Nevronske mreze Flashcards

1
Q

Kaj so umetne nevronske mreže in na čem temeljijo?

A

So računalniški modeli, ki simulirajo delovanje bioloških nevronskih omrežij.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

Kdo sta McCulloch in Pitts ter kako sta prispevala k razvoju umetnih nevronskih mrež?

A

Leta 1943 sta postavila prvi matematični model nevrona, ki je osnova umetnih nevronskih mrež.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

Kaj je vloga sinaptične vezi v umetnem nevronu?

A

Sinaptične vezi (uteži) prilagajajo prispevek vhodnih signalov k nevronu.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

Kakšna je razlika med feed-forward in rekurentnimi nevronskimi mrežami?

A

Feed-forward mreže pošiljajo signale samo naprej, medtem ko imajo rekurentne mreže povratne povezave.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

Kako deluje perceptron in zakaj je omejen pri reševanju kompleksnejših problemov?

A

Perceptron loči podatke z linearnimi mejami; ne more ločiti nelinearno ločljivih problemov (npr. XOR).

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

Kaj je aktivacijska funkcija in katere vrste poznamo?

A

Določa, kako vhodni signal postane izhod nevrona. Poznamo linearne, stopnične, sigmoidne, tangensne itd.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

Kaj je cilj algoritma za padajoče gradiente (backpropagation)?

A

Prilagoditi uteži mreže tako, da zmanjšajo skupno napako na izhodu.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

Kako Kohonenove mreže (SOM) organizirajo podatke?

A

Organizirajo jih s samoorganizacijo in razvrščanjem v skupine glede na podobnost.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

Opiši vlogo uteži v nevronih umetne nevronske mreže.

A

Uteži prilagodijo moč signala vsakega vhoda glede na pomen in omogočajo učenje mreže.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

Kako se v umetnih nevronskih mrežah uporablja funkcija napake?

A

Izračuna razliko med dejanskim in predvidenim izidom ter usmerja prilagoditev uteži.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

Na kratko opiši proces učenja perceptrona z nadzorovanim učenjem in dodaj primer.

A

Perceptron spreminja uteži glede na napako pri klasifikaciji primerov. Na primer, pri klasifikaciji “mačka” in “pes” se uteži prilagodijo tako, da čim bolj natančno ločijo oba razreda.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

Kako deluje sigmoidna aktivacijska funkcija in zakaj je uporabna pri več nivojskih nevronskih mrežah?

A

Sigmoidna funkcija transformira signale v vrednosti med 0 in 1, kar omogoča gladko prenos podatkov med nivoji.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

Razloži razliko med nadzorovanim, nenadzorovanim in spodbujevalnim učenjem pri nevronskih mrežah.

A

Nadzorovano učenje uporablja označene primere, nenadzorovano odkriva vzorce v neoznačenih podatkih, spodbujevalno pa uporablja povratne informacije za optimizacijo odločitve.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

Opiši, kako deluje Hopfieldova nevronska mreža kot asociativni pomnilnik.

A

Hopfieldova mreža shranjuje vzorce kot stabilna stanja, v katere se mreža konvergira glede na vhodne podatke.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

Zakaj bi bil potreben moment (momentum) parameter pri učenju z metodo padajočih gradientov?

A

Moment zmanjšuje nihanje uteži in izboljšuje konvergenco s stabilnejšimi prilagoditvami.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly