KI_Deep_Learning_4_Karteikarten Flashcards
(30 cards)
Was ist ein neuronales Netz?
Ein Modell aus mehreren Schichten von Neuronen, das Muster und Zusammenhänge in Daten erkennt.
Welche Arten von neuronalen Netzwerken gibt es?
MLP, CNN, RNN, SNN.
Was sind die Hauptkomponenten eines neuronalen Netzes?
Eingabeschicht, versteckte Schichten und Ausgabeschicht.
Warum sind tiefere Netzwerke oft leistungsfähiger?
Sie können komplexere Muster und Hierarchien in den Daten erfassen.
Was ist der Adam-Optimizer?
Ein erweiterter Gradientenabstiegsalgorithmus, der adaptive Lernraten nutzt.
Was sind die Hyperparameter des Adam-Optimizers?
Lernrate γ, Momente β₁, β₂, Stabilisierungsterm ε.
Was ist der Unterschied zwischen SGD und Adam?
SGD: Konstante Lernrate, Adam: Adaptive Lernrate für jedes Gewicht.
Was ist Batch-Normalization?
Eine Technik zur Stabilisierung und Beschleunigung des Trainings.
Warum ist die Wahl der Verlustfunktion wichtig?
Sie beeinflusst, wie das Modell Fehler bewertet und Gewichte aktualisiert.
Was ist ein Convolutional Neural Network (CNN)?
Ein neuronales Netz für Bildverarbeitung, das Faltungsschichten nutzt.
Welche Hauptkomponenten hat ein CNN?
Faltungsschichten, Pooling-Schichten, Fully Connected Layer.
Was macht eine Faltungsschicht?
Sie extrahiert Merkmale aus Bildern mit Hilfe von Kernel-Filtern.
Was ist Max-Pooling?
Eine Methode zur Reduzierung der Dimensionalität und zum Erhalt wichtiger Merkmale.
Was ist Padding in CNNs?
Eine Technik, um die Größe der Eingabe zu erhalten, indem Ränder mit Nullen gefüllt werden.
Was ist ein Recurrent Neural Network (RNN)?
Ein neuronales Netz für sequenzielle Daten, das frühere Eingaben berücksichtigt.
Welche Probleme haben klassische RNNs?
Vanishing Gradients und Schwierigkeiten mit Langzeitabhängigkeiten.
Was sind LSTMs (Long Short-Term Memory)?
Eine erweiterte Form von RNNs, die Langzeitabhängigkeiten besser verarbeitet.
Was sind GRUs (Gated Recurrent Units)?
Eine vereinfachte Version von LSTMs mit ähnlicher Leistungsfähigkeit.
Welche Anwendungen haben RNNs?
Spracherkennung, maschinelle Übersetzung, Zeitreihenanalyse.
Was ist ein Autoencoder?
Ein neuronales Netz zur Reduktion von Dimensionalität und zur Merkmalsextraktion.
Wie funktioniert ein Autoencoder?
Encoder reduziert die Dimension der Eingabe, Decoder rekonstruiert die Eingabe.
Welche Anwendungen haben Autoencoder?
Anomalieerkennung, Datenkompression, Denoising.
Was ist Overfitting?
Das Modell passt sich zu stark an Trainingsdaten an und verallgemeinert schlecht.
Welche Techniken helfen gegen Overfitting?
Dropout, L2-Regularisierung, Datenaugmentation.
