neurala nätverk grunder begrippen
Denna begreppslista täcker grunderna i neurala nätverk, inklusive centrala termer och koncept som används inom artificiell intelligens och maskininlärning, vilket är viktigt för studenter inom datavetenskap.
Quiz(72 frågor)
1. Vilket nätverk är mest lämpat för bildigenkänning?
Begrepp i det här studiesetet(72)
Grunder i neurala nätverk(20)
Neuralt nätverk
En typ av algoritm inspirerad av den mänskliga hjärnan, som används för att känna igen mönster och göra beslut baserat på data.
Neuron
Den grundläggande enheten i ett neuralt nätverk, som tar emot, bearbetar och överför information.
Aktiveringsfunktion
En funktion som bestämmer om ett neuron ska aktiveras eller inte, exempelvis Sigmoid eller ReLU.
Vikt
Ett värde som bestämmer hur mycket indata påverkar resultatet i ett neuralt nätverk.
Bias
Ett extra värde som läggs till för att justera nätverkets output, vilket kan hjälpa till att förbättra noggrannheten.
Framåtpropagering
Processen där indata passerar genom nätverket och en output beräknas.
Bakåtpropagering
Metod för att justera vikterna i ett neuralt nätverk genom att minimera skillnaden mellan förväntad och faktiskt output.
Överfitting
Ett problem där en modell lär sig för mycket av träningsdata och presterar dåligt på ny data.
Underfitting
När en modell är för enkel och inte fångar de underliggande mönstren i datan.
Batch size
Antal träningsexempel som används för att beräkna en uppdatering av vikterna under träning.
Lärandehastighet
Ett hyperparameter som avgör hur mycket vikterna ska justeras under träningen.
Målvariabel
Den variabel i datan som neurala nätverket försöker förutsäga.
Gradientnedstigning
En optimeringsmetod som används för att minimera en förlustfunktion genom att uppdatera vikterna i riktning mot den negativa gradienten.
Förlustfunktion
Ett mått på hur bra eller dåligt nätverket presterar, exempelvis MSE (Mean Squared Error).
Korsvalidering
En teknik för att utvärdera modellens prestanda genom att dela upp datan i tränings- och testset flera gånger.
Regularisering
Tekniker för att förhindra överfitting genom att lägga till en straffterm till förlustfunktionen.
Dropout
En regulariseringsteknik där slumpmässigt valda neuroner ignoreras under träning för att förhindra överfitting.
Konvolutionellt neuralt nätverk (CNN)
En typ av neuralt nätverk som är särskilt effektivt för bildbehandling, där konvolutionslager används för att extrahera egenskaper.
Rekurrenta neurala nätverk (RNN)
Nätverk som är designade för att behandla sekventiella data, såsom tidsserier eller text, genom att ha återkoppling mellan neuronen.
Mångsidighet
Förmågan hos ett neuralt nätverk att generalisera från träningsdata till nya, osedda data.
Träning och inlärning(18)
Träning
Processen där ett neuralt nätverk justeras för att förbättra sina förutsägelser.
Övervakad inlärning
En inlärningsmetod där modellen tränas med märkta data för att lära sig samband.
Oövervakad inlärning
Metod där modellen identifierar mönster i omärkta data utan handledning.
Förlustfunktion
Mäter skillnaden mellan förutsägelsen och det verkliga resultatet, används för att justera vikter.
Backpropagation
Algoritm som används för att justera vikter i nätverket genom att minimera förlustfunktionen.
Gradientnedstigning
Optimeringsmetod som minskar förlusten genom att justera vikterna i riktning mot gradienten.
Lärande hastighet
Parameter som bestämmer hur mycket vikterna justeras i varje iteration, kan påverka konvergens.
Epoch
Ett fullständigt genomgång av hela träningsdatasetet under träning av modellen.
Batch
En delmängd av träningsdata som används för att uppdatera vikterna i en iteration.
Regularisering
Tekniker för att förhindra överanpassning av modellen, t.ex. L1 och L2 regularisering.
Överanpassning
När modellen lär sig brus i träningsdata istället för att generalisera till nya data.
Underanpassning
När modellen är för enkel för att fånga mönster i data, vilket leder till dålig prestanda.
Valideringsuppsättning
Används för att utvärdera modellens prestanda under träning och för att justera hyperparametrar.
Testuppsättning
Används för att slutgiltigt utvärdera modellens prestanda efter träning och validering.
Hyperparameter
Parametrar som ställs in innan träningen börjar, t.ex. antal lager eller neuroner.
Tidigare erfarenhet
Refererar till vikterna från tidigare träning som kan användas för att starta nya modeller.
Dropout
Teknik för att minska överanpassning genom att slumpmässigt ta bort neuroner under träning.
Sparsitet
Tillstånd där endast en liten del av neuronerna är aktiva, vilket kan förbättra effektiviteten.
Arkitektur och typer(16)
Konvolutionella neurala nätverk (CNN)
Används främst vid bildbehandling. CNN kan identifiera mönster genom att använda konvolutionella lager som extraherar funktioner från bilder.
Vad är ett rekursivt neuralt nätverk (RNN)?
RNN är en typ av nätverk som har förmåga att bearbeta sekventiella data genom interna minnen av tidigare ingångar.
Vad kännetecknar ett fullt anslutet nätverk?
I ett fullt anslutet nätverk är varje neuron kopplad till varje neuron i nästa lager. Detta möjliggör komplexa inlärningar, men kan vara resurskrävande.
Vad är skillnaden mellan CNN och RNN?
CNN är optimalt för bilddata medan RNN är designat för sekventiella data, såsom tidserier eller text.
Generativa motstående nätverk (GAN)
GAN består av två nätverk, en generator och en diskriminator, som konkurrerar mot varandra för att skapa realistiska data.
Särskilj mellan autoencoder och GAN.
Autoencoders används för att komprimera data och återge den, medan GANs fokuserar på att generera nya data.
Vad är en hopkopplad struktur?
En hopkopplad struktur innebär att neuroner i ett lager är anslutna till varje neuron i nästa lager. Vanligt för grundläggande neural nätverksarkitektur.
Vad används LSTM för?
LSTM, en typ av RNN, används för att hantera långsiktigt beroende i sekventiella data, vilket är svårt för vanliga RNN att göra.
Vad är en överföringsfunktion?
Överföringsfunktioner bestämmer hur utgången från en neuron beräknas baserat på dess ingångar. Vanliga funktioner inkluderar sigmoid, ReLU och tanh.
True or False: Feedforward-nätverk kan ha cykler.
False. Feedforward-nätverk har ingen cykel; data flödar i en riktning, från inmatning till utmatning.
Vad är en vanlig användning för autoencoders?
Autoencoders används ofta för datakomprimering och brusreduktion. De kan lära sig att representera data effektivt.
Vad är skillnaden mellan supervised och unsupervised inlärning?
Supervised inlärning använder märkta data, medan unsupervised inlärning arbetar med omärkta data för att upptäcka mönster.
Vad är syftet med en dropout-lager?
Dropout-lager används för att förhindra överanpassning genom att slumpmässigt ta bort neuroner under träning.
Fyll i blankt: En ___________ är en nätverksarkitektur som är speciellt utformad för att hantera tidsseriedata.
LSTM
Vad innebär arkitekturen 'ResNet'?
ResNet använder residualkopplingar för att förbättra inlärningsprocessen i djupa nätverk och undvika försvinnande gradientproblem.
Vad är en viktad summa?
En viktad summa är en operation där varje ingång multipliceras med en vikt och summan av dessa produkter används för att beräkna neuronutgången.
Tillämpningar och utvärdering(18)
Tillämpningar av neurala nätverk
Neurala nätverk används inom områden som bildigenkänning, naturlig språkbehandling, och medicinsk diagnos.
Hur utvärderas neurala nätverk?
Genom metoder som korsvalidering och testning på en separat datamängd.
True or False: Neurala nätverk kan inte generalisera.
False: Neurala nätverk kan generalisera om de tränas korrekt.
Överfitting vs. underfitting
Överfitting: Nätverket presterar bra på träning men dåligt på testdata. Underfitting: Nätverket presterar dåligt på både träning och testdata.
Precision och återkallning
Precision: Andel av korrekta positiva. Återkallning: Andel av verkliga positiva som identifierats. Viktiga mått för klassificering.
Fill in the blank: En vanlig metod för att mäta nätverkets prestanda är _____.
konfusionsmatris.
Vad är en konfusionsmatris?
En tabell som används för att utvärdera prestandan hos ett klassificeringssystem genom att visa riktiga vs. förutsagda värden.
Användning av neurala nätverk i medicin
Diagnos av sjukdomar, analys av medicinska bilder, och patientriskbedömningar.
Korsvalidering
En teknik som delar upp datamängden i flera delar för att optimera och utvärdera modellens prestanda.
Kriterier för att välja nätverksmodell
- Prestanda på testdata - Tidskomplexitet - Tolkningsbarhet
Vad betyder 'transfer learning'?
En metod där ett förutbildat nätverk anpassas för en ny, liknande uppgift för att förbättra inlärningseffektiviteten.
True or False: Utvärdering är endast nödvändig efter träning.
False: Utvärdering bör ske kontinuerligt under träningen för att förhindra överfitting.
Mål med hyperparameteroptimering
Att förbättra modellens prestanda genom att finjustera parametrar som inlärningshastighet och batch-storlek.
Exempel på användning: Bildigenkänning
Neurala nätverk används för att identifiera objekt i bilder, t.ex. att känna igen ansikten i foton.
Vad är ROC-kurvan?
En graf som visar förhållandet mellan sanna positiva och falska positiva vid olika tröskelvärden.
Skillnad mellan regression och klassificering
Regression: Förutsäger kontinuerliga värden. Klassificering: Förutsäger diskreta kategorier.
Användning av neurala nätverk inom finans
Riskbedömning, aktieprisanalyser och algoritmisk handel.
Vad är 'early stopping'?
En teknik för att stoppa träningen av ett neuralt nätverk när prestandan på valideringsdata börjar försämras.
Frågor i det här studiesetet(72)
1. Vilket nätverk är mest lämpat för bildigenkänning?
2. Vad innebär träning av ett neuralt nätverk?
3. Vad kallas den grundläggande enheten i ett neuralt nätverk som bearbetar information?
4. Vilket av följande områden är inte en tillämpning av neurala nätverk?
5. Vad kännetecknar ett rekursivt neuralt nätverk?
6. Vilket alternativ beskriver övervakad inlärning?
7. Vilken funktion används för att bestämma om en neuron ska aktiveras eller inte?
8. Vilken metod används för att utvärdera prestanda hos ett neuralt nätverk genom att dela upp datamängden?
9. Vilken typ av nätverksarkitektur innebär att varje neuron i ett lager är kopplad till varje neuron i nästa lager?
10. Vad kännetecknar oövervakad inlärning?
11. Vilket av följande är en metod för att justera vikterna i ett neuralt nätverk?
12. True or False: Neurala nätverk kan alltid generalisera perfekt.
13. Vad är en viktig funktion av LSTM-nätverk?
14. Vilken funktion har förlustfunktionen?
15. Vad innebär överfitting i kontexten av maskininlärning?
16. Vad beskriver överfitting?
17. Vilken är en typisk användning av generativa motstående nätverk?
18. Vad är backpropagation?
19. Vilken term syftar på det antal exempel som används för att beräkna en uppdatering av vikterna?
20. Vad är precision inom klassificering?
21. Vilken typ av nätverk används för att komprimera data?
22. Vad är gradientnedstigning?
23. Vad är syftet med en förlustfunktion?
24. Fyll i blank: En vanlig metod för att mäta nätverkets prestanda är _____.
25. Vilket påstående är sant om dropout-lager?
26. Vad påverkar inlärningshastigheten i träning?
27. Vilken teknik används för att förhindra överfitting genom att lägga till en straffterm till förlustfunktionen?
28. Vad används neurala nätverk till inom medicin?
29. Vad är en överföringsfunktion?
30. Vad är en epoch inom träning?
31. Vad är en typisk effekt av att minska lärandehastigheten under träning?
32. Vilken av följande är inte en kriterium för att välja nätverksmodell?
33. Vilket påstående är korrekt om skillnaden mellan CNN och RNN?
34. Vad innebär en batch i träning?
35. Vilken typ av neuralt nätverk är särskilt bra för att bearbeta bilddata?
36. Vad innebär 'transfer learning'?
37. Vad är en viktad summa?
38. Vad syftar regularisering till?
39. Vad används korsvalidering till?
40. True or False: Utvärdering är endast nödvändig efter träning.
41. Vad kännetecknar en Residual-nätverksarkitektur?
42. Vad är överanpassning?
43. Vilken term beskriver när en modell är för enkel och inte fångar datans underliggande mönster?
44. Vilket är målet med hyperparameteroptimering?
45. Vad är syftet med en hopkopplad struktur i neurala nätverk?
46. Vad innebär underanpassning?
47. Vad är funktionen av vikter i ett neuralt nätverk?
48. Hur används neurala nätverk i bildigenkänning?
49. Vilken av följande är INTE en typ av neuralt nätverk?
50. Vad används valideringsuppsättningen till?
51. Vilken aktiveringsfunktion används ofta för att hantera negativa och positiva värden?
52. Vad beskriver ROC-kurvan?
53. Vilket av följande exempel är en tillämpning av RNN?
54. Vad är syftet med en testuppsättning?
55. Vad innebär dropout i träning av neurala nätverk?
56. Vilken skillnad finns det mellan regression och klassificering?
57. Vilket av följande påståenden är korrekt om autoencoders?
58. Vad är en hyperparameter?
59. Vilken av följande är INTE en aktiveringsfunktion?
60. Hur används neurala nätverk inom finans?
61. Vilken typ av nätverksarkitektur använder residualkopplingar för att underlätta djupinlärning?
62. Vad betyder tidigare erfarenhet i sammanhanget av neurala nätverk?
63. Vad beskriver begreppet 'mångsidighet' i samband med neurala nätverk?
64. Vad är 'early stopping'?
65. Vad är syftet med dropout-tekniken?
66. Vilken typ av data är rekurrenta neurala nätverk (RNN) mest lämpade för?
67. Vilket av följande påståenden är sant angående korsvalidering?
68. Vad innebär sparsitet i neurala nätverk?
69. Vad är syftet med gradientnedstigning?
70. Vilken av följande metoder används för att förhindra överfitting under träningen av ett neuralt nätverk?
71. Vad är en typ av förlustfunktion som används för att mäta skillnaden mellan förutsägelser och faktiska värden?
72. Vilken av följande termer beskriver processen där indata passerar genom ett neuralt nätverk för att beräkna en output?
Relaterade studieset
Test: KI und ein normales Programm
Trainingsdaten und Bias Notizen
Was maschinelles Lernen macht Schritt für Schritt
Entscheidungsbäume Machine Learning Klausurvorbereitung
Abitur neuronales Netz Idee
Überwachtes und unüberwachtes Lernen Prüfungsfragen
Backpropagation neuronale Netze Prüfungsfragen
k-Means Clustering Karteikarten
Skapa ditt eget studieset
Ladda upp en PDF, klistra in dina anteckningar eller beskriv ett ämne – AI genererar flashcards, quiz och mer på några sekunder.
