deep learning

היתרון המרכזי של למידה עמוקה על למידת מכונה קלאסית הוא

• קלות המימוש

• הייתרון של שיפור המודלים בהינתן ידע

• יכול להשתפר גם אחרי כמויות גדולות של דאטה

• אין, תמיד כדאי לקחת
  XGBoost

החסרון הראשי של למידה עמוקה על למידת מכונה קלאסית הוא

• קלות המימוש

• הייתרון של שיפור המודלים בהינתן ידע

• יכול להשתפר גם אחרי כמויות גדולות של דאטה

• תהליך עיבוד הדאטה קשה יותר לקראת רשת נוירונים

למה משמשת פונקציית ה
sigmoid

• פיזור הסתבוריות המימוש בשכבה האחרונה על גבי הקלאסים

• חיזוי איכותיני במשימות רגרסיה

• מגוון שימושים כולל ברגרסיה לוגיסטית

• אף אחת מהתשובות איננה נכונה

מדוע משתמשים ב
GDS

על פונקצית ה

cost?

• אין סיבה

• מאפשר לנו לכנס את פוקנציית הלוס שלנו אל עבר האפס

• מאפשר לנו בחירת פיצ'רים טובה יותר על סט האימון

• מאפשר לנו בחירת פיצ'רים טובה יותר על סט המבחן

למה משתמשים ב
GDS

על פונקצית ה

cost?

• אין סיבה

• מאפשר לנו לכנס את פוקנציית הלוס שלנו אל עבר האפס

• מעדכנים את המשקולות על הקשתות באמצעות חישובים על הלוסט

• מעדכנים את ההטיות באמצעות חישובים על הלוסט

למה משתמשים ב
GDS

על פונקצית ה

cost?

• אין סיבה

• מאפשר לנו לכנס את פוקנציית הלוס שלנו אל עבר האפס

• מעדכנים את המשקולות על הקשתות באמצעות חישובים על הלוסט

• מעדכנים את ההטיות באמצעות חישובים על הלוסט

מדוע שימוש בוקטורים נכון יותר בחישובים לרשתות נוירונים

• חוסכים את החישוב בתוך לולאות
  ומייעלות זמן ריצה

• שלל חבילות קוד תומכות בזה כבר

• כפל מטריצות יותר מדויק למחשב

• תמיכה של
  GPU

מה הם מימדי השכבה אמצעית

• W1:[4,3]

  B1:[4,1]

  A1:[4,1]

• W1:[4,1]

  B1:[4,1]

  A1:[4,1]

• W1:[4,3]

  B1:[4,3]

  A1:[4,3]

• W1:[4,3]

  B1:[4,1]

  A1:[4,5]

עדכון המשקולות ברשת קורה מהסוף להתחלה

• נכון

• לא נכון

מדוע לא משתמשים בפונקציית סיגמוייד באמצע הרשת

• להימנע מבעיית

  exploding gradient

• להימנע מבעיית

  vanishing gradient

• להימנע מבעיית

  zero-sum gradient

• אין סיבה שלא