Hluboké učení

/20

Hluboké učení

Tento kvíz se zaměřuje na hluboké učení, jednu z nejdůležitějších oblastí strojového učení a umělé inteligence. Kvíz se skládá z 20 otázek, které pokrývají různé aspekty hlubokého učení, včetně základních pojmů, metod, architektur neuronových sítí a algoritmů. Otázky se zaměřují na rozšířené metody a techniky, jako jsou konvoluční a rekurentní neuronové sítě, autoencodery, generativní adversariální sítě a techniky optimalizace, jako je gradientní sestup a zpětná propagace. Tento kvíz je ideální pro studenty, odborníky v oboru i nadšence, kteří chtějí prověřit a prohloubit své znalosti hlubokého učení.

1 / 20

Co znamená termín "overfitting" (přeučení) v kontextu hlubokého učení?

Neuronová síť se příliš dobře přizpůsobí tréninkovým datům a ztrácí schopnost generalizace

Neuronová síť má příliš mnoho vrstev

Neuronová síť se nedokáže dostatečně přizpůsobit tréninkovým datům

Neuronová síť trénuje příliš pomalu

2 / 20

Co je transfer learning v kontextu hlubokého učení?

Algoritmus pro přenos váhy z jedné sítě do druhé

Přenos dat mezi neuronovými sítěmi

Metoda tréninku sítě na základě vzorů

Metoda, která umožňuje sítím rychleji se učit nové úkoly

3 / 20

Co je základní jednotkou rekurentní neuronové sítě (RNN)?

LSTM buňka

Perceptron

GRU buňka

Rekurentní vrstva

4 / 20

Co je to generativní adversariální síť (GAN)?

Neuronová síť, která generuje reklamní materiály

Dvě konkurenční neuronové sítě, které spolupracují na generování nových vzorků dat

Neuronová síť, která rozpoznává obraz

Neuronová síť, která optimalizuje webové stránky

5 / 20

Jaký je hlavní rozdíl mezi učením s učitelem (supervised learning) a učením bez učitele (unsupervised learning)?

Učení s učitelem a bez učitele jsou stejné

Učení s učitelem vyžaduje velké množství dat

Učení s učitelem vyžaduje značkování tréninkových dat

Učení bez učitele vyžaduje značkování tréninkových dat

6 / 20

Jaký je hlavní účel konvolučních neuronových sítí (CNN)?

Predikce časových řad

Analýza a rozpoznávání obrazu

Generování textu

Řešení optimalizačních problémů

7 / 20

Co je aktivace ReLU (Rectified Linear Unit)?

Druh neuronové sítě

Aktivační funkce používaná v hlubokých neuronových sítích

Technika pro zvýšení rychlosti tréninku

Metoda optimalizace vah neuronové sítě

8 / 20

Co je to "dropout" v kontextu hlubokého učení?

Metoda pro snížení overfittingu, která náhodně vypíná některé neurony během tréninku

Metoda pro úsporu paměti při tréninku neuronových sítí

Metoda pro zvyšování výkonu sítě přidáním nových vrstev

Metoda, která zvyšuje rychlost učení sítě

9 / 20

Co je dropout v kontextu hlubokého učení?

Technika pro zamezení přeučení sítě

Ztráta informací při přenosu dat

Chybová zpráva při selhání tréninku

Přerušení spojení mezi vrstvami neuronové sítě

10 / 20

Co je to autoencoder?

Neuronová síť, která předpovídá časové řady

Neuronová síť, která komprimuje a následně dekomprimuje data

Neuronová síť, která rozpoznává obraz

Neuronová síť, která generuje nové vzorky dat

11 / 20

Která z následujících technik není součástí hlubokého učení?

Generativní konkurenční sítě (GAN)

Algoritmus rojové optimalizace

Autoenkodéry

Rekurentní neuronové sítě (RNN)

12 / 20

Co znamená termín "vanishing gradient" (mizející gradient) v kontextu hlubokého učení?

Rychlost tréninku se zvyšuje s každou iterací

Gradient se ztrácí při přenosu dat mezi vrstvami

Gradient chybové funkce se zvětšuje u hlubších vrstev sítě

Gradient chybové funkce se blíží nule u hlubších vrstev sítě

13 / 20

Co je hluboké učení?

Metoda strojového učení založená na neuronových sítích

Systém indexování webových stránek

Programovací jazyk

Proces získávání dat z různých zdrojů

14 / 20

Co je hlavním cílem hlubokého učení?

Vytvářet nové programovací jazyky

Automatizovat manuální úkoly

Aproximovat komplexní funkce pomocí tréninku

Simulovat lidský mozek

15 / 20

Co je to backpropagation (zpětná propagace)?

Proces, kterým se zvyšuje výkon neuronové sítě přidáním nových vrstev

Proces, kterým se určuje optimální architektura neuronové sítě

Proces, kterým se aktualizují váhy v neuronové síti pomocí gradientního sestupu

Proces, kterým se snižuje počet vrstev v neuronové síti

16 / 20

Jaký druh neuronové sítě je často používán pro rozpoznávání obrazu a analýzu obrazových dat?

Konvoluční neuronové sítě (CNN)

Hopfieldovy sítě

Restricted Boltzmann Machines (RBM)

Rekurentní neuronové sítě (RNN)

17 / 20

Jaký je hlavní rozdíl mezi dávkovým (batch) a stochastickým gradientním sestupem?

Dávkový gradientní sestup je pouze použitelný pro konvoluční neuronové sítě

Dávkový gradientní sestup je rychlejší než stochastický gradientní sestup

Dávkový gradientní sestup aktualizuje váhy po každém průchodu celým tréninkovým souborem, zatímco stochastický gradientní sestup aktualizuje váhy po každém jednotlivém vzorku tréninkových dat

Stochastický gradientní sestup je pouze použitelný pro rekurentní neuronové sítě

18 / 20

Co je hlavním účelem rekurentních neuronových sítí (RNN)?

Řešení optimalizačních problémů

Rozpoznávání obrazu

Klíčení textu

Predikce časových řad a zpracování sekvencí dat

19 / 20

Který z následujících je nejznámější algoritmus pro trénink hlubokých neuronových sítí?

Genetický algoritmus

Algoritmus zpětného šíření chyby (Backpropagation)

Algoritmus hromadného učení