12. Neurális hálók

Az i-dik réteg neuronjának kimenete csak az i+1-dik réteg neuronjának lehet bemeneti értéke.

Az i-edik réteg egy neuronjának kimenete csak az i-1-dik réteg neuronjának lehet bemeneti értéke.

A különböző rétegek neuronjainak aktivációs (kimeneti) függvénye eltérhet, de egy réteghez tartozó neuronok esetében nem.

Az azonos réteghez tartozó neuronok között nincs közvetlen kapcsolat.

A megoldandó probléma lineárisan szeparálható feladattá konvertálását.

Az inputok azonos hosszúságú számsorozatok.

Egy inputot a jellemzői (attribútumai) segítségével egy számsorozattal ábrázolunk.

Az inputot egy síkvektorként fogjuk fel, amelynek kiinduló pontja az origó.

Egyetlen szakadási ponttal rendelkező, máshol deriválható, monoton növekedő, [0,1] intervallumba képző függvény.

Folytonos, mindenhol deriválható, szigorúan monoton növekedő, ]0,1[ intervallumba képző függvény.

Folytonos, mindenhol deriválható, monoton növekedő, [0,1] intervallumba képző függvény.

Folytonos, majdnem mindenhol deriválható, monoton növekedő, ]0,1[ intervallumba képző függvény.

Konvolúciós neurális hálózat.

Hopfield neurális hálózat.

Backpropagation modell hálózata.

Rekurrens neurális hálózat.

Egy súly megváltoztatása a súlyhoz tartozó bemeneti értéknek, és a súlyt tartalmazó neuron számított és várt kimeneti értékei különbségének szorzatától függ.

Egy súly megváltoztatása a súlyhoz tartozó bemeneti értéknek, és a súlyt tartalmazó neuron számított kimeneti értékének szorzatától függ.

Egy súly megváltoztatása a súlyhoz tartozó bemeneti értéknek, és a súlyt tartalmazó neuron várt kimeneti értékének szorzatától függ.

Egy súly megváltoztatása a súlyhoz tartozó bemeneti értéknek, és a súlynak szorzatától függ.

Azokra a feladatokra, amelyek lehetséges bemeneti érték n-esei egy hipersíkkal elválaszthatók aszerint, hogy az ezekre elvárt válasz A vagy B.

A Rosenblatt-féle perceptronokból épített neurális hálózatokra.

Arra, hogy a perceptronnal megoldható problémák két osztályba sorolhatóak be.

Arra, hogy a mintapontokhoz a legkisebb négyzetek módszerével meghatározott egyenes elválasztja egymástól a mintapontokat.

Egyik sem.

Csak felügyelet nélkül.

Csak felügyelt.

Mindkettő.

Olyan kétrétegű előrecsatolt hálózattal, ahol az első rétegben három, a második rétegben egy neuron van.

Egy rétegű három neuront tartalmazó hálózattal.

Nem lehet, mert a Rosenblatt-féle neuronokkal csak lineárisan szeparálható problémákat lehet megoldani.

Nem lehet, mert többrétegű Rosenblatt-féle perceptronokból álló hálózathoz nem ismerünk tanuló algoritmust.

A neuronokban használt kimeneti függvények.

A neuronok súlytényzői.

A neuronok „bias" bemenete.

A tanító minták száma és a tanulási együttható.

Azt, amikor egy többrétegű előrecsatolt hálózat kimeneti rétegének elvárt kimenetei alapján határozzuk meg, hogy a hálóbeli neuronoknak milyen elvárt kimenete van.

Azt, amikor egy többrétegű előrecsatolt hálózat kimeneti rétegének számított és várt outputjai alapján határozzuk meg, hogy hogyan kell a hálóbeli neuronok súlyait változtatni.

Olyan többrétegű hálózat építését, amelyben megengedjük a visszacsatolást a szomszédos rétegek között.

Azt a folyamatot, amellyel a Hopfield modell stabil konfigurációba jut.