12. Neurális hálók

Az alábbiak közül melyik jellemzik a homogén többrétegű előrecsatolt hálózatot?

• Az i-dik réteg neuronjának kimenete csak az i+1-dik réteg neuronjának lehet bemeneti értéke.

• Az i-edik réteg egy neuronjának kimenete csak az i-1-dik réteg neuronjának lehet bemeneti értéke.

• A különböző rétegek neuronjainak aktivációs (kimeneti) függvénye eltérhet, de egy réteghez tartozó neuronok esetében nem.

• Az azonos réteghez tartozó neuronok között nincs közvetlen kapcsolat.

Mit jelent az input vektorizálása?

• A megoldandó probléma lineárisan szeparálható feladattá konvertálását.

• Az inputok azonos hosszúságú számsorozatok.

• Egy inputot a jellemzői (attribútumai) segítségével egy számsorozattal ábrázolunk.

• Az inputot egy síkvektorként fogjuk fel, amelynek kiinduló pontja az origó.

Jellemezze a szigmoid kimeneti függvényt!

• Egyetlen szakadási ponttal rendelkező, máshol deriválható, monoton növekedő, [0,1] intervallumba képző függvény.

• Folytonos, mindenhol deriválható, szigorúan monoton növekedő, ]0,1[ intervallumba képző függvény.

• Folytonos, mindenhol deriválható, monoton növekedő, [0,1] intervallumba képző függvény.

• Folytonos, majdnem mindenhol deriválható, monoton növekedő, ]0,1[ intervallumba képző függvény.

Az alábbiak közül melyik hálózatnak NEM lehet több rétegű topológiája?

• Konvolúciós neurális hálózat.

• Hopfield neurális hálózat.

• Backpropagation modell hálózata.

• Rekurrens neurális hálózat.

Mi a delta tanulási szabály?

• Egy súly megváltoztatása a súlyhoz tartozó bemeneti értéknek, és a súlyt tartalmazó neuron számított és várt kimeneti értékei különbségének szorzatától függ.

• Egy súly megváltoztatása a súlyhoz tartozó bemeneti értéknek, és a súlyt tartalmazó neuron számított kimeneti értékének szorzatától függ.

• Egy súly megváltoztatása a súlyhoz tartozó bemeneti értéknek, és a súlyt tartalmazó neuron várt kimeneti értékének szorzatától függ.

• Egy súly megváltoztatása a súlyhoz tartozó bemeneti értéknek, és a súlynak szorzatától függ.

Mire alkalmazzák a lineárisan szeparálható kifejezést?

• Azokra a feladatokra, amelyek lehetséges bemeneti érték n-esei egy hipersíkkal elválaszthatók aszerint, hogy az ezekre elvárt válasz A vagy B.

• A Rosenblatt-féle perceptronokból épített neurális hálózatokra.

• Arra, hogy a perceptronnal megoldható problémák két osztályba sorolhatóak be.

• Arra, hogy a mintapontokhoz a legkisebb négyzetek módszerével meghatározott egyenes elválasztja egymástól a mintapontokat.

A mesterséges neuron hálózatokra felügyelt vagy felügyelet nélküli tanulási módszer alkalmazható?

• Egyik sem.

• Csak felügyelet nélkül.

• Csak felügyelt.

• Mindkettő.

Hogyan lehet Rosenblatt-féle perceptronok felhasználásával koordinátapárokat úgy osztályozni, hogy megmondjuk melyek esnek bele egy megadott háromszögbe, és melyek nem?

• Olyan kétrétegű előrecsatolt hálózattal, ahol az első rétegben három, a második rétegben egy neuron van.

• Egy rétegű három neuront tartalmazó hálózattal.

• Nem lehet, mert a Rosenblatt-féle neuronokkal csak lineárisan szeparálható problémákat lehet megoldani.

• Nem lehet, mert többrétegű Rosenblatt-féle perceptronokból álló hálózathoz nem ismerünk tanuló algoritmust.

A mesterséges neuronhálózatot egy olyan paraméteres függvénynek tekinthetjük, amellyel a megoldandó problémát reprezentáló Ieképezést közelítjük. Melyek ebben a paraméterek?

• A neuronokban használt kimeneti függvények.

• A neuronok súlytényzői.

• A neuronok „bias" bemenete.

• A tanító minták száma és a tanulási együttható.

Mit értünk a hiba-visszaterjesztés (error-backpropagation) módszere alatt?

• Azt, amikor egy többrétegű előrecsatolt hálózat kimeneti rétegének elvárt kimenetei alapján határozzuk meg, hogy a hálóbeli neuronoknak milyen elvárt kimenete van.

• Azt, amikor egy többrétegű előrecsatolt hálózat kimeneti rétegének számított és várt outputjai alapján határozzuk meg, hogy hogyan kell a hálóbeli neuronok súlyait változtatni.

• Olyan többrétegű hálózat építését, amelyben megengedjük a visszacsatolást a szomszédos rétegek között.

• Azt a folyamatot, amellyel a Hopfield modell stabil konfigurációba jut.