Nevronske mreze

Question 1

Kaj so umetne nevronske mreže in na čem temeljijo?

Answer 1

So računalniški modeli, ki simulirajo delovanje bioloških nevronskih omrežij.

Question 2

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

Answer 2

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

Question 3

Kaj je vloga sinaptične vezi v umetnem nevronu?

Answer 3

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

Question 4

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

Answer 4

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

Question 5

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

Answer 5

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

Question 6

Kaj je aktivacijska funkcija in katere vrste poznamo?

Answer 6

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

Question 7

Kaj je cilj algoritma za padajoče gradiente (backpropagation)?

Answer 7

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

Question 8

Kako Kohonenove mreže (SOM) organizirajo podatke?

Answer 8

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

Question 9

Opiši vlogo uteži v nevronih umetne nevronske mreže.

Answer 9

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

Question 10

Kako se v umetnih nevronskih mrežah uporablja funkcija napake?

Answer 10

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

Question 11

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

Answer 11

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.

Question 12

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

Answer 12

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

Question 13

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

Answer 13

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

Question 14

Opiši, kako deluje Hopfieldova nevronska mreža kot asociativni pomnilnik.

Answer 14

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

Question 15

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

Answer 15

Moment zmanjšuje nihanje uteži in izboljšuje konvergenco s stabilnejšimi prilagoditvami.