💯 Нейронные сети.ои(sa) (ответы на тест Синергия / МОИ / МТИ / МосАП, январь 2024)

Раздел
Программирование
Тип
Просмотров
69
Покупок
3
Антиплагиат
Не указан
Размещена
22 Янв в 19:53
ВУЗ
Не указан
Курс
Не указан
Стоимость
300 ₽
Файлы работы   
1
Каждая работа проверяется на плагиат, на момент публикации уникальность составляет не менее 40% по системе проверки eTXT.
pdf
Нейронные сети.ои(sa)
80.3 Кбайт 300 ₽
Описание

Основы нейронных сетей > Нейронные сети

  • правильные ответы на все вопросы из теста по данной дисциплине
  • вопросы отсортированы в лексикографическом порядке
Оглавление

Нейронные сети.ои(sa)

  1. Введение в нейронные сети
  2. Полносвязные нейронные сети
  3. Элементы теории оптимизации
  4. Обучение нейронных сетей
  5. Сверточные нейронные сети
  6. Рекуррентные нейронные сети. 1 Часть
  7. Рекуррентные нейронные сети. 2 Часть
  8. Tips and Tricks
  9. Pytorch
  10. Векторные представления слов
  11. Нейронные сети-трансформеры


Алгоритм Backpropagation:

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

  • Состоит в случайном подборе весов модели до тех пор, пока не будет достигнут оптимальный набор параметров, минимизирующий ошибку
  • Используется только для оптимизации полносвязных нейросетей
  • Последовательном вычислении градиентов по весам модели, начиная с последнего слоя, по предактивациям соответствующего слоя и градиентам по весам следующего

Архитектура полносвязной нейронные сети основана на идее

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

  • обобщения низкоуровневых признаков и генерирования на их основе более высокоуровневых
  • Построения разделяющей гиперплоскости
  • Минимизации лосс-функции без использования градиентных методов

Все описанные в лекции алгоритмы обладают общим свойством. Каким?

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

  • Для всех требуется вычисление матрицы Гессе оптимизируемой функции
  • Для всех требуется вычисление градиентов оптимизированной функции
  • Для всех требуется подсчет значения оптимизируемой функции в данной точке

Градиентные методы оптимизации

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

  • Представляют собой итерационные алгоритмы
  • Аналитически ищут решение задачи оптимизации
  • Вопреки названию, не используют градиенты

Задача классификации – это задача

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

  • Обучения с учителем
  • Обучения без учителя
  • Обучения с подкреплением

Задачу машинного обучения можно представить в виде последовательности выполнения действий по выбору оптимальной решающей функции f из многопараметрического семейства F. Задача обучения сводится к задаче оптимизации на этапе:

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

  • Выбора семейства F
  • Оценки качества выбранной функции f из семейства F
  • Поиска наилучшей функции из семейства F

Идея Momentum состоит в:

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

  • Вычислении градиента в точке, к которой алгоритм должен сойтись на текущем шаге, согласно посчитанному моментному члену, а не в той точке, откуда алгоритм производит шаг
  • Использовании идеи физической инерции посредством добавления моментных членов, "скоростей"
  • приближенном, а значит - более быстром("моментальном") вычислении градиентов в текущей точке

Лучший способ борьбы с переобучением:

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

  • Изменение архитектуры модели
  • Регуляризации
  • Увеличение количества данных

Метод подбора адаптированного learning rate на основе оценки исторических градиентов:

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

  • Nesterov Momentum
  • RMSProp
  • Adagrad

Наиболее популярный на текущий момент метод оптимизации, основанный на идее использования двух моментных членов, предложенный в 2015 году:

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

  • ADAM
  • Adagrad
  • Adadelta

Начальная инициализация весов нейросети:

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

  • Должна быть константной для того, чтобы результаты обучения нейросети на одной и той же трейнинговой выборке были воспроизводимыми
  • Должна быть случайной для того, чтобы модель могла обучиться, не зануляя градиенты на определенном шаге, причем такой, что дисперсия сигнала не будет изменяться при проходе через слои нейросети.
  • Может быть любой

Нейронные сети бывают следующих видов:

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

  • Полносвязные и рекуррентные
  • Рекуррентные, сверточные и трансформеры
  • Рекуррентные, сверточные, полносвязные и трансформеры

Нейронные сети, наиболее часто применяющиеся в CV – это

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

  • Полносвязные
  • Сверточные
  • Рекуррентные

Обучение нейронной сети – это применение алгоритма оптимизации для решения задачи

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

  • Минимизации средней нормы градиента эмпирического риска по весам модели
  • Минимизации эмпирического риска
  • Минимизации средней нормы матриц весов модели

Обучение с учителем характеризуется

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

  • Целью обучить агента принимать оптимальные решения в среде
  • Отсутствием размеченной выборки
  • Наличием размеченной выборки

Отметьте верные высказывания о функциях активации:

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

  • Функция активации сигмоида лежит в диапазоне [0,1] и может быть интерпретирована как вероятность, а потому часто используется для решения задач бинарной классификации. Функция ReLU - кусочно-линейная
  • Функция Leacky ReLU - всюду дифференцируема. Популярная функция активации гиперболический тангенс может быть использована, как решающая функция для задачи регрессии. Производная сигмоидальной функции не выражается аналитически через значение самой функции в данной точке
  • Все функции активации взаимозаменяемы вследствие того, что имеют одну и ту же область значений и область определения

Переобучение – это эффект, возникающий при

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

  • Излишней сложности модели по отношению к сложности обучающей выборки, из-за чего происходит “заучивание” данных
  • Слишком долгом обучении модели, из-за чего она теряет свою предсказательную способность вследствие увеличения энтропии весов
  • Усталости специалиста по машинному обучению от того, что его модели слишком долго учатся

При прямом проходе через Feed Forward Neural Network:

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

  • Происходит обновление весов модели на основе градиентов, посчитанных на предыдущей итерации
  • Происходит выстраивание архитектуры модели посредством подбора числа слоев и их размеров
  • Сигнал передается посредством последовательного матричного умножения и применения нелинейных функций активации

Производная сигмоиды выражается через саму сигмоиду аналитически, как

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

  • sigm’ = sigm(1 - sigm)
  • sigm’ = 5sigm^(5)
  • sigm’ = 100sigm/sin(sigm)

Условия Каруша-Куна-Таккера применимы для решения:

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

  • Любой задачи оптимизации
  • Задачи выпуклой оптимизации
  • Задачи оптимизации произвольной функции на выпуклом множестве Q

Функции активации в нейронных сетях:

Тип ответа: Одиночный выбор • с выбором одного правильного ответа из нескольких предложенных вариантов

  • Нелинейны (глобально) и вносят неоднородность в сигнал при прямом проходе
  • Линейны и нужны для проверки работоспособности модели
  • Активируют нейросеть в разных режимах работы
Вам подходит эта работа?
Похожие работы
Обучение нейронных систем
Тест Тест
16 Мая в 14:31
11
0 покупок
Обучение нейронных систем
Тест Тест
4 Мая в 16:19
52
2 покупки
Обучение нейронных систем
Тест Тест
24 Апр в 07:17
39
0 покупок
Обучение нейронных систем
Тест Тест
31 Мар в 10:12
108
0 покупок
Другие работы автора
Информационные технологии
Тест Тест
23 Мая в 21:38
27
0 покупок
ТОЭ - Теоретические основы электротехники
Тест Тест
23 Мая в 21:02
26 +1
0 покупок
Инженерная графика
Тест Тест
23 Мая в 20:37
28
0 покупок
Административное право
Тест Тест
23 Мая в 15:14
20 +3
0 покупок
Государственное и муниципальное управление
Тест Тест
23 Мая в 13:13
18 +1
0 покупок
Государственное и муниципальное управление
Тест Тест
23 Мая в 12:44
22
0 покупок
Темы журнала
Показать ещё
Прямой эфир