Примеры решений задач на Python
Задача 1. Сортировка и поиск. Сгенерируйте массив целых чисел:
а. Отсортируйте массив методом "Пузырька"
б. Найдите заданный элемент в исходном массиве линейным поиском
в. Найдите заданный элемент в отсортированном массиве двоичным поиском.
Задача 2. Регулярные выражения. Вам дан набор строк, разделенных между собой символами переноса строки. Необходимо вывести все подстроки вида чч:мм (00 ≤ чч ≤ 23, 00 ≤ мм ≤ 59) или ч:мм (0 ≤ ч ≤ 12, 00 ≤ мм ≤ 59) в порядке следования их в тексте, каждую в отдельной строке.
Задача 3. Решение СЛАУ методом Гаусса. Написать программу с оконнным интерфейсом для решения системы линейных алгебраических уравнений (СЛАУ) методом Гаусса.
Задача 4. Машинное обучение. Взять пакет sklearn и обучить LinearRegression, SGDRegressor, Ridge, Lasso, ElasticNet на датасете стоимости недвижимости в Бостоне.
Задача 5. Обработка изображений. Выбрать тестовое изображение в оттенках серого, выполнить над ним операции:
1. Преобразовать в бинарное с помощью пороговой сегментации
2. Выполнить эрозию полученного изображения с помощью круглого примитива размера 5х5
3. Выполнить дилатацию изображения с таким же примитивом
4. Выполнить операции размыкания исходного бинарного изображения
5. Выполнить операцию замыкания исходного бинарного изображения
6. Получить изображение, на котором выделены все границы исходного бинарного изображения.
Задача 6. Обработка изображений. Загрузить тестовое изображение, выполнить над ним операции:
1. Подготовить тестовое изображение в градациях серого
2. Выполнить пороговую сегментацию изображения
3. Выполнить двухпороговую сегментацию изображения
4. Выполнить сегментацию изображения с глобальным порогом
5. Выполнить сегментацию изображения методом Оцу
Задача 7. Анализ данных. Проанализировать набор данных о клиентах банка и предсказать, будет ли просрочка 90 дней и более при выдаче кредита.
Задача 8. Обучение нейросети. Создать нейросеть, выполняющую разделение двух фигур на изображении, используя библиотеку keras. Выбрать для поставленной задачи наилучший оптимайзер, подобрать оптимальные коэффициенты для инициализации нейросети. Изучить работу функций обратного вызова EarlyStopping и ModelCheckpoint
