Neuronové sítě

/20

Neuronové sítě

Tento kvíz se zaměřuje na neuronové sítě a pokrývá širokou škálu témat souvisejících s konstrukcí, učením a aplikacemi těchto modelů. Skládá se z 20 otázek s čtyřmi možnostmi odpovědí, z nichž je vždy jen jedna správná. Otázky jsou navrženy tak, aby prověřily znalosti základních konceptů, algoritmů a technik používaných v oblasti neuronových sítí.

Kvíz zahrnuje otázky týkající se základních stavebních prvků neuronových sítí, jako jsou perceptrony, aktivační funkce a váhy. Jsou zde také otázky týkající se různých typů neuronových sítí, jako jsou rekurentní neuronové sítě (RNN), konvoluční neuronové sítě (CNN) a generativní konkurenční sítě (GAN).

Dále se kvíz zaměřuje na tréninkové algoritmy a techniky, jako je zpětné šíření (backpropagation), rychlost učení, optimalizace váh pomocí algoritmů gradientního sestupu, jako je Adam, a metody, jakými se zabrání přeučení (overfitting), například dropout.

Kvíz také obsahuje otázky týkající se specifických aspektů neuronových sítí, jako jsou aktivační funkce (ReLU, softmax), způsoby inicializace vah, metody redukce rozměrnosti (max-pooling, t-SNE) a použití různých funkcí ztráty (cross-entropy loss).

Cílem tohoto kvízu je pomoci účastníkům posoudit své znalosti v oblasti neuronových sítí a identifikovat oblasti, ve kterých by se mohli dále vzdělávat. Otázky jsou navrženy tak, aby pokrývaly širokou škálu témat a zajistily, že účastníci mají dobré pochopení základních konceptů a technik používaných v neuronových sítích.

1 / 20

Který z následujících typů neuronových sítí je nejvíce vhodný pro generování nových dat, například obrázků nebo textu?

Generativní konkurenční sítě (GAN)

Konvoluční neuronové sítě (CNN)

Autoencoder

Rekurentní neuronové sítě (RNN)

2 / 20

Který z následujících konceptů označuje postup, při kterém se neuronová síť učí reprezentovat vstupní data ve zjednodušené a komprimované formě?

Dropout

Weight sharing

Autoencoder

Batch normalization

3 / 20

Jakým způsobem se provádí inicializace vah v neuronových sítích, aby se zabránilo problémům, jako je mizení nebo explodující gradienty?

Nulovou inicializací

Náhodnou inicializací s vysokou variancí

Inicializací jedničkami

Náhodnou inicializací s nízkou variancí

4 / 20

Který z následujících algoritmů se často používá pro optimalizaci neuronových sítí a je založen na gradientním sestupu s adaptivním nastavením rychlosti učení?

Adam

Nesterov momentum

RMSprop

AdaGrad

5 / 20

Která z následujících technik se používá k urychlení procesu učení neuronových sítí tím, že se inicializují váhy pomocí předem natrénovaných modelů?

Reinforcement learning

Unsupervised learning

Transfer learning

Active learning

6 / 20

Která z následujících funkcí ztráty (loss functions) se často používá v klasifikačních úlohách s více třídami v neuronových sítích?

Hinge loss

Mean squared error (MSE)

Absolute error

Cross-entropy loss

7 / 20

Co znamená zkratka LSTM, která se vztahuje k určitému druhu rekurentní neuronové sítě?

Logistic Series Transfer Model

Long Short-Term Memory

Layered Space-Time Model

Linear State Transition Model

8 / 20

Co je hlavním účelem softmaxové aktivační funkce v neuronových sítích?

Zvýšení citlivosti modelu na méně významné vstupy

Potlačení šumu v datech

Přidání nelinearity do modelu

Normalizace výstupních hodnot tak, aby jejich součet byl roven 1

9 / 20

Která z následujících technik se používá k minimalizaci přeučení (overfitting) v neuronových sítích?

Zvýšení rychlosti učení

Zvýšení počtu neuronů v jednotlivých vrstvách

Dropout

Zvýšení počtu vrstev

10 / 20

Jaký z následujících termínů označuje metodu, při které se tréninková data rozdělí na menší dávky, které se použijí pro aktualizaci vah v neuronových sítích?

Momentum gradient descent

Minibatch gradient descent

Stochastic gradient descent

Batch gradient descent

11 / 20

Jaký je hlavní účel zpětného šíření (backpropagation) v neuronových sítích?

Nalezení nejlepšího možného řešení problému

Určení ideální rychlosti učení

Aktualizace vah a zkreslení (bias) v síti na základě chyby

Určení optimálního počtu vrstev v síti

12 / 20

Co je hlavním účelem konvolučních neuronových sítí (CNN)?

Zpracování časových řad

Generování přirozeného jazyka

Zpracování textových dat

Rozpoznávání obrazu a zpracování obrazových dat

13 / 20

Která z následujících funkcí je běžně používána jako aktivační funkce v neuronových sítích?

Logaritmická funkce

ReLU (Rectified Linear Unit)

Goniometrická funkce

Exponenciální funkce

14 / 20

Jaký typ problému řeší klasifikační úloha v kontextu neuronových sítí?

Regrese

Unsupervised learning

Supervised learning

Reinforcement learning

15 / 20

Co je hlavním stavebním prvkem neuronových sítí?

Váhový faktor

Aktivační funkce

Perceptron

Konektor

16 / 20

Co je hlavním účelem max-poolingové vrstvy v konvolučních neuronových sítích (CNN)?

Zvýšení citlivosti modelu na detaily

Zvýšení robustnosti modelu vůči šumu

Zlepšení generalizace modelu

Redukce rozměrnosti vstupních dat

17 / 20

Která z následujících metod se často používá pro optimalizaci váh v neuronových sítích?

Metoda Monte Carlo

Metoda nejmenších čtverců

Algoritmus hromadného gradientu (Batch Gradient Descent)

Newtonova metoda

18 / 20

Jak se nazývá metoda pro snížení rozměrnosti dat ve vícevrstvých neuronových sítích, která umožňuje získat představu o tom, jak síť kategorizuje vstupní data?

PCA (Principal Component Analysis)

LDA (Linear Discriminant Analysis)

t-SNE (t-distributed Stochastic Neighbor Embedding)

SVM (Support Vector Machines)

19 / 20

Který z následujících termínů označuje míru, jakou se váhy v neuronových sítích aktualizují během tréninku?

Rychlost učení (Learning rate)

Kapacita

Momentum

Regularizace

20 / 20

Jaký druh neuronové sítě se používá pro zpracování sekvencí časových dat, jako jsou časové řady nebo text?