Introduktion Flashcards
Vilket av följande beskriver bäst symbolisk AI?
A) En metod där neurala nätverk tränas med stora mängder data för att lära sig mönster.
B) En “bottom-up”-approach där datorn själv upptäcker regler från dataexempel.
C) En “top-down”-approach där systemet styrs av explicita logiska regler.
D) En metod som enbart använder gradientnedstigning för optimering.
Svar: C
Förklaring: Symbolisk AI bygger på en top-down-metod där intelligenta system utvecklas utifrån explicita regler och logiska strukturer, vilket gör det svårt att skala upp för mer komplexa, “luddiga” problem.
Vilket påstående är karakteristiskt för artificiella neurala nätverk (ANN)?
A) De bygger på explicita regler och logiska trädstrukturer.
B) De efterliknar hjärnans neuroner genom små sammankopplade enheter.
C) De kräver inte stora datamängder för att fungera effektivt.
D) De fungerar bäst med en “top-down”-approach.
Svar: B
Förklaring: ANN är inspirerade av den biologiska hjärnans uppbyggnad, där små, sammankopplade enheter (neuroner) arbetar tillsammans för att lära sig mönster från data.
**Vilken faktor var en avgörande bidragande orsak till att ANN tog fart från 2010 och framåt?
**
A) Introduktionen av grafikprocessorer och stora mängder data.
B) Minskad datorkapacitet.
C) Ökad användning av explicita logiska regler.
D) Utvecklingen av symboliska AI-system.
**Svar: A
Förklaring: Den ökade datorkapaciteten, särskilt genom grafikprocessorer, tillsammans med tillgången till stora datamängder, gjorde det möjligt att träna djupa neurala nätverk effektivt.
Vad är en perceptron?
A) En typ av optimeringsalgoritm som används för att minimera förlustfunktionen.
B) En typ av dataset för att träna neurala nätverk.
C) En visualiseringsmetod för att analysera inlärningskurvor.
D) En datormodell av en neuron som summerar ingångar med vikter och aktiveras om en tröskel överskrids.
Svar: D
Förklaring: Perceptronmodellen är en enkel modell av en neuron där vikter appliceras på ingångssignaler och summan jämförs med ett tröskelvärde för att bestämma om neuronen aktiveras.
Vad är syftet med att använda datasetet MNIST inom deep learning?
A) Att träna modeller för bildsegmentering av naturbilder.
B) Att generera syntetiska datapunkter för simulering.
C) Att klassificera handskrivna siffror.
D) Att optimera nätverk med symbolisk logik.
Svar: C
Förklaring: MNIST-datasetet är ett standardiserat dataset med handskrivna siffror som används för att träna och utvärdera modeller inom bildklassificering.
Vilken träningsalgoritm justerar vikterna i ett neuralt nätverk genom att arbeta bakifrån från outputlagret?
A) Gradient Descent
B) Forward Propagation
C) Stochastic Gradient Descent
D) Backpropagation
Svar: D
Förklaring: Backpropagation är en algoritm där nätverket beräknar fel på outputlagret och sedan justerar vikterna i de tidigare lagren genom att sprida tillbaka felet.
Vad innebär termen “deep” i deep learning?
A) Att nätverket använder avancerade matematiska funktioner.
B) Att nätverket består av flera “hidden layers” mellan input- och outputlagret.
C) Att nätverket tränas med extremt stora dataset.
D) Att nätverket endast använder symboliska metoder.
Svar: B
Förklaring: “Deep” syftar på de djupa arkitekturerna med flera dolda lager som gör det möjligt att modellera komplexa samband i data.
Vilket av följande är INTE en egenskap hos klassisk/symbolisk AI?
A) Att den bygger på explicita regler för att hantera problem.
B) Att den fungerar väl i problem med en tydlig och sökbar trädstruktur.
C) Att den har hög förmåga att improvisera i okända situationer.
D) Att den är svår att skala upp för “luddiga” problem.
Svar: C
Förklaring: Klassisk/symbolisk AI är bra på strukturerade problem men har svårt att hantera improvisation och okända situationer, vilket är en av dess största begränsningar.
Vad är den primära funktionen hos Convolutional Neural Networks (CNNs)?
A) Att klassificera textdata
B) Att simulera symboliska regler
C) Att optimera hyperparametrar
D) Att extrahera hierarkiska visuella funktioner från bilder
Svar: D
Förklaring: CNNs är designade för att efterlikna den hierarkiska bearbetningen i den visuella cortex och extrahera allt mer komplexa funktioner från bilder lager för lager.
Vad är huvudsyftet med objektdetekteringsnätverk i realtidsapplikationer?
A) Att detektera, lokalisera och klassificera flera objekt i en bild
B) Att öka bildupplösningen
C) Att konvertera bilder till text
D) Att filtrera brus från signaler
Svar: A
Förklaring: Objektdetekteringsnätverk är utformade för att identifiera var objekt finns i en bild (genom bounding boxes) och att ge sannolikheter för klassificering, vilket är centralt för realtidsvision.
Vilken teknik används för att möjliggöra Large Language Models (LLMs)?
A) Recurrent Neural Networks
B) Support Vector Machines
C) Transformers med attention-mekanismer
D) Decision Trees
Svar: C
Förklaring: Transformers, som använder attention-mekanismer, är grunden för utvecklingen av Large Language Models som underbygger applikationer som ChatGPT, Copilot och liknande.
