Studia informatyka – Sieci neuronowe – wstęp

Co to jest sieć neuronowa?

Struktura obliczeniowa inspirowana ludzkim mózgiem, składająca się z neuronów połączonych synapsami.

Neuron

Podstawowa jednostka sieci neuronowej, przetwarzająca dane i przekazująca sygnały do innych neuronów.

Warstwa ukryta

Warstwa neuronów w sieci, która przetwarza dane pomiędzy warstwą wejściową a wyjściową.

Funkcja aktywacji

Matematyczna funkcja, która decyduje, czy neuron powinien być aktywowany. Przykłady: ReLU, Sigmoid.

Uczenie nadzorowane

Rodzaj uczenia, w którym model jest trenowany na oznaczonych danych wejściowych i wyjściowych.

Algorytm wstecznej propagacji

Metoda optymalizacji wag w sieciach neuronowych poprzez minimalizowanie błędów wyjściowych.

Przykład zastosowania

Rozpoznawanie obrazów, przetwarzanie języka naturalnego, analiza danych.

Prawda czy fałsz: Sieci neuronowe są inspirowane mózgiem.

Prawda, ponieważ ich struktura naśladuje połączenia neuronów w ludzkim mózgu.

Wagi

Parametry modelu, które są dostosowywane w trakcie uczenia, decydujące o wpływie neuronów na wynik.

Bias

Dodatkowy parametr w modelu, który pomaga w przesunięciu funkcji aktywacji, zwiększając elastyczność modelu.

Sieci konwolucyjne

Specjalny typ sieci neuronowych, stosowany głównie w zadaniach rozpoznawania obrazów.

Uzupełnij zdanie: Sieci neuronowe składają się z ___

warstw: wejściowej, ukrytej i wyjściowej.

Przykład funkcji aktywacji

ReLU: $\displaystyle f(x) = max(0, x)$, stosowana do wprowadzenia nieliniowości.

Prawda czy fałsz: Wszystkie sieci neuronowe mają tę samą architekturę.

Fałsz, ponieważ architektury różnią się w zależności od zastosowania.

Jakie są główne zastosowania sieci neuronowych?

Rozpoznawanie obrazów, przetwarzanie mowy, analiza tekstu, prognozowanie danych.

Różnica między siecią feedforward a rekurencyjną

Feedforward przesyła dane w jednym kierunku, podczas gdy rekurencyjna przetwarza dane na podstawie wcześniejszych wyjść.

Co to jest transfer learning?

Technika, w której model wytrenowany na jednym zadaniu jest dostosowywany do innego, pokrewnego zadania.

Przykłady danych do trenowania

Zbiory obrazów, tekstów, dźwięków, danych numerycznych.

Jakie są wyzwania w trenowaniu sieci neuronowych?

Przeuczenie, zbieżność, czas obliczeń oraz potrzeba dużych zbiorów danych.

Prawda czy fałsz: Sieci neuronowe potrzebują dużej ilości danych.

Prawda, aby skutecznie uczyć się i generalizować wyniki.

Co to jest regularizacja?

Technika stosowana w celu zapobiegania przeuczeniu modelu, np. Dropout.

Uzupełnij zdanie: Do trenowania sieci neuronowych najczęściej używa się ___

algorytmu gradientu prostego lub jego wariantów.

Jakie są różnice między Supervised a Unsupervised Learning?

W Supervised Learning modele uczą się na oznaczonych danych, a w Unsupervised Learning na nieoznakowanych.

Co to jest Generative Adversarial Network (GAN)?

Model składający się z dwóch sieci, konkurujących ze sobą, aby generować realistyczne dane.

Prawda czy fałsz: Sieci neuronowe są tylko dla obrazów.

Fałsz, można je stosować w różnych dziedzinach, w tym w tekstach i dźwiękach.

W jaki sposób sieci neuronowe wpływają na AI?

Umożliwiają rozwój zaawansowanych systemów AI, które mogą uczyć się i adaptować.