nevrale nettverk intro pensum

Hva er et nevralt nettverk?

Et nevralt nettverk er en samling av sammenkoblede noder (nevroner) som etterligner den biologiske hjernen for å løse problemer som klassifisering og regresjon.

Beskriv en neuron.

En neuron er en enhet i et nevralt nettverk som tar inn signaler, bearbeider dem, og sender ut et signal basert på en aktiveringsfunksjon.

Hva er aktiveringsfunksjon?

Aktiveringsfunksjonen bestemmer om en neuron skal aktiveres. Vanlige typer inkluderer sigmoid, ReLU, og tanh.

Fyll inn det tomme: Et lag med nevroner kalles ...

... et lag. Lag kan være inngangslag, skjulte lag, eller utgangslag.

Sann eller usann: Nevrale nettverk kan kun løse lineære problemer.

Usann. Nevrale nettverk kan løse både lineære og ikke-lineære problemer.

Hva er læringsprosessen i nevrale nettverk?

Læring skjer ved å justere vektene mellom nevronene basert på feil mellom forutsigelser og virkelige data ved hjelp av algoritmer som tilbakepropagasjon.

Sammenlign over- og underfitting.

Overfitting: Modellen er for kompleks og tilpasser seg støyen i data. Underfitting: Modellen er for enkel og fanger ikke relevante mønstre.

Hva er vekter i et nevralt nettverk?

Vekter er parametere som modulerer innflytelsen av input på en neurons aktivering. De justeres under læring.

Hvilken rolle spiller bias?

Bias er et tillegg til nevronets input som gjør det mulig å flytte aktiveringsfunksjonen, noe som forbedrer modellens fleksibilitet.

Hva er et treningssett?

Et treningssett er en samling av data brukt til å trene et nevralt nettverk slik at det kan lære mønstre.

Beskriv fremoverpassering.

Fremoverpassering er prosessen der inputdata sendes gjennom nettverket for å generere en forutsigelse.

Hva er tilbakepropagasjon?

Tilbakepropagasjon er en algoritme brukt for å oppdatere vekter ved å beregne gradienten av tapet med hensyn til vektene.

Hvilke typer tapsfunksjoner finnes?

Vanlige typer inkluderer: - Mean Squared Error (MSE) - Cross-Entropy Loss

Hva er en epoch?

En epoch er en full gjennomgang av hele treningssettet under treningsprosessen av et nevralt nettverk.

Sann eller usann: Et nevralt nettverk kan ha uendelig mange skjulte lag.

Sann. I teorien kan det ha mange skjulte lag, men praktisk sett anbefales det å begrense dem for å unngå kompleksitet.

Beskriv gradient descent.

Gradient descent er en optimaliseringsalgoritme som brukes til å minimere tapsfunksjonen ved å justere vektene i retning av negativ gradient.

Hva er et fullt tilkoblet nevralt nettverk?

Et nettverk hvor hver neuron er koblet til alle neuroner i neste lag. - Dyp læring - Høy kapasitet

Beskriv konvolusjonsnevrale nettverk (CNN).

Brukes primært for bildebehandling. - Konvolusjonslag - Poolinglag - Dypere nettverk for funksjonsutvinning

Hvilken type nettverk er RNN?

Rekurrente nevrale nettverk (RNN) har tilbakemeldinger og husker tidligere innganger, ideelt for sekvensielle data.

Hva er forskjellen mellom CNN og RNN?

CNN er for romlige data, RNN for tidsseriedata. - Bruksområder: Bilde vs. tekst

Definer et generativt motstridende nettverk (GAN).

Består av to nettverk, en generator og en diskriminator. - Lærer fra hverandre - Genererer nye data

Sant eller usant: MLP er alltid dypere enn RNN.

Usant: MLP (Multi-Layer Perceptron) kan være grunt, mens RNN kan være dype.

Hva er hovedformålet med en autoencoder?

Å lære en effektiv representasjon (koding) av data ved å komprimere og deretter dekomprimere dem.

Nevn en fordel med transformer-arkitektur.

Effektiv i bearbeiding av sekvenser. - Parallell behandling - Oppmerksomhetsmekanismer

Fyll inn det tomme: RNN er best for ______.

Sekvensielle data, som tekst eller tidsserier.

Hva er hovedkomponentene i en CNN?

Konvolusjonslag, poolinglag, fullt tilkoblede lag. - Funksjonsutvinning - Reduksjon av dimensjoner

Hva kjennetegner et dyp læringsnettverk?

Flere skjulte lag som kan lære komplekse mønstre. - Bedre ytelse på store datasett

Beskriv bruken av LSTM i RNN.

Long Short-Term Memory (LSTM) håndterer langsiktige avhengigheter bedre enn vanlige RNN.

Hva er en fordel med GAN sammenlignet med tradisjonelle modeller?

Genererer realistiske data uten å måtte spesifisere en modell. - Lærer av virkelige data

Forklar hva en residual blokk er.

En arkitektur som lar signaler passere gjennom lag uten endring, hjelper med å trene dype nettverk.

Hva er oppgaven til diskriminatoren i GAN?

Å skille mellom ekte og genererte data. - Betydelig for treningen av generatoren.

Hva er formålet med dropout i nevrale nettverk?

Redusere overtilpasning ved å tilfeldig deaktivere neuroner under trening. - Forbedrer generalisering