Font size
Worksheets12. Neurális hálók
Total questions: 12
Worksheet time: 6mins
Az alábbiak közül melyik jellemzik a homogén többrétegű előrecsatolt hálózatot?
Az i-dik réteg neuronjának kimenete csak az i+1-dik réteg neuronjának lehet bemeneti értéke.
Az i-edik réteg egy neuronjának kimenete csak az i-1-dik réteg neuronjának lehet bemeneti értéke.
A különböző rétegek neuronjainak aktivációs (kimeneti) függvénye eltérhet, de egy réteghez tartozó neuronok esetében nem.
Az azonos réteghez tartozó neuronok között nincs közvetlen kapcsolat.
Mit jelent az input vektorizálása?
A megoldandó probléma lineárisan szeparálható feladattá konvertálását.
Az inputok azonos hosszúságú számsorozatok.
Egy inputot a jellemzői (attribútumai) segítségével egy számsorozattal ábrázolunk.
Az inputot egy síkvektorként fogjuk fel, amelynek kiinduló pontja az origó.
Jellemezze a szigmoid kimeneti függvényt!
Egyetlen szakadási ponttal rendelkező, máshol deriválható, monoton növekedő, [0,1] intervallumba képző függvény.
Folytonos, mindenhol deriválható, szigorúan monoton növekedő, ]0,1[ intervallumba képző függvény.
Folytonos, mindenhol deriválható, monoton növekedő, [0,1] intervallumba képző függvény.
Folytonos, majdnem mindenhol deriválható, monoton növekedő, ]0,1[ intervallumba képző függvény.
Az alábbiak közül melyik hálózatnak NEM lehet több rétegű topológiája?
Konvolúciós neurális hálózat.
Hopfield neurális hálózat.
Backpropagation modell hálózata.
Rekurrens neurális hálózat.
Mi a delta tanulási szabály?
Egy súly megváltoztatása a súlyhoz tartozó bemeneti értéknek, és a súlyt tartalmazó neuron számított és várt kimeneti értékei különbségének szorzatától függ.
Egy súly megváltoztatása a súlyhoz tartozó bemeneti értéknek, és a súlyt tartalmazó neuron számított kimeneti értékének szorzatától függ.
Egy súly megváltoztatása a súlyhoz tartozó bemeneti értéknek, és a súlyt tartalmazó neuron várt kimeneti értékének szorzatától függ.
Egy súly megváltoztatása a súlyhoz tartozó bemeneti értéknek, és a súlynak szorzatától függ.
Mire alkalmazzák a lineárisan szeparálható kifejezést?
Azokra a feladatokra, amelyek lehetséges bemeneti érték n-esei egy hipersíkkal elválaszthatók aszerint, hogy az ezekre elvárt válasz A vagy B.
A Rosenblatt-féle perceptronokból épített neurális hálózatokra.
Arra, hogy a perceptronnal megoldható problémák két osztályba sorolhatóak be.
Arra, hogy a mintapontokhoz a legkisebb négyzetek módszerével meghatározott egyenes elválasztja egymástól a mintapontokat.
A mesterséges neuron hálózatokra felügyelt vagy felügyelet nélküli tanulási módszer alkalmazható?
Egyik sem.
Csak felügyelet nélkül.
Csak felügyelt.
Mindkettő.
Hogyan lehet Rosenblatt-féle perceptronok felhasználásával koordinátapárokat úgy osztályozni, hogy megmondjuk melyek esnek bele egy megadott háromszögbe, és melyek nem?
Olyan kétrétegű előrecsatolt hálózattal, ahol az első rétegben három, a második rétegben egy neuron van.
Egy rétegű három neuront tartalmazó hálózattal.
Nem lehet, mert a Rosenblatt-féle neuronokkal csak lineárisan szeparálható problémákat lehet megoldani.
Nem lehet, mert többrétegű Rosenblatt-féle perceptronokból álló hálózathoz nem ismerünk tanuló algoritmust.
A mesterséges neuronhálózatot egy olyan paraméteres függvénynek tekinthetjük, amellyel a megoldandó problémát reprezentáló Ieképezést közelítjük. Melyek ebben a paraméterek?
A neuronokban használt kimeneti függvények.
A neuronok súlytényzői.
A neuronok „bias" bemenete.
A tanító minták száma és a tanulási együttható.
Mit értünk a hiba-visszaterjesztés (error-backpropagation) módszere alatt?
Azt, amikor egy többrétegű előrecsatolt hálózat kimeneti rétegének elvárt kimenetei alapján határozzuk meg, hogy a hálóbeli neuronoknak milyen elvárt kimenete van.
Azt, amikor egy többrétegű előrecsatolt hálózat kimeneti rétegének számított és várt outputjai alapján határozzuk meg, hogy hogyan kell a hálóbeli neuronok súlyait változtatni.
Olyan többrétegű hálózat építését, amelyben megengedjük a visszacsatolást a szomszédos rétegek között.
Azt a folyamatot, amellyel a Hopfield modell stabil konfigurációba jut.
Mit értünk a Hopfield modell konfigurációs terén?
A neuronok által felvett állapotok összességét.
A neuronok kimeneteinek összességét.
A neuronok súlyainak összességét.
A neuronok bemeneteinek összességét.
Az alábbiak közül mely állítások igazak a mesterséges neuronhálózatokra?
A válaszadási idő rövid.
A tanulási idő hosszú.
A mintákat egyesével el kell tárolni.
Optimális megoldást ad.
