Сканируется цветное изображение размером 16x16. Разрещающая сканера 600 x 600 dpi глубина цвета 2 байта. Какой информационный объем будет иметь полученный графический файл
В Python'е отступы очень важны. Эта особенность отличает его от C++, JS и многих других ЯП, где для похожих целей используются фигурные скобки { и }, а отступы важны только для читаемости. Без отступов код Python синтаксически неверный. В следующий раз обращай на это внимание. Ниже код с отступами:
# 2
chyslo = 5 # переменные нужно называть по-английски -- number
if chyslo // 2 == 1:
print(chyslo % 2)
elif chyslo < 10:
print(chyslo)
else:
print(chyslo * 2)
# ответ 5
# 3
chyslo = 8
if chyslo < 5:
print(chyslo * 2)
elif chyslo > 10:
print(chyslo / 2)
else:
print(chyslo - 2)
# ответ 6
# 4
spysok = [1, 5, -2, 8, 0, 9, -3, 6, 4, -5] # переменные нужно называть по-английски -- list_ или lst
print(spysok.index(max(spysok)))
# ответ 5
# 5
sum_ = 10 # sum -- плохое название, так как есть встроенное имя sum
for number in range (1, 10, 2):
sum_ += number
# sum_ = 35
PS: также обращай внимание на названия переменных: chyslo, spysok, sum -- плохие названия. Вместо них нужно использовать number, list_ (lst), sum_ соответственно.
Машинное обучение (Machine Learning) это тренировка математической модели на исторических данных для того, чтобы прогнозировать какое-то событие или явление на новых данных. То есть попытка заставить алгоритмы программ совершать действия на основе предыдущего опыта, а не только на основе имеющихся данных.
Для обучения нужны исторические данные (обучающая выборка) и значение целевой переменной (то, что прогнозируем), которое соответствует заданным историческим данным. Модель наблюдает и находит зависимости между данными и целевой переменной. Эти зависимости используются моделью для нового набора данных, чтобы прогнозировать целевую переменную, которая неизвестна.
Машинное обучение включает в себя целый набор методов и алгоритмов, которые могут предсказать какой-то результат по входным данным. Например, у вас есть какая-то информация по тому, сколько стоили ценные бумаги в каждый момент из какого-то длинного промежутка времени, алгоритмы машинного обучения могут предсказать, сколько эти бумаги будут стоить в будущем.
Алгоритмов машинного обучение большое множество: одни эффективны для решения одного типа задач задач, вторые — для другого. Важно не путать машинное обучение, нейросети и искусственный интеллект, это принципиально разные вещи. Обучить искусственный интеллект можно не только методами машинного обучения, а кроме нейросетевых алгоритмов есть ещё и классическое обучение, и обучение с подкреплением.
1.
if parol == "qwerty":
print("YES")
else:
print(parol)
2. 5
3. 6
4. 5
5. 35
Объяснение:
В Python'е отступы очень важны. Эта особенность отличает его от C++, JS и многих других ЯП, где для похожих целей используются фигурные скобки { и }, а отступы важны только для читаемости. Без отступов код Python синтаксически неверный. В следующий раз обращай на это внимание. Ниже код с отступами:
# 2
chyslo = 5 # переменные нужно называть по-английски -- number
if chyslo // 2 == 1:
print(chyslo % 2)
elif chyslo < 10:
print(chyslo)
else:
print(chyslo * 2)
# ответ 5
# 3
chyslo = 8
if chyslo < 5:
print(chyslo * 2)
elif chyslo > 10:
print(chyslo / 2)
else:
print(chyslo - 2)
# ответ 6
# 4
spysok = [1, 5, -2, 8, 0, 9, -3, 6, 4, -5] # переменные нужно называть по-английски -- list_ или lst
print(spysok.index(max(spysok)))
# ответ 5
# 5
sum_ = 10 # sum -- плохое название, так как есть встроенное имя sum
for number in range (1, 10, 2):
sum_ += number
# sum_ = 35
PS: также обращай внимание на названия переменных: chyslo, spysok, sum -- плохие названия. Вместо них нужно использовать number, list_ (lst), sum_ соответственно.
Объяснение:
Машинное обучение (Machine Learning) это тренировка математической модели на исторических данных для того, чтобы прогнозировать какое-то событие или явление на новых данных. То есть попытка заставить алгоритмы программ совершать действия на основе предыдущего опыта, а не только на основе имеющихся данных.
Для обучения нужны исторические данные (обучающая выборка) и значение целевой переменной (то, что прогнозируем), которое соответствует заданным историческим данным. Модель наблюдает и находит зависимости между данными и целевой переменной. Эти зависимости используются моделью для нового набора данных, чтобы прогнозировать целевую переменную, которая неизвестна.
Машинное обучение включает в себя целый набор методов и алгоритмов, которые могут предсказать какой-то результат по входным данным. Например, у вас есть какая-то информация по тому, сколько стоили ценные бумаги в каждый момент из какого-то длинного промежутка времени, алгоритмы машинного обучения могут предсказать, сколько эти бумаги будут стоить в будущем.
Алгоритмов машинного обучение большое множество: одни эффективны для решения одного типа задач задач, вторые — для другого. Важно не путать машинное обучение, нейросети и искусственный интеллект, это принципиально разные вещи. Обучить искусственный интеллект можно не только методами машинного обучения, а кроме нейросетевых алгоритмов есть ещё и классическое обучение, и обучение с подкреплением.