
• 
  персептрон, связеобразующие и ассоциативные.
  

[1]
5. Приведите пример применения ИИ в обществе

________________________________________________________________________

________________________________________________________________________

________________________________________________________________________

[2]
6. Укажите чему будет равна:



- взвешенная сумма на выходе ___________________________________________

- функция единичного скачка для выхода__________________________________

[4]

7. Укажите чему будет равна:



Взвешенная сумма для выхода ____________________________________________

Сигмоидная функция активации для выхода _________________________________

Среднеквадратичная ошибка (в %)__________________________________________

[5]

8. Перечислите преимущества обучения с учителем?

Ответ___________________________________________________________________

[3]

Схема выставления баллов

№	Ответ	Балл
1	Машинное обучение  — подраздел ИИ - цель которого является не прямое решение задачи, а обучение в процессе применения решений множества сходных задач. - цель заключается в том, чтобы научить компьютеры обучаться самостоятельно. - это процесс, в ходе которого система обрабатывает большое число примеров, выявляет закономерности и использует их, чтобы прогнозировать характеристики новых данных.	1
	Пример: классификации ленты в социальных сетях по интересам, фильтр спама и т.д.	1
2	в) Обучение без учителя	1
	Искусственный нейрон	1
3	случайном порядке	1
	W2	1
4		4
	расчетные, классифицирующие и ассоциативные	1
5	Например Дорожное движение Системы умных домов	2
6	1,36 0	2
		2
7	0,67 0,7 11%	2
		2
		1
8	Методы обучения с учителем позволяют быть очень точными в определении меток. Можно задавать количество классов. Входные данные известны и помечены (маркированы). Результаты являются более точными и надежными, по сравнению с результатами, полученными с помощью обучения без учителя, так как входные данные в алгоритме известны и помечены (маркированы).	3
Итого		25