Prov 3 AI Neurala nätverk

Question 1

Aktiveringsfunktioner

Answer 1

ReLU – Vanligast, släpper igenom positiva värden, sätter negativa till 0.

Sigmoid – Mjuk kurva mellan 0 och 1, används för binär klassificering.
(Sigmoidfunktion - En matematisk funktion som omvandlar kontinuerliga värden till ett intervall mellan 0 och 1.)

Softmax – Omvandlar output till sannolikheter, används vid flerklasser.

Question 2

Noder

Neurala nätverk

Answer 2

Grundläggande beräkningsenheter i ett neuralt nätverk

Varje aktiv enhet som kan sända, ta emot eller vidareförmedla data är en nod.

Question 3

Lager

Neurala nätverk

Answer 3

Grupper av noder organiserade i inmatnings-, dolda- och utmatningslager.

Question 4

Bakåtpropagering (Backpropagation)

Answer 4

Algoritm som justerar vikter i ett neuralt nätverk baserat på felet.

Question 5

Sekventiellt nätverk

Answer 5

Ett nätverk där lager ligger i ordning.

Fördelar: Enkel struktur.

Nackdelar: Begränsad flexibilitet.

Question 6

Tillämpningar

Answer 6

Klassificering (binär, multipel) – Exempel: spamfilter, bildigenkänning.

Regression: Förutspå kontinuerliga värden.

Klassificering: T.ex. identifiering av bilder eller text.

Question 7

Beräkning av träningsbara parametrar

Answer 7

Beror på antalet noder och lager, inklusive vikter och biasar mellan noder.