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

Co je hlavním účelem softmaxové aktivační funkce v neuronových sítích?

Zvýšení citlivosti modelu na méně významné vstupy

Přidání nelinearity do modelu

Potlačení šumu v datech

Normalizace výstupních hodnot tak, aby jejich součet byl roven 1

2 / 20

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

Zvýšení počtu neuronů v jednotlivých vrstvách

Zvýšení počtu vrstev

Zvýšení rychlosti učení

Dropout

3 / 20

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

Logaritmická funkce

Goniometrická funkce

ReLU (Rectified Linear Unit)

Exponenciální funkce

4 / 20

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

Newtonova metoda

Algoritmus hromadného gradientu (Batch Gradient Descent)

Metoda nejmenších čtverců

Metoda Monte Carlo

5 / 20

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

Zvýšení robustnosti modelu vůči šumu

Zlepšení generalizace modelu

Redukce rozměrnosti vstupních dat

Zvýšení citlivosti modelu na detaily

6 / 20

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

Absolute error

Cross-entropy loss

Hinge loss

Mean squared error (MSE)

7 / 20

Jaký typ problému řeší klasifikační úloha v kontextu neuronových sítí?

Regrese

Unsupervised learning

Reinforcement learning

Supervised learning

8 / 20

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

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

Nalezení nejlepšího možného řešení problému

Určení optimálního počtu vrstev v síti

Určení ideální rychlosti učení

9 / 20

Co je hlavním účelem konvolučních neuronových sítí (CNN)?

Generování přirozeného jazyka

Rozpoznávání obrazu a zpracování obrazových dat

Zpracování textových dat

Zpracování časových řad

10 / 20

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

Unsupervised learning

Transfer learning

Active learning

Reinforcement learning

11 / 20

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

Nesterov momentum

RMSprop

Adam

AdaGrad

12 / 20

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

Layered Space-Time Model

Logistic Series Transfer Model

Linear State Transition Model

Long Short-Term Memory

13 / 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

Stochastic gradient descent

Minibatch gradient descent

Batch gradient descent

14 / 20

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

Rekurentní neuronové sítě (RNN)

Hluboké dopředné neuronové sítě (DNN)

Generativní konkurenční sítě (GAN)

Konvoluční neuronové sítě (CNN)

15 / 20

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

Rychlost učení (Learning rate)

Regularizace

Kapacita

Momentum

16 / 20

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

Náhodnou inicializací s vysokou variancí

Nulovou inicializací

Inicializací jedničkami

Náhodnou inicializací s nízkou variancí

17 / 20

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

Rekurentní neuronové sítě (RNN)

Generativní konkurenční sítě (GAN)

Konvoluční neuronové sítě (CNN)

Autoencoder

18 / 20

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

Batch normalization

Dropout

Weight sharing

Autoencoder

19 / 20

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

LDA (Linear Discriminant Analysis)

PCA (Principal Component Analysis)

SVM (Support Vector Machines)

t-SNE (t-distributed Stochastic Neighbor Embedding)

20 / 20

Co je hlavním stavebním prvkem neuronových sítí?

Váhový faktor

Konektor

Aktivační funkce

Perceptron