quiz 2 (AI)

უნივერსალური მიახლოების თეორემის მიხედვით

• ერთზე მეტი ფარული შრის მქონე ნეირონული ქსელი საკმარისია ნებისმიერ უწყვეტ ფუნქციასთან მისაახლოვებლად

• მხოლოდ ერთი ფარული შრის მქონე ნეირონული ქსელი საკმარისია ნებისმიერ უწყვეტ ფუნქციასთან მისაახლოვებლად

• მხოლოდ ერთი ფარული შრის მქონე ნეირონული ქსელი საკმარისია ნებისმიერ ფუნქციასთან მისაახლოვებლად

• არცერთი ზემოთ ჩამოთვლილი

ნეირონული ქსელის წვრთნის შედეგად დანაკარგის ცვლილება

• საწვრთნელი ქვესიმრავლეზე მიღწეული შედეგის უკუ-პროპორციულია

• სატესტო ქვესიმრავლეზე მიღწეული შედეგის პირდაპირ-პროპორციულია

• წვრთნის კოეფიციენტის დნობის უკუ-პროპორციულია

• არ არის კორელაციაში საწვრთნელ სიმრავლეზე მირწეულ შედეგთან

პაკეტური ნორმალიზების შედეგად მიიღწევა ყველა ქვემოთ ჩამოთვლილი სარგებელი, გარდა:

• მცირდება შრეების კოვარიანსის წანაცვლება (Covariance Shift), ანუ ხელს უშლის ეფექტის ექსპონენციალურ აკუმულირებას.

• თავიდან ვიცილებთ ზედმეთ მიახლოებას (overfitting)

• არ ჩქარდება წვრთნის პროცესი

• არ გვიწევს ძალიან დიდ ან ძალიან პატარა რიცხვებთან მუშაობა, რაც ამცირებს მონაცემების დანაკარგის რისკს

• ყველა ნეირონს აქვს მონაწილეობის ფარდობითად თანაბარი შანსი

ზედმეტი მიახლოების (overfitting) თავიდან აცილებაში ვერ დაგვეხმარება

• ა) შემთხვევითი ამოყრის მეთოდი (DropOuts)

• ბ) სავალიდაციო ქვესიმრავლეზე შედეგის გაუარესებისას წვრთნის ნაადრევი შეწყვეტა

• გ) წვრთნის კოეფიციენტის (a) ციკლური დნობა

• დ) მონაცემთა ნორმალიზაცია/სტანდარტიზაცია

• (ა) და (ბ)

მონაცემთა სტანდარტიზაცია უზრუნველყოფს

• სიმრავლის მასშტაბირებას კოორდინატთა სათავის მიმართ

• სიმრავლის მასშტაბირებას [0,1] ინტერვალში

• სიმრავლის თანაბარ გადანაწილებას მაქსიმუმსა და მინიმუმს შორის

• არცერთ ზემოთ ჩამოთბლილს

ვალიდაციის ქვესიმრავლის ელემენტებისთვის ჭეშმარიტია შემდეგი მტკიცება:

• წვრთნის თითოეულ ეპოქაში უნდა მოხდეს ვალიდაციის ქვესიმრავლის ელემენტებზე მხოლოდ წინა გავრცობა

• წვრთნის თითოეულ ეპოქაში უნდა მოხდეს ვალიდაციის ქვესიმრავლის ელემენტებზე მხოლოდ უკანა გავრცობა

• წვრთნის დასრულებისას უნდა მოხდეს ვალიდაციის ქვესიმრავლის ელემენტებზე მხოლოდ წინა გავრცობა

• წვრთნის დასრულებისას უნდა მოხდეს ვალიდაციის ქვესიმრავლის ელემენტებზე მხოლოდ უკანა გავრცობა

ნეირონული ქსელის წვრთნისას უკან გავრცობის მიზანია

• ნეირონების აქტივაცია

• წონების დაკორექტირება

• სიგნალების შეკრება

• დანაკარგის მაქსიმიზაცია

წარმოებული არ გვაჩვენებს

• ფუნქციის მონოტონურობის ინტერვალებს

• ფუნქციის ექსტრემუმებს

• ფუნქციის 0-ს ტოლ მნიშვნელობებს

• ფუნქციის უწყვეტობას

ცდომილობის (bias) შესაბამისი ნეირონი მონაწილეობს

• მხოლოდ უკან გავრცობაში

• როგორც წინა, ასევე უკან გავრცობაში

• მხოლოდ წინა გავრცობაში

• არცერთში

პერსეპტრონის ბირთვში სიგნალის შეკრების შემდეგ ხდება მისი

• გრადიენტის დათვლა

• გაწარმოება

• შეკრება

• აქტივაცია

• გადაცემა შემდეგი შრისთვის