Demorage

06.09.2022 12:14

Информатика

Есть ответ 👍

Стестом по нейронным самым маленьким, атомарным компонентом нейронной сети является: вольтрон позитрон нейрон синапс выберите верные утверждения: нейронные сети состоят из нейронов, которые объединяются в слои нейроны соединяются между собой связями, которые иногда называются синапсами нейронные сети состоят из синапсов, которые объединяются в слои функция в нейроне, которая определяет силу выходного сигнала называется: функцией силы функцией активации функцией корреляции имеется нейрон с весами w=[-1,1]. нейрон имеет пороговую функцию активации σ(s) = 1, если s> 0 σ(s) = 0, если s0≤0. на вход нейрону подается вектор: х=[-1,-1]. чему будет равен выход из нейрона? -1 0 1 сколько может быть выходов у нейрона промежуточного слоя в полносвязной сети? выберите все верные варианты: один ни одного более одного вектор весов нейрона: определяет как будет обработан входной вектор определяет как будет обработан входной вектор ближайшего нейрона подстраивается в процессе обучения нейронной сети может состоять только из неотрицательных чисел однослойная нейронная сеть - это: линейная модель эффективный алгоритм кластеризации дерево решений ничего из вышеперечисленного выберите верные утверждения относительно функций активации: функция пороговой активации - одна из наиболее жестких функций сигмоида возвращает значение в промежутке [0,1] функция активации σ(x)=x возвращает значение в промежутке от [0,1] все утверждения не верны сколько будет связей в полносвязной нейронной сети с 3 нейронами входного слоя, 2 нейронами промежуточного слоя и 1 выходным нейроном (3-2-1)? 6 8 9 обучения нейронной сети сводится к тому, чтобы: подобрать количество нейронов таким образом, чтобы предсказанные значения y’ как можно меньше отличались от реальных y подобрать веса нейронов таким образом, чтобы предсказанные значения y’ как можно больше отличались от реальных y подобрать веса нейронов таким образом, чтобы предсказанные значения y’ как можно меньше отличались от реальных y функция потерь нужна для того, чтобы: оценить время обучения нейронной сети оценить сложность обучения нейронной сети оценить качество нейронной сети на данных обучающей выборки одна из наиболее распространенных функций потерь для регрессии: квадрат разности - (y'-y)^2 результат деления y/y' куб разности - (y'-y)^3 как можно инициализировать веса нейронной сети? маленькими случайными значениями в диапазоне (0,0.5) большими случайными значениями в диапазоне (100,1000) нулевыми значениями любым из вышеперечисленных способов дана сеть из трех слоев: входной слой - 2 нейрона (x1,x2) промежуточный слой - 2 нейрона (z1,z2) выходной нейрон (y) веса нейронов соответственно: x1 -> z1 = 2 x1 -> z2 = 1 x2 -> z1 = 0 x2 -> z2 = 1 z1 -> y = 2 z2 -> y = 1 функции активации на всех слоях - σ(x)=x дан входной вектор: [x1,x2] = [2,3] рассчитайте выходное значение y: 0 13 4 8 выберите все верные ответы. увеличение количества слоев и нейронов в сети: гарантированно приводит к повышению точности на тренировочной выборке гарантированно приводит к повышению точности на тестовой выборке может к переобучению сети выберите все верные ответы. регуляризация в нейронных сетях: нужна для того чтобы ускорить процесс обучения нужна для того чтобы запретить нейронной сети быть слишком сложной нужна для того чтобы запретить нейронной сети быть слишком простой нужна для того чтобы предотвратить переобучение