6.

Question 1

Dirbtiniai neuronų tinklai (DNN)

Answer 1

Biologinių neuronų veikimu įkvėpti modeliai, sudaryti iš tarpusavyje sujungtų dirbtinių neuronų sluoksnių

Question 2

Svoriai

Answer 2

Nustato, kiek įtakos turi įvesties signalas kiekvienam neuronui

Question 3

Postūmiai (bias)

Answer 3

Leidžia neuronui išmokti poslinkį nuo nuolio, pridedant konstantą prie svorinių įvesčių sumos

Question 4

Aktyvacijos funkcijos

Answer 4

Nusprendžia ar neuronas turėtų būtų aktyvuotas ir įveda nelineariškumą į tinklą

Question 5

Perceptronas

Answer 5

Paprasčiausias neuroninis modelis, kuris apskaičiuoja svorinių įvesčių sumą, prideda postūmį ir taiko aktyvacijos funkciją

Question 6

Tiesioginio skydimo neuroniniai tinklai

Answer 6

Perduoda duomenis iš įvesties į įšvestį viena kryptimi, be grįžtamojo ryšio

Question 7

Daugiasliuoksnis perceptronas

Answer 7

Perceptronų tinklas su vienu ar keliais paslėptais sluoksniais

Question 8

Logistinė regresija

Answer 8

Klasifikavimo metodas, kuris naudoja sigmoidinę funkciją prognozuoti tikimybę, kad duomenys priklauso vienai ar kitai klasei

Question 9

Neuroninių tinklų mokymas

Answer 9

Procesas, kurio metu atnaujinami svoriai, remiantis klaida tarp prognozuotos ir tikros reikšmės

Question 10

Atgalinio sklidimo algoritmas

Answer 10

Apskaičiuoja klaidos gradientus kiekviename tinklo sluoksnyje ir perduoda juos atgal, kad būtų galima optimizuoti svorius