1. Kursintro & Bakgrund - AI II Flashcards
Vad innebar de teoretiska genombrotten inom AI under 1930- och 1940-talet?
Under 30- och 40-talet lades grunden för AI genom matematiska och logiska studier av beräkningar och maskinintelligens. Alan Turing introducerade begreppet den universella Turingmaskinen och föreslog att maskiner kan utföra mänskliga kognitiva funktioner. Claude Shannon utvecklade informationsteorin, vilket möjliggjorde bearbetning av digital information.
Vilka var de första teoretiska modellerna av neuronnät, och vad bidrog de med?
Warren McCulloch och Walter Pitts föreslog 1943 en matematisk modell för neuroner som kunde utföra logiska operationer. Detta blev grunden för artificiella neuronnät (ANN) och inspirerade vidare forskning inom maskininlärning.
Vad är klassisk symbolisk AI och vilka var dess huvudsakliga idéer?
Klassisk symbolisk AI, även kallad GOFAI (“Good Old-Fashioned AI”), byggde på regler och logiska strukturer för att representera kunskap. Den använde explicit programmerade regler för problemlösning. Exempel inkluderar ELIZA (en tidig chatbot) och General Problem Solver.
Vad var AI-vintern på 1970-talet och varför inträffade den?
AI-vintern var en period av minskat intresse och finansiering för AI-forskning på grund av ouppfyllda förväntningar. Symboliska system visade sig vara begränsade, och AI kunde inte hantera komplexa, verkliga problem.
Vad var expertsystem och varför blev de populära på 1980-talet?
Expertsystem var AI-program som använde regelbaserade metoder för att efterlikna mänsklig expertis inom specifika områden. De användes inom medicin (t.ex. MYCIN) och industri, vilket ledde till ökad investering i AI.
Vilka teoretiska genombrott inom artificiella neuronnät (ANN) skedde under 1980-talet?
Återupptäckten av backpropagation-algoritmen av Rumelhart, Hinton och Williams gjorde det möjligt att effektivt träna flerskiktade neuronnät, vilket ledde till förnyat intresse för maskininlärning.
Vad orsakade AI-vintern under 1990- och 2000-talet?
Trots framstegen med neuronnät minskade intresset igen när maskiner fortfarande inte kunde konkurrera med mänsklig intelligens. Bristen på beräkningskraft och begränsade dataset hämmade framstegen.
Vad gjorde att artificiella neuronnät återigen blev populära från 2010 och framåt?
Framsteg inom GPU-beräkningar, tillgången på stora datamängder och nya arkitekturer (t.ex. djupa neuronnät och CNNs) möjliggjorde AI-genombrott i bildigenkänning, NLP och självkörande fordon.
Vad är symbolisk AI och hur fungerar det?
Symbolisk AI är en metod för att modellera intelligens genom logiska regler och explicita representationer av kunskap. System baserade på symbolisk AI använder regler (if-then statements) för att dra slutsatser och fatta beslut.
Hur används regler i symbolisk AI?
Symbolisk AI bygger på att man skapar explicita regler för alla möjliga situationer ett system kan möta. Ett exempel är ett expertssystem som kan diagnostisera sjukdomar baserat på en uppsättning regler.
Vilka är de största begränsningarna med symbolisk AI?
Kräver att alla regler är fördefinierade, vilket gör systemet oflexibelt.
Svårt att skala upp till komplexa problem.
Fungerar dåligt i osäkra eller
oförutsägbara miljöer.
Svårt att efterlikna mänskligt lärande och intuition.
Hur skiljer sig symbolisk AI från maskininlärning och neuronnät?
Symbolisk AI är en top-down-approach där regler skapas av människor.
Maskininlärning (ML) och neuronnät är bottom-up-metoder där modeller lär sig mönster från data utan att explicit programmeras.
Symbolisk AI fungerar bra i reglerade miljöer men saknar anpassningsförmåga.
Vad innebär en “Top-down”-approach i AI?
Det innebär att systemet konstrueras genom att först definiera abstrakta regler och strukturer, och sedan implementera detaljer. Detta skiljer sig från maskininlärningens “bottom-up”-ansats där modellen lär sig direkt från data.
Vad är artificiella neurala nätverk och vad inspirerades de av?
ANN är en typ av AI-modell inspirerad av hur biologiska neuroner fungerar i hjärnan. De består av sammankopplade enheter (neuroner) organiserade i lager, vilket gör det möjligt att lära sig komplexa mönster från data.
Hur är ett artificiellt neuralt nätverk uppbyggt?
ANN består av tre huvudlager:
Ingångslager (Input layer) – Tar emot data.
Dolda lager (Hidden layers) – Utför beräkningar och identifierar mönster.
Utgångslager (Output layer) – Producerar resultatet.
Varje anslutning mellan neuroner har vikter som justeras genom träning.
Varför har neurala nätverk blivit så framgångsrika idag?
Tillgången till stora mängder data (big data).
Kraftfulla grafikkort (GPU:er) för beräkningar.
Förbättrade algoritmer såsom djupa neurala nätverk (DNN) och konvolutionella neurala nätverk (CNN).
Vad innebär en “Bottom-up”-approach i AI?
Det innebär att modellen lär sig från data genom att gradvis justera vikter i ett nätverk. Istället för att manuellt programmera regler (som i symbolisk AI), låter man modellen upptäcka mönster på egen hand.
Vilka är de största problemen med symbolisk AI?
Svårt att skapa system som helt motsvarar mänsklig intelligens.
Fungerar bra i strukturerade problem men inte för komplexa, verkliga miljöer.
Kräver att alla möjliga situationer definieras i förväg, vilket gör skalning svår.
Hur skiljer sig Symbolisk AI från ANN?
Symbolisk AI: Regelbaserad, “Top-down”-approach, fungerar bra i logiska system men har svårt att hantera osäkerhet.
ANN: Datadriven, “Bottom-up”-approach, lär sig från stora dataset och kan hantera komplexa och ostrukturerade problem.
Hur fungerar den klassiska AI-approachen?
Den klassiska AI-approachen använder regler och data som input till ett program, vilket sedan producerar ett svar. Systemet fungerar endast så länge reglerna täcker alla möjliga fall.
Hur implementeras regelstyrt beteende i klassisk AI?
Om vi vill simulera en persons rörelse kan vi använda villkorssatser (if-statements). Exempel:
if(speed < 4) {
status = WALKING;
}
Här avgör programmets regler att om hastigheten är under 4, så är status “WALKING”.
Hur hanterar regelbaserad AI mer komplexa beteenden?
Genom att lägga till fler regler kan vi hantera fler tillstånd:
if(speed < 4) {
status = WALKING;
} else {
status = RUNNING;
}
Nu har vi två möjliga rörelsetillstånd beroende på hastighet.
Vilka utmaningar finns med att skala upp regelbaserad AI?
För att täcka fler scenarion måste vi skapa fler regler:
if(speed < 4) {
status = WALKING;
} else if(speed < 12) {
status = RUNNING;
} else {
status = BIKING;
}
Det blir snabbt svårt att hantera alla möjliga situationer manuellt
Vad händer om en ny situation uppstår i en regelbaserad AI?
Regelbaserade system kan inte hantera fall de inte är programmerade för. Om en ny aktivitet (t.ex. golfspel) uppstår, vet inte systemet vad det ska göra. Detta illustreras med:
// ???
Här visar systemet sin begränsning – det kan inte hantera oväntade situationer utan att programmeras om.
Hur fungerar en binär bildklassificerare i klassisk AI?
En binär bildklassificerare fungerar genom att analysera en bild och tilldela den en av två kategorier, t.ex. “katt” eller “hund”. Detta bygger ofta på hårdkodade regler eller fördefinierade egenskaper såsom färger, former eller texturer.
Vilka är problemen med att använda en regelbaserad approach för bildigenkänning?
Bilder varierar kraftigt i ljus, vinkel och bakgrund.
Svårt att definiera exakta regler för alla möjliga variationer.
Systemet kan ha svårt att hantera nya eller oväntade bilder.
Krävande att manuellt programmera alla regler för klassificering.
Varför är det svårt att skapa regler för “luddiga” problem?
“Luddiga” problem, såsom bildigenkänning eller naturligt språk, är svåra att lösa med en regelbaserad approach eftersom det är omöjligt att skapa exakta regler för alla möjliga scenarier. Systemet blir snabbt oflexibelt och kan inte generalisera från tidigare exempel.
Varför är regelbaserade system ofta otillräckliga?
De kräver att alla regler definieras i förväg.
De fungerar dåligt vid oväntade eller komplexa situationer.
De kan inte lära sig av erfarenhet som maskininlärningsbaserade modeller gör.
Ju mer komplext problemet är, desto fler regler krävs, vilket gör systemet svårhanterligt.
Vad är skillnaden mellan klassisk AI och den alternativa AI-approachen?
Klassisk AI (symbolisk AI): Börjar med regler och data som input för att generera ett svar.
Alternativ AI (maskininlärning): Börjar med data och svar och låter systemet själv lära sig reglerna genom exempel.
Hur fungerar den alternativa AI-approachen?
I stället för att manuellt definiera regler låter man datorn analysera många exempel och själv dra slutsatser om vilka regler som gäller. Detta kallas maskininlärning.
Hur kan en AI-modell lista ut regler på egen hand?
Genom att träna på stora mängder data och deras korrekta svar, hittar modellen mönster och skapar egna regler. Detta sker genom optimeringsalgoritmer som justerar modellens parametrar för att minimera fel.
Hur kan maskininlärning användas för bildigenkänning?
Istället för att programmera regler för att känna igen en katt, tränas en neuralt nätverk på tusentals kattbilder och lär sig automatiskt att skilja katter från andra objekt.
Systemet justerar vikter i sina neuroner för att maximera träffsäkerheten.
Vilka är fördelarna med maskininlärning jämfört med regelbaserade system?
Automatiskt regelupptäckande – ingen manuell kodning av regler behövs.
Bättre generalisering – kan hantera nya, tidigare osedda data.
Skalbarhet – kan tränas på stora mängder data och förbättras över tid.
Flexibilitet – kan anpassas till många olika typer av problem.
Vad är AI och vad är dess huvudsakliga syfte?
Artificiell intelligens (AI) är en teknik som gör det möjligt för maskiner att efterlikna mänskligt beteende. AI inkluderar olika metoder för att bearbeta information, dra slutsatser och fatta beslut, antingen genom regler (symbolisk AI) eller genom lärande från data (maskininlärning).
Hur skiljer sig maskininlärning från klassisk AI?
Maskininlärning (ML) är en delmängd av AI som använder statistiska metoder för att förbättra en maskins prestanda genom erfarenhet. Till skillnad från klassisk AI skapar inte utvecklare specifika regler – istället lär sig modellen själv genom att analysera data.
Vad är djupinlärning och hur relaterar det till maskininlärning?
Djupinlärning är en underkategori av maskininlärning som använder flerlagers neurala nätverk för att analysera och lära sig komplexa mönster i data. Tekniken har möjliggjort genombrott inom bildigenkänning, naturlig språkbehandling (NLP) och autonoma system.
Hur förhåller sig AI, ML och DL till varandra?
AI (Artificiell intelligens) är det övergripande fältet som inkluderar både symbolisk AI och maskininlärning.
ML (Maskininlärning) är en underkategori av AI som bygger på att lära sig från data.
DL (Djupinlärning) är en mer avancerad typ av ML som använder flerlagers neurala nätverk för att hantera komplexa problem.
Vad är den största skillnaden mellan symbolisk AI och maskininlärning?
Klassisk AI (symbolisk AI): Baserad på regler och logik, kräver att alla beslut programmeras i förväg.
Maskininlärning (ML): Använder statistik och data för att automatiskt hitta mönster.
Djupinlärning (DL): En avancerad version av ML som använder artificiella neurala nätverk för att lösa komplexa uppgifter utan explicit programmering.
Varför har symbolisk AI inte varit framgångsrik för vissa problem?
Bra på logiska problem och spel med begränsade regler.
Dålig på att hantera okända situationer och improvisera.
Svårt att programmera för ”luddiga” problem, t.ex. naturligt språk och bildigenkänning.
Vilka tekniska framsteg gjorde att artificiella neurala nätverk (ANN) blev populära?
Ökad datorkraft, särskilt genom grafikprocessorer (GPU:er).
Stora mängder data tillgängliga för träning.
Förbättrade algoritmer för optimering och träning av djupa nätverk.
Dessa faktorer gjorde det möjligt att träna stora modeller effektivt.
Hur förändrade Transformers-arkitekturen (2017) AI-utvecklingen?
Introducerade self-attention, vilket förbättrade hanteringen av sekventiell data (ex. text).
Lade grunden för Large Language Models (LLMs) som ChatGPT, Copilot och Gemini.
Möjliggjorde genombrott inom generativ AI.
Hur har AI utvecklats från 1950-talet till idag?
1950–1970: Symbolisk AI, regelbaserade system.
1980–2000: Maskininlärning börjar ta fart.
2010–nu: Djupinlärning driver AI-revolutionen.
2017 och framåt: Generativ AI och LLMs (ex. Transformers) förändrar hur vi interagerar med AI.
Vad kan vi förvänta oss av AI i framtiden?
Mer kraftfulla modeller med bättre förståelse och generalisering.
Bättre energieffektivitet och optimering av AI-träning.
AI som samarbetar med människor i kreativa och analytiska uppgifter.
Utveckling av multimodala AI-system som kan förstå text, bilder och ljud samtidigt.
Vad är en neuron och vilken funktion har den?
En neuron är en nervcell som utgör grunden för nervsystemet. Neuroner överför signaler i hjärnan och kroppen genom elektriska och kemiska processer. Nästan alla djur har neuroner.
Vilka är de viktigaste delarna av en neuron och deras funktion?
Dendriter – Tar emot signaler från andra neuroner.
Cellkropp – Bearbetar inkommande signaler och avgör om de ska skickas vidare.
Axon – Leder signalen vidare genom nervcellen.
Synapser – Slutet av axonet, där signaler skickas till nästa neuron.
Hur fungerar signalöverföring i en neuron?
Neuronet tar emot signaler genom dendriterna.
Om den totala signalstyrkan överstiger ett tröskelvärde, skickas en elektrisk impuls genom axonet.
Signalen når synapserna och överförs till nästa neuron via kemiska signalsubstanser.
Vad är myelin och hur påverkar det signalöverföring?
Myelin är en isolerande beläggning runt axonet som skapas av gliaceller.
Myelin ökar hastigheten och effektiviteten av signalöverföringen.
Ju fler gånger en signal används mellan två neuroner, desto starkare blir kopplingen – en process som liknar lärande i hjärnan.
Hur inspireras artificiella neurala nätverk (ANN) av biologiska neuroner?
ANN efterliknar neuroners struktur, där noder (neuroner) är sammankopplade i nätverk.
Vikter i ANN motsvarar styrkan på kopplingarna mellan neuroner.
ANN lär sig genom att justera vikter, likt hur myelin förstärker biologiska neuronkopplingar.
Vad är en perceptron och hur fungerar den?
En perceptron är en enkel modell av en artificiell neuron. Den tar emot flera indata (x₁, x₂ …), viktar dem (w₁, w₂ …), summerar signalerna och jämför med ett tröskelvärde (Θ). Om summan överstiger tröskelvärdet skickas en utdata (y), annars inte.
Hur modellerar perceptronen en riktig neuron?
Indata (x₁, x₂ …) = motsvarar signaler som kommer in via dendriter.
Vikter (w₁, w₂ …) = motsvarar förstärkning/försvagning av signaler likt myelin.
Summan (Σ) och tröskelvärde (Θ) = avgör om signalen skickas vidare, likt en nervimpuls.
Hur kan en perceptron användas för att flagga spam-mail?
x₁ = Spamlika ord (0 eller 1)
x₂ = Spamlika avsändare (0 eller 1)
Vikterna w₁ och w₂ förstärker viktiga signaler (ex. 1,5 vardera)
Om summan (Σ) överstiger tröskelvärdet (Θ = 2) flaggas mailet som spam.
Vilka problem har perceptronen och hur kan den förbättras?
Kan endast lösa linjärt separerbara problem.
Kan inte hantera komplexa samband eller mönster.
Förbättras genom att använda fler lager av neuroner, vilket leder till multilagerperceptroner (MLP) och moderna neurala nätverk.
Hur utvecklas perceptroner till moderna AI-modeller?
Perceptron → enkel neuron, endast binära beslut.
Multilagerperceptron (MLP) → flera lager, bättre mönsterigenkänning.
Djupa neurala nätverk (DNN) → många lager, komplexa samband, används i bildigenkänning, NLP och AI-assistenter.
Hur fungerar ett djup neuralt nätverk?
Ett Deep Neural Network (DNN) består av flera lager:
Input Layer: Tar emot data.
Hidden Layers: Bearbetar information genom vikter och aktiveringsfunktioner.
Output Layer: Ger slutresultatet.
Informationen flödar i en riktning (feed forward) genom nätverket.
Varför används djupa nätverk istället för enkla perceptroner?
Enkla perceptroner kan endast lösa linjärt separerbara problem.
Djupa nätverk har flera lager och kan identifiera komplexa mönster.
De kan läras av stora datamängder och generalisera bättre.
Vad innebär feed forward i ett neuralt nätverk?
Feed forward betyder att signaler rör sig i en riktning – från input till output.
Ingen återkoppling sker, vilket gör detta till den enklaste typen av neuralt nätverk.
För mer avancerad bearbetning används tekniker som rekurrenta nätverk (RNN) eller djupa konvolutionella nätverk (CNN).
Vilka är några viktiga typer av neurala nätverk?
Feed Forward Neural Network (FNN) – Enkel signalflöde utan återkoppling.
Convolutional Neural Network (CNN) – Används för bildigenkänning.
Recurrent Neural Network (RNN) – Används för sekventiell data, t.ex. språk.
Long Short-Term Memory (LSTM) – En förbättrad version av RNN.
Generative Adversarial Network (GAN) – Används för att generera data, t.ex. deepfakes.
Autoencoders – Används för datakomprimering och brusreducering.
Vad är några vanliga användningsområden för djupa neurala nätverk?
Bildigenkänning (ex. ansiktsigenkänning, objektklassificering – CNN).
Språkbehandling (ex. maskinöversättning, textgenerering – RNN/LSTM).
Autonoma system (ex. självkörande bilar – CNN/RNN).
Generativ AI (ex. bild- och textgenerering – GAN, Transformers).
Vad innebär träning av ett neuralt nätverk?
Nätverket tränas genom att mata in bilder med etiketter (ex. “cat” eller “dog”).
Bilden skickas genom nätverket, och en av två neuroner i output-lagret aktiveras.
Om svaret är fel justeras vikterna i nätverket för att förbättra klassificeringen.
Vad betyder vikterna i ett neuralt nätverk?
Vikterna styr hur starkt en input påverkar output.
De justeras under träningen för att optimera nätverkets prestanda.
De kan liknas vid hur synapser i hjärnan förstärks eller försvagas baserat på erfarenhet.
Vad innebär begreppet “epoch” vid träning av neurala nätverk?
En epoch är en full genomgång av hela träningsdatan.
Efter varje epoch justeras vikterna baserat på de fel som nätverket gjort.
Ju fler epoch, desto bättre blir nätverket på att känna igen mönster.
Hur vet vi att nätverket är redo att användas?
När det kan klassificera nya bilder som det aldrig sett förut.
Om nätverket bara fungerar bra på träningsdata men misslyckas på ny data kallas det överträning (overfitting).
För att förhindra detta används tekniker som valideringsdata och dropout.
Vad är MNIST-datasetet?
MNIST (Modified National Institute of Standards and Technology) är ett dataset med handritade siffror (0–9). Det används ofta för att träna och testa bildklassificeringsmodeller inom maskininlärning och deep learning.
Hur är bilderna i MNIST uppbyggda?
Varje bild är i gråskala och har storleken 28x28 pixlar (totalt 784 pixlar).
Siffrorna är centrerade i bilderna för att underlätta igenkänning.
Datasetet innehåller 60 000 träningsbilder och 10 000 testbilder.
Varför används MNIST ofta inom maskininlärning?
Det är litet och lätt att använda, vilket gör det perfekt för att testa olika modeller snabbt.
Det fungerar som en ”Hello World” för bildigenkänning och neurala nätverk.
Eftersom det är ett standarddataset kan forskare och utvecklare jämföra sina modeller på samma uppgift.
Hur lagras en MNIST-bild i en dator?
Varje bild är 28x28 pixlar, där varje pixel har ett värde mellan 0 (vit) och 255 (svart).
Hur används en MNIST-bild som input till ett neuralt nätverk?
Bilden omformas till en 1D-vektor med 784 värden (28x28 = 784).
Varje pixel blir en ingångsneuroner i det neurala nätverket.
Vad gör det neurala nätverket med dessa pixlar?
Nätverket bearbetar dem genom dolda lager av neuroner.
Varje lager extraherar funktioner från bilden (t.ex. kanter, former).
Slutligen ger nätverket en utgång (0-9) som representerar siffran.
Utgången är en sannolikhetsfördelning över siffrorna 0-9, där den högsta sannolikheten är nätverkets gissning.
Hur går en MNIST-bild från data till klassificering?
Datasetet innehåller 60 000 bilder av handskrivna siffror.
Varje bild är 28x28 pixlar, som konverteras till en 1D-vektor med 784 pixlar.
Varje pixel fungerar som en ingångsneuron i det neurala nätverket.
Neuronerna kopplas genom dolda lager, där vikter och bias justeras.
Utgångslagret har 10 neuroner, en för varje siffra (0-9).
Nätverket returnerar sannolikheter, där den högsta sannolikheten motsvarar den predicerade siffran.
Vad innebär det att “skruva på vikterna” i en perceptron?
Det handlar om att justera vikterna baserat på felaktiga outputar för att förbättra nätverkets prestanda.
Om outputen är korrekt → Ingen ändring av vikterna.
Om outputen är 1 men borde vara 0 → Sänk vikterna för alla aktiva inputs.
Om outputen är 0 men borde vara 1 → Höj vikterna för alla aktiva inputs.
Hur mycket ska vikterna justeras?
Det beror på inlärningshastigheten, som bestämmer hur stora ändringarna är per iteration.
Vad är syftet med att justera vikterna?
Att minimera felet och få perceptronen att klassificera data korrekt genom att lära sig rätt beslutströskel.
Hur fungerar backpropagation?
Feluppskattning → Nätverket beräknar skillnaden mellan den faktiska outputen och den förväntade outputen (etiketten).
Viktjustering bakåt → Felet sprids bakåt genom nätverket, och vikterna justeras stegvis baserat på en matematisk modell.
Upprepning → Processen upprepas tills felet är tillräckligt litet för en acceptabel prediktionsnoggrannhet.
Vad är backpropagation?
En algoritm som används för att träna neurala nätverk genom att justera vikterna i nätverket baserat på felberäkningar.
Varför är backpropagation viktig?
Gör det möjligt att träna djupa neurala nätverk effektivt.
Använder gradient descent för att optimera vikterna.
Revolutionerade AI men blev praktiskt användbar först när datorer fick tillräcklig beräkningskraft.
Vad betyder “Deep” i Deep Learning?
“Deep” syftar på att nätverket innehåller flera dolda lager (hidden layers) mellan input- och output-lagret.
Hur fungerar Deep Learning?
Input-data (t.ex. en bild av en siffra) matas in i nätverket.
Flera dolda lager bearbetar informationen, där varje lager lär sig olika abstraktioner.
Varje lager extraherar olika egenskaper, t.ex. kanter, mönster och mer komplexa representationer.
Output-lagret ger en sannolikhetsfördelning över möjliga klasser (t.ex. siffrorna 0-9).
Varför behövs flera lager?
För att lära sig mer komplexa samband i data.
Djupa nätverk kan identifiera hierarkiska funktioner, från enkla linjer till hela objekt.
Vad gör Deep Learning kraftfullt?
Automatisk feature extraction → Nätverket lär sig själv vilka mönster som är viktiga.
Stora dataset och GPU-acceleration har gjort det möjligt att träna djupa nätverk effektivt.
Vad är målet med deep learning?
Att hitta de optimala vikterna i nätverket så att det kan göra korrekta prediktioner.
Hur tränas ett deep learning-nätverk?
Input X → Matning av data till nätverket.
Transformation i lager → Varje lager bearbetar datan och modifierar den genom vikter.
Prediktion Y’ → Nätverket genererar en förutsägelse baserat på vikterna.
Loss function → Beräknar felet genom att jämföra prediktionen Y’ med det verkliga värdet Y.
Optimering → En algoritm (t.ex. Stokastisk Gradientdescent, Adam) justerar vikterna baserat på felet.
Repetition → Processen upprepas tills felet är tillräckligt lågt.
Vad gör en loss function?
Den mäter hur långt prediktionen Y’ är från det verkliga värdet Y och ger ett loss score, som används för att justera vikterna.
Hur används felet för att uppdatera vikterna?
En optimeringsalgoritm (som Adam eller SGD) justerar vikterna för att minimera felet.
Denna uppdatering görs genom backpropagation, där felet sprids bakåt i nätverket.
Vad är PyTorch?
En öppen källkods-ramverk för deep learning utvecklad av Facebook (Meta).
Används ofta för forskning och experimentering tack vare sin dynamiska beräkningsgraf.
Har en mer Pythonvänlig och flexibel kodstil.
Öppen källkod utvecklad av Facebook (Meta).
Byggt för Python-programmerare, liknar NumPy i handhavandet.
Flexibelt och lätt att experimentera med → bra för forskning och prototypande.
Har låg abstraktionsnivå, vilket gör det lättare att anpassa.
Mindre än TensorFlow men växer snabbt i popularitet.
Vad är TensorFlow?
En öppen källkods-ramverk utvecklad av Google.
Optimerad för produktion och skalbarhet.
Använder en statiskt definierad beräkningsgraf, vilket kan ge bättre prestanda vid stora implementationer.
Öppen källkod utvecklad av Google.
Större ekosystem → stöd för mobil, moln och inbäddade enheter.
Optimerad för produktion och stora standardlösningar.
Skrivet i C++ under huven men med ett Python-API.
Kan köras i webbläsaren med TensorFlow.js eller testas på playground.tensorflow.org.
Vilken ska man välja?
PyTorch → Bäst för forskning, prototypande och dynamiska modeller.
TensorFlow → Bäst för produktionsmiljöer, mobil och moln-integration.
PyTorch → Bäst för forskning, snabba experiment och flexibilitet.
TensorFlow → Bäst för produktion, skalbarhet och moln-integration.
Vilka likheter finns?
Båda stöder GPU-acceleration och djupa neurala nätverk.
Båda används för bild-, text- och ljudanalys inom AI.
Båda har stöd för Keras som högnivå-API.
Vad är TensorFlow Playground?
En interaktiv, webbaserad miljö för att experimentera med neurala nätverk.
Länk: playground.tensorflow.org
Används för att testa olika aktiveringsfunktioner, inlärningshastigheter och nätverksarkitekturer i en visuell miljö.
Vad är skillnaden mellan en lokal Pythonmiljö och en online Pythonmiljö?
Lokal Pythonmiljö → Man kör Python på sin egen dator, vilket kräver att man installerar verktyg som TensorFlow och PyTorch manuellt.
Online Pythonmiljö (t.ex. Google Colab) → Man kör Python i webbläsaren, utan att behöva installera något lokalt. Perfekt för snabba tester och arbete i molnet.
Vad är Google Colab?
En molnbaserad Jupyter Notebook-miljö där man kan köra TensorFlow och andra ML-ramverk.
Fördelar:
Gratis tillgång till GPU/TPU.
Enkel delning och samarbete via Google Drive.
Kräver ingen lokal installation.
När ska man använda lokal vs. online miljö?
Lokal miljö → Om man behöver full kontroll och tillgång till avancerade resurser.
Online miljö → För snabb prototyping, molnlagring och tillgång till gratis GPU.
Vad kan man göra i Google Colab?
Blanda kod och text i en interaktiv notebook.
Träna neurala nätverk direkt i webbläsaren.
Använda externa datakällor som Google Drive, Kaggle eller GitHub.
