Pytania: Sieć neuronowa – perceptron

Perceptron

Model jednostki obliczeniowej w sieciach neuronowych, który uczy się klasyfikować dane.

Funkcja aktywacji perceptronu

Operacja, która decyduje o tym, czy neuron zostanie aktywowany, często stosuje się funkcję progową.

Jakie są ograniczenia perceptronu?

Nie jest w stanie rozwiązać problemów nieliniowo separowalnych, takich jak XOR.

Zastosowanie perceptronu

Można go używać do klasyfikacji binarnej i jako element większych sieci neuronowych.

Prawda czy fałsz: Perceptron może rozwiązywać problemy nieliniowe.

Fałsz, ponieważ perceptron nie jest w stanie rozwiązać problemów nieliniowo separowalnych.

Czym jest algorytm uczenia perceptronu?

Metoda dostosowywania wag na podstawie błędów w predykcji, stosując regułę aktualizacji.

Różnica między perceptronem a wielowarstwową siecią neuronową

Perceptron to pojedynczy neuron, podczas gdy wielowarstwowa sieć ma wiele warstw neuronów.

Uzupełnij zdanie: Perceptron jest...

...najprostszym modelem sieci neuronowej do klasyfikacji.

Reguła aktualizacji wag

Nowa waga to stara waga plus współczynnik uczenia razy błąd: $\displaystyle w_{new} = w_{old} + ext{learning rate} imes ext{error}$.

Typy funkcji aktywacji

Najpopularniejsze to funkcja Heaviside (progowa) oraz funkcja sigmoid.

Jak działa klasyfikacja w perceptronie?

Perceptron przekształca dane wejściowe w wyjście poprzez wagowanie i zastosowanie funkcji aktywacji.

Czynniki wpływające na wydajność perceptronu

Wybór funkcji aktywacji, współczynnik uczenia oraz rozkład danych wejściowych.

Prawda czy fałsz: Perceptron jest w stanie uczyć się bez nadzoru.

Fałsz, perceptron wymaga danych oznaczonych do nauki.

Zastosowanie funkcji sigmoid

Pomaga w modelowaniu prawdopodobieństw klas przy klasyfikacji binarnej.

Jakie są przykłady zastosowań perceptronów?

Rozpoznawanie obrazów, klasyfikacja tekstów, detekcja anomalii.

Kiedy używać perceptronu?

Gdy problem jest liniowo separowalny i potrzebna jest szybka klasyfikacja.

Czym jest funkcja strat?

Miara odległości pomiędzy przewidywanymi a rzeczywistymi wartościami, np. MSE.

Wagi w perceptronie

Reprezentują znaczenie poszczególnych cech wejściowych w procesie klasyfikacji.

Jakie są różnice w zastosowaniu perceptronu i SVM?

SVM jest bardziej zaawansowany i może radzić sobie z problemami nieliniowymi, a perceptron jest prostszy.