Verktyg och API:er Flashcards
**Vilket bibliotek används främst i Python för att hantera matematiska operationer med multidimensionella arrayer?
**
A) TensorFlow
B) NumPy
C) Keras
D) Matplotlib
Svar: B
Förklaring: NumPy är ett matematikbibliotek som ger stöd för multidimensionella arrayer och många matematiska operationer, vilket är centralt inom data science och maskininlärning.
Hur representeras en 1D-tensor i NumPy?
A) Som en 1-dimensionell array (Rank 1)
B) Som en lista med blandade datatyper
C) Som en 2-dimensionell matris
D) Som en skalär
Svar: A
Förklaring: En 1D-tensor i NumPy representeras som en 1-dimensionell array, vilket innebär att den har en rank av 1 och består av en sekvens av element.
Vad är Keras?
A) Ett fristående bibliotek för datavisualisering
B) Ett matematikbibliotek som hanterar arrayer
C) Ett API för TensorFlow som förenklar byggandet av neurala nätverk
D) En molnbaserad plattform för att köra Python-kod
Svar: C
Förklaring: Keras är ett högnivå-API som ingår i TensorFlow från version 2 och används för att snabbt och enkelt bygga och träna neurala nätverk.
Vilket av följande alternativ beskriver bäst “Sequential”-API:t i Keras?
A) Ett avancerat API som ger total kontroll över komplexa nätverksarkitekturer
B) Ett verktyg för att visualisera träningsdata
C) Ett API för att hantera databaser
D) En standardlösning för att bygga enkla, lager-för-lager-modeller
Svar: D
Förklaring: “Sequential”-API:t i Keras används för att bygga enkla modeller där lagren staplas sekventiellt, vilket är idealiskt för vanliga feed-forward-nätverk.
Varför normaliseras MNIST-datan genom att dela pixelvärdena med 255.0?
A) För att öka datans storlek
B) För att konvertera pixelvärdena från intervallet 0–255 till 0–1, vilket förenklar inlärningen
C) För att skapa en 3D-tensor
D) För att slumpmässigt ändra pixelvärdena
Svar: B
Förklaring: Normalisering genom att dela med 255.0 omvandlar pixelvärdena till ett intervall mellan 0 och 1, vilket gör datan mer hanterbar och förbättrar modellens inlärning.
Vilken funktion används för att “kompilera” en Keras-modell innan träning?
A) model.fit()
B) model.evaluate()
C) model.compile()
D) model.predict()
Svar: C
Förklaring: Innan en modell tränas måste den kompileras med funktionen model.compile(), där man specificerar loss function, optimizer och metrics.
Vad är syftet med funktionen model.fit() i Keras?
A) Att träna modellen på indata
B) Att kompilera modellen
C) Att utvärdera modellens prestanda på testdata
D) Att exportera modellen till en fil
Svar: A
Förklaring: Funktionen model.fit() används för att träna modellen med träningsdata under ett angivet antal epoker och kan även dela upp data för validering.
Hur kan man utvärdera en färdigtränad modell?
A) Genom att köra model.fit()
B) Genom att använda accuracy_score från sklearn.metrics efter att ha predikterat med model.predict()
C) Genom att titta på model.summary()
D) Genom att manuellt räkna antalet rätta svar
Svar: B
Förklaring: Efter träning används model.predict() för att generera prediktioner, och sedan kan accuracy_score från sklearn.metrics jämföra dessa med de sanna etiketterna för att utvärdera modellens noggrannhet.
Vad lagras i den variabel som returneras från model.fit() (ofta kallad history)?
A) Modellens arkitektur
B) En lista med inlärningskurvor utan numeriska värden
C) Den slutgiltiga modellen
D) Loggdata för träningsprocessen, såsom loss och accuracy för både tränings- och valideringsdata
Svar: D
Förklaring: History-objektet lagrar träningsstatistik, såsom värden för loss och accuracy över epoker, vilket gör det möjligt att plotta inlärningskurvor och analysera träningsprocessen.
Vad är en tensor i sammanhanget av maskininlärning och NumPy?
A) En enskild siffra
B) En generell datastruktur som kan vara en skalär, vektor, matris eller ha högre dimensioner
C) Endast en 2D-array
D) En algoritm för optimering
Svar: B
Förklaring: En tensor är en allmän term för en datastruktur som kan ha flera dimensioner – från skalärer (0D) och vektorer (1D) till matriser (2D) och högre, vilket är fundamentalt inom maskininlärning.
Vilket lagertyper i Keras motsvarar ett fullt kopplat lager där varje neuron är kopplad till alla neuroner i föregående lager?
A) Convolutional
B) Dropout
C) Dense
D) Flatten
Svar: C
Förklaring: Dense-lagret är ett fullt kopplat (fully connected) lager där varje ingångsnod är kopplad till varje utgångsnod i lagret.
Vad är syftet med att använda aktiveringsfunktioner i neurala nätverk?
A) Att introducera icke-linearitet och avgöra om en neuron ska aktiveras
B) Att reducera antalet lager i modellen
C) Att normalisera inputdata
D) Att konvertera data till en 1D-array
Svar: A
Förklaring: Aktiveringsfunktioner ger neurala nätverk möjligheten att lära sig icke-linjära samband genom att bestämma om och hur mycket en signal ska vidarebefordras mellan lagren.
Vad karakteriserar ett Dense-lager i Keras?
A) Att det bara används för bilddata
B) Att det innehåller slumpmässiga kopplingar
C) Att varje neuron är kopplad till alla neuroner i föregående lager
D) Att det används för att platta till indata
Svar: C
Förklaring: Dense-lagret är designat för att vara fullt kopplat, vilket betyder att varje neuron tar emot input från alla neuroner i det föregående lagret.
Vad innebär optimering i samband med maskininlärning?
A) Att öka datamängden
B) Att minska antalet dolda lager
C) Att justera modellens parametrar för att minimera felet på träningsdata
D) Att förbättra modellens generalisering direkt
Svar: C
Förklaring: Optimering handlar om att justera modellens parametrar (t.ex. vikter) för att minimera felet, oftast definierat via en loss function, på träningsdatan.
Vad är generalisering?
A) Modellens förmåga att prestera bra på data den inte sett tidigare
B) Processen att justera parametrar för att minska felet
C) Att modellen lär sig detaljer och brus från träningsdata
D) Att modellen överanpassas till träningsdatan
Svar: A
Förklaring: Generalisering avser modellens förmåga att korrekt hantera ny, osedd data, vilket är avgörande för att modellen ska vara användbar i praktiska tillämpningar.
Vad är overfitting?
A) När modellen är för enkel för att lära sig datans mönster
B) När modellen enbart tränas på testdata
C) När modellen tränas med för få epoker
D) När modellen anpassar sig för nära träningsdata, inklusive dess brus, och därmed presterar dåligt på ny data
Svar: D
Förklaring: Overfitting uppstår när modellen “lär sig” även de irrelevanta detaljerna och bruset i träningsdatan, vilket gör att den presterar sämre när den ställs inför ny data.
Vad är underfitting?
A) När modellen är för komplex och överanpassas till datan
B) När modellen inte har tillräcklig komplexitet eller inte tränats tillräckligt för att fånga datans mönster
C) När modellen använder felaktig loss function
D) När modellen tränas enbart på testdata
Svar: B
Förklaring: Underfitting inträffar när modellen är för enkel eller otillräckligt tränad, vilket gör att den inte kan lära sig de underliggande mönstren i datan, med resulterande dålig prestanda både på tränings- och testdata.
Vad innebär manifoldhypotesen?
A) Att all data har en oändligt hög dimension
B) Att all naturlig data finns på en lågdimensionell, välstrukturerad yta inom det högdimensionella rummet där den lagras
C) Att endast enkla modeller kan generalisera bra
D) Att överfitting aldrig kan undvikas
Svar: B
Förklaring: Manifoldhypotesen säger att naturlig data oftast ligger på en lågdimensionell “yta” (manifold) inom ett högdimensionellt utrymme, vilket möjliggör interpolering mellan datapunkter för bättre generalisering.
Vilka typer av dataset används för att träna, validera och testa en maskininlärningsmodell?
A) Endast träningsdataset
B) Träningsdataset och syntetiska dataset
C) Träningsdataset, valideringsdataset och testdataset
D) Endast testdataset
Svar: C
Förklaring: För att både träna och utvärdera en modell används vanligtvis tre typer av dataset: träningsdataset för att justera parametrarna, valideringsdataset för att optimera hyperparametrar och övervaka prestanda, samt testdataset för att mäta generalisering.
Vilken strategi rekommenderas för att förbättra modellens generalisering?
A) Att öka modellens komplexitet oavsett datamängd
B) Att enbart fokusera på att minimera träningsfelet
C) Att balansera modellens komplexitet, justera hyperparametrar och eventuellt lägga till mer data eller brus
D) Att använda en hög inlärningstakt utan förändringar i batchstorlek
Svar: C
Förklaring: För att förbättra generalisering är det viktigt att balansera modellens komplexitet med träningsdatans storlek, justera hyperparametrar (såsom inlärningstakt och batchstorlek) samt använda tekniker som datagenerering och tillsats av brus.
Vilket dataset används för att utvärdera modellens generaliseringsförmåga?
A) Träningsdataset
B) Valideringsdataset
C) Testdataset
D) Både tränings- och valideringsdataset
Svar: C
Förklaring: Testdatasetet används för att utvärdera modellens prestanda på ny, osedd data, vilket är avgörande för att bedöma hur väl modellen generaliserar.
Vad beskriver en perceptron?
A) En optimeringsalgoritm för att minimera loss
B) En modell som multiplicerar ingångar med vikter och summerar dem för att generera en output
C) En metod för att normalisera indata
D) Ett djupt neuralt nätverk med flera lager
Svar: B
Förklaring: En perceptron beräknar sin output genom att multiplicera varje ingång med en tillhörande vikt, summera dessa och sedan applicera en aktiveringsfunktion.
Vilket logiskt uttryck kan en single layer perceptron (SLP) modellera?
A) XOR (exklusivt)
B) NAND
C) AND
D) XNOR
Svar: C
Förklaring: En SLP kan hantera linjärt separabla funktioner, exempelvis AND och OR, men inte icke-linjärt separerbara problem som XOR.
Vad menas med att ett problem är linjärt separerbart?
A) Att datan kan delas upp med en rak linje (eller hyperplan) så att olika klasser separeras
B) Att datan kräver en icke-linjär aktiveringsfunktion
C) Att problemet endast kan lösas med en single layer perceptron
D) Att lösningen kräver en backpropagation-algoritm
Svar: A
Förklaring: Ett problem är linjärt separerbart om det går att hitta en rak linje (eller hyperplan i högre dimensioner) som tydligt delar upp datapunkterna i olika klasser.
Varför klarar inte en single layer perceptron att lösa XOR-problemet?
A) För att XOR är linjärt separerbart
B) För att XOR är icke-linjärt separerbart
C) För att SLP inte kan hantera mer än två ingångar
D) För att XOR inte kräver någon aktiveringsfunktion
Svar: B
Förklaring: XOR-problemet är ett klassiskt exempel på ett icke-linjärt separerbart problem, vilket innebär att ingen rak linje kan separera de två klasserna – en egenskap som SLP:er inte kan hantera.
Vad introducerar en Multi Layer Perceptron (MLP) jämfört med en SLP?
A) Fler ingångar
B) En direkt lösning på linjärt separerbara problem
C) En reducerad träningshastighet
D) Ett eller flera dolda lager som möjliggör hantering av icke-linjära problem
Svar: D
Förklaring: Genom att lägga till ett eller flera dolda lager (hidden layers) kan en MLP modellera icke-linjära samband, vilket möjliggör att problem som XOR kan lösas.
Vad är “Credit Assignment Problem” i samband med träning av MLP:er?
A) Problemet att hitta rätt inlärningstakt
B) Svårigheten att avgöra vilka vikter i de dolda lagren som orsakar ett felaktigt output
C) Utmaningen att välja rätt aktiveringsfunktion
D) Svårigheten att konstruera en korrekt sanningsvärdetabell
Svar: B
Förklaring: Credit Assignment Problem syftar på utmaningen att identifiera vilka delar av nätverket (vilka vikter) som bidrar till felet, speciellt när dolda lager är inblandade.
Vilken algoritm används för att lösa Credit Assignment Problem i MLP:er?
A) Forward Propagation
B) Random Forest
C) Backpropagation
D) K-Means clustering
Svar: C
Förklaring: Backpropagation är den algoritm som används för att sprida tillbaka felinformationen från outputlagret till tidigare lager, så att vikterna kan justeras korrekt.
Hur fungerar principen för backpropagation?
A) Felet beräknas endast vid inputlagret
B) Vikterna uppdateras slumpmässigt
C) Felet beräknas i outputlagret och sprids sedan bakåt genom nätverket för att uppdatera varje lager baserat på dess bidrag till felet
D) Modellen tränas utan att använda någon loss function
Svar: C
Förklaring: Vid backpropagation beräknas skillnaden mellan förväntat och erhållet output (loss), varefter denna felinformation sprids bakåt genom nätverket för att uppdatera vikterna i varje lager med hjälp av gradient descent.
Varför var introduktionen av backpropagation en avgörande utveckling inom artificiella neurala nätverk?
A) Det gjorde det möjligt att träna djupt nätverk genom att systematiskt justera vikterna över flera lager
B) Det ökade hastigheten på single layer perceptron
C) Det eliminerade behovet av aktiveringsfunktioner
D) Det gjorde nätverken linjärt separerbara
Svar: A
Förklaring: Backpropagation gjorde det möjligt att träna multi layer perceptron (MLP) genom att sprida tillbaka felinformation och justera vikterna lager för lager, vilket var avgörande för att lösa komplexa och icke-linjära problem.
Vilken aktiveringsfunktion definieras som
𝑓(𝑥)=max(0,𝑥) ?
A) Tanh
B) Sigmoid
C) Softmax
D) ReLU
Svar: D
Förklaring: ReLU returnerar 0 för negativa ingångar och 𝑥 för positiva ingångar
Vilken aktiveringsfunktion ger output mellan -1 och 1 och har en symmetrisk form runt noll?
A) ReLU
B) Sigmoid
C) Tanh
D) Softmax
Svar: C
Förklaring: Tanh, hyperbolisk tangent, returnerar värden i intervallet [-1, 1] och är centrerad kring noll, vilket kan ge snabbare konvergens.
Vilken aktiveringsfunktion omvandlar ingångsvärden till ett intervall mellan 0 och 1, vilket innebär att den ger utdata med begränsat omfång?
A) Tanh
B) ReLU
C) Sigmoid
D) Softmax
Svar: C
Förklaring: Sigmoid omvandlar alla värden till intervallet (0, 1), vilket kan göra att stora skillnader mellan höga och låga signaler inte blir lika tydliga.
Vilken aktiveringsfunktion är ofta vald på grund av sin enkla beräkningsmetod och förmåga att vidarebefordra positiva värden utan att begränsas?
A) Softmax
B) Sigmoid
C) Tanh
D) ReLU
Svar: D
Förklaring: ReLU beräknas snabbt och lämnar positiva värden oförändrade, vilket gör den populär i många nätverksarkitekturer.
