Главная / Основы теории нейронных сетей

Основы теории нейронных сетей - ответы на тесты Интуит

Одним из популярных направлений Artificial Intelligence является теория нейронных сетей (neuron nets). Данный курс является систематизированным вводным курсом в это направление. Нашей целью является познакомить слушателей с основными нейроно-сетевыми парадигмами, показать область применения этого направления.

Список вопросов:

# Что является входом искусственного нейрона?
# Что такое множество весовых значений нейрона?
# Что означает величина NET?
# Что означает величина OUT?
# Активационной функцией называется:
# Матричное умножение XW вычисляет:
# Активационная функция применяется для:
# Значение активационной функции является:
# В каком случае многослойные сети не могут привести к увеличению вычислительной мощности по сравнению с однослойной сетью?
# Сетью без обратных связей называется сеть,
# Активационная функция называется "сжимающей", если
# Слоем нейронной сети называется множество нейронов,
# Какие сети характеризуются отсутствием памяти?
# Входным слоем сети называется:
# Можно ли построить однослойную нейронную сеть с обратными связями?
# Сети прямого распространения - это:
# Сети с обратными связями это:
# "Обучение без учителя" характеризуется отсутствием:
# При каком алгоритме обучения обучающее множество состоит только из входных векторов?
# При каком алгоритме обучения обучающее множество состоит как из входных, так и из выходных векторов?
# Как происходит обучение нейронной сети?
# "Обучение с учителем" это:
# Синапсами называются:
# Дендритами называются:
# Искусственный нейрон
# Память называется гетероассоциативной, если:
# Память называется автоассоциативной, если:
# К какому типу памяти относится ДАП?
# Гетероассоциативность ДАП достигается путем:
# Автоассоциативность памяти обусловлена:
# Сеть ДАП достигает стабильного состояния, когда:
# В какой зависимости находятся веса синаптических связей, исходящих из первого слоя нейронов, от весов синаптических связей, исходящих из второго слоя нейронов?
# В сети ДАП выходы второго слоя нейронов являются:
# Завершает ли сеть работу, если выходы второго слоя стабилизировались, а выходы первого слоя продолжают изменяться?
# Внутренней памятью нейрона называется:
# Кратковременной памятью сети ДАП называется:
# Долговременной памятью сети ДАП называется:
# Метод восстановления ассоциаций заключается в том, что:
# Способность ДАП к обобщению заключается в:
# Если на вход ДАП подать частично обнуленный вектор, то сеть выдаст также частично обнуленный ассоциированный с ним вектор?
# Кодированием ассоциаций называется:
# Кодирование ассоциаций - это:
# Обучение сети ДАП происходит:
# Всегда ли обученная сеть ДАП является устойчивой?
# В каком случае сеть ДАП превращается в сеть Хопфилда?
# Сеть ДАП называется негомогенной, если:
# В чем преимущество негомогенной сети ДАП перед гомогенной?
# Сеть ДАП называется асинхронной, если:
# Сеть ДАП называется адаптивной, если:
# Сеть ДАП называется конкурирующей, если:
# Стабильностью называется способность памяти:
# Пластичностью называется способность памяти:
# Обладает ли сеть Хопфилда свойством стабильности-пластичности?
# Почему изученные ранее нейронные сети не обладают свойством стабильности-пластичности?
# Шаблоном критических черт называется:
# Самоадаптацией алгоритма обучения сети АРТ называется:
# Говорят, что в сети АРТ возник адаптивный резонанс, если:
# В чем заключается отличие АРТ-1 от АРТ-2?
# Шаблон критических черт используется, когда:
# Задачей сети АРТ является:
# Если входной вектор соответствует одному из запомненных образов, то:
# Если входной вектор не соответствует ни одному из запомненных образов, то
# В сети АРТ запомненный образ подвергается изменению:
# Сколько функциональных модулей включает в себя сеть АРТ?
# В слой сравнения информация поступает из:
# Из слоя сравнения информация поступает в:
# Правило двух третьих заключается в том, что:
# Лотарально-тормозящая связь используется :
# Из слоя распознавания информация поступает в:
# В начальный момент времени выходом слоя распознавания является:
# В начальный момент времени выходом слоя сравнения является
# В момент времени, отличный от начального, выходом слоя распознавания является
# Работа блока сброса заключается в:
# Если блок сброса выработал сигнал сброса, то:
# Перед началом процесса обучения сети АРТ все весовые значения, являющиеся входными для слоя распознавания принимают:
# Перед началом процесса обучения сети АРТ все весовые значения, являющиеся выходными для слоя распознавания принимают:
# Если параметр сходства выбрать неоправданно высоким, то:
# Если параметр сходства выбрать неоправданно низким, то:
# Фаза распознавания инициализируется:
# В фазе распознавания свертка вычисляется при помощи скалярного произведения
# Процесс лотерального торможения обеспечивает, что
# В фазе сравнения в слое сравнения возбуждаются те нейроны, которым соответствуют:
# В фазе сравнения блок сброса:
# В фазе сравнения значение приемника 1 устанавливается равным:
# Фаза поиска инициализируется, если:
# Фаза поиска считается успешно завершенной, если:
# Фаза поиска считается неуспешно завершенной, если:
# Всегда ли по окончании фазы поиска входному вектору сопоставляется некоторый нейрон из слоя распознавания?
# Алгоритм обучения сети АРТ является...
# Суть алгоритма медленного обучения в том, что:
# Суть алгоритма быстрого обучения в том, что:
# Если в процессе обучения некоторый вес был обнулен, то:
# После окончания алгоритма обучения в нейроне слоя распознавания запоминается информация, являющаяся:
# В алгоритме обучения сети АРТ процедура самомасштабирования необходима для того, чтобы:
# Характеристика "прямого доступа" заключается в том, что:
# Устойчивость процесса поиска заключается в том, что:
# Если в процессе обучения на вход сети АРТ подавать повторяющиеся последовательности обучающих векторов, то:
# Проблема локализованности памяти АРТ заключается в том, что:
# Когнитрон является:
# Областью связанности данного нейрона называется:
# Со всеми ли нейронами предыдущего слоя связан данный нейрон когнитрона?
# Величиной NET нейрона когнитрона является:
# В каком случае сигнал OUT совпадает с сигналом NET для данного нейрона когнитрона?
# Область связи пресиноптического тормозящего нейрона:
# Весовые значения тормозящих нейронов:
# Выходом тормозящего пресиноптического нейрона является:
# Весовые значения тормозящих нейронов из области связи задаются так, чтобы:
# Принцип "элитного обучения" когнитрона заключается в том, что:
# Предусмотрена ли в алгоритме обучения когнитрона процедура сбрасывания сильно больших весовых значений?
# Если тормозящий вход данного нейрона слишком мал, то выходной сигнал OUT будет вычисляться по формуле:
# Если возбуждающие и тормозящие входы данного нейрона достаточно велики, то его выходной сигнал OUT будет вычисляться по формуле:
# При обучении когнитрона обучаются:
# Обучение тормозящего входа возбуждающего нейрона
# Стратегия обучения когнитрона заключается в том, что:
# Приращение веса возбуждающего входа данного постсиноптического нейрона зависит от:
# Приращение веса тормозящего входа данного постсиноптического нейрона зависит от:
# После окончания алгоритма обучения информация о "шаблоне" данного класса образов хранится:
# При предъявлении на вход обученного когнитрона некоторого вектора
# Латеральное торможение данный нейрон получает:
# В чем заключается главный недостаток процедуры латерального торможения?
# Если области связи нейронов имеют постоянный размер во всех слоях, то:
# Каким образом можно уменьшить количество слоев когнитрона, не причинив ущерба его вычислительным свойствам?
# Если к обучающему множеству добавить новые вектора, вызовет ли это необходимость переучивать когнитрон заново или нет?
# Каждый слой неокогнитрона состоит из:
# Слой неокогнитрона состоит из
# Информация, поступающая из предыдущего слоя неокогнитрона, подается
# В каждом слое неокогнитрона выходы из массива простых плоскостей поступают на вход
# В каждом слое неокогнитрона выходы из массива комплексных плоскостей поступают на вход
# Каждой плоскости простых узлов сопоставлено:
# В каждом слое неокогнитрона
# Рецептивной областью данного простого узла называется:
# Каждая плоскость простых узлов реагирует
# Способна ли одна и та же плоскость простых узлов реагировать как на заданный образ, так и на его произвольный поворот?
# Различные узлы в одной плоскости простых узлов реагируют:
# Месторасположением узла в данной плоскости простых узлов определяется
# Каждый узел в плоскости простых узлов получает вход:
# Рецептивные области узлов каждой плоскости простых узлов
# Простой узел возбуждается, если:
# Задачей комплексных узлов является:
# Рецепторной областью комплексного узла называется:
# Чем реакция комплексного узла на данный входной образ отличается от реакции простого узла, лежащего в том же слое?
# Чем различаются комплексные узлы, лежащие в разных слоях неокогнитрона?
# При использовании неокогнитрона как классификатора, можем ли мы классифицировать образы независимо от их позиции, ориентации, размера и т.п.?
# При обучении неокогнитрона обучаются:
# При каких из ниже перечисленных условий, в алгоритме обучения неокогнитрона "без учителя" происходит обучение данной синоптической связи?
# Способность неокогнитрона к самовосстановлению выражается в:
# В алгоритме обучения с учителем сравнение реального выхода с желаемым происходит:
# Какой тип обучения можно использовать при обучении неокогнитрона?
# Теория обучения Хэбба подразумевает:
# В алгоритме обучения Хэбба предполагается обучение:
# В алгоритме Хэбба величина изменения синоптической связи между двумя нейронами зависит:
# В алгоритме сигнального обучения Хэбба величина синоптической связи между двумя нейронами зависит :
# Метод дифференциального обучения Хэбба заключается в том, что в нем для изменения синоптических связей учитываются:
# Входная звезда Гроссберга используется для:
# Выходом входной звезды Гроссберга является:
# Выходом выходной звезды Гроссберга является
# Хорошо обученная входная звезда Гроссберга способна реагировать:
# В алгоритме обучения выходной звезды Гроссберга величина синоптической связи между двумя нейронами зависит
# Алгоритм обучения персептрона является:
# В алгоритме обучения персептрона величина изменения синоптической связи между двумя нейронами зависит
# При обучении персептрона предполагается обучение:
# Обучение персептрона считается законченным, когда:
# Метод обучения Уидроу-Хоффа отличается от метода обучения персептрона
# В статистических алгоритмах обучения величина изменения синоптической связи между двумя нейронами зависит:
# Статистические методы обучения являются:
# В статистических алгоритмах обучения искусственная температура используется для:
# Всегда ли в статистических алгоритмах обучения производится изменение весовых значений?
# Почему для статистических алгоритмов обучения распределение Коши является более приемлемым, чем распределение Больцмана?
# Самоорганизующиеся сети используются для:
# В алгоритме обучения Кохонена обучению подвергаются:
# Алгоритм обучения Кохонена является:
# В алгоритме обучения Кохонена, увеличивая пороговое значение расстояния между входным вектором и весовыми значениями нейрона, мы можем добиться:
# В алгоритме обучения Кохонена величина синоптической связи между двумя нейронами зависит:
# Персептроном Розенблатта называется:
# Сколько слоев имеет персептрон Розенблатта?
# Выходом персептрона являются:
# Входом персептрона являются:
# Какая активационная функция используется в персептроне?
# Способность персептрона решать определенную задачу называется:
# Персептронной представимостью называется:
# Представима ли персептроном любая интуитивно вычислимая задача?
# Какая из следующих функций непредставима персептроном?
# Однонейронный персептрон с двумя входами:
# Функция называется линейно неразделимой, если:
# Персептрон Розенблатта решает задачи:
# В однонейронном персептроне длина входного вектора характеризует:
# Однонейронным персептроном размерность разделяемого пространства определяется
# Сколько булевых функций от двух переменных можно представить персептроном?
# В однонейронном персептроне размерность разделяющей гиперплоскости определяется:
# Сколько слоев должна иметь нейронная сеть, умеющая выделять квадрат?
# Выпуклой областью называется:
# Сколько слоев должна иметь нейронная сеть, умеющая выделять выпуклые области?
# Сколько слоев должна иметь нейронная сеть, умеющая выделять невыпуклые области?
# Может ли персептрон Розенблатта выделять ограниченную область в пространстве решений?
# Можно ли построить двухслойную нейронную сеть, выделяющую неограниченную область?
# Сколько нейронов должен иметь первый слой нейронной сети, умеющей выделять шестиугольник?
# Где в нейронной сети хранится информация о классификации образов?
# Что такое "неподатливое" множество образов?
# Алгоритм обучения персептрона – это:
# Обучением называют:
# Однослойный персептрон решает задачи:
# На вход однослойного персептрона подается вектор (a1...an). В каком случае выходом будет нулевой вектор?
# Что называется "эпохой" в алгоритме обучения персептрона?
# Что называется обучающей выборкой для обучения персептрона?
# Нейронная сеть является обученной, если:
# Алгоритм обучения персептрона завершает свою работу, когда
# В каком случае после завершения алгоритма обучения можно сделать вывод, что данный персептрон не смог обучиться?
# Запускаем обучающий вектор Х. В каком случае весовые значения не нужно изменять?
# Подаем на вход персептрона вектор а. В каком случае весовые значения нужно увеличивать?
# Подаем на вход персептрона вектор a. В каком случае весовые значения нужно уменьшать?
# Если на данной обучающей паре символ персептрона не совпадает с нужным ответом, то:
# Если на данной обучающей паре сигнал персептрона совпал с нужным ответом, то нужно
# Теорема о сходных персептронах утверждает, что:
# Теорема о "зацикливании" персептрона утверждает, что:
# В каком случае персептрон может обучиться решать данную задачу?
# Когда алгоритм обучения персептрона зацикливается?
# Можем ли мы за конечное число шагов после запуска алгоритма обучения персептрона сказать, что персептрон не может обучиться данной задаче?
# Если данный персептрон заменить персептроном с целочисленными весами, то:
# Вопрос о выборе шага при применении процедуры обучения решается следующим образом:
# Теорема о двухслойности персептрона утверждает, что:
# Все ли нейроны многослойного персептрона возможно обучить?
# Сколько слоев может содержать персептрон?
# Какой должна быть активационная функция, для того чтобы возможно было применять алгоритм обратного распространения?
# Обобщенным многослойным персептроном называется:
# Входным слоем обобщенного многослойного персептрона называется:
# Скрытым слоем обобщенного многослойного персептрона называется:
# Выходным слоем обобщенного многослойного персептрона называется:
# Какое минимальное количество слоев должна иметь нейронная сеть, для того чтобы к ней возможно было применить алгоритм обратного распространения?
# Обучающей парой называется пара векторов,...
# Обучающим множеством называется:
# Какие весовые значения должны быть навешаны на сеть до начала процедуры обучения?
# Если до начала процедуры обучения по алгоритму обратного распространения все весовые значения сети сделать равными, то
# Какие из перечисленных ниже шагов в алгоритме обратного распространения являются шагами "прохода вперед"?
# Какие из перечисленных ниже шагов в алгоритме обратного распространения являются шагами "обратного прохода"?
# В алгоритме обратного распространения при "проходе вперед"
# В алгоритме обратного распространения при "проходе вперед"
# Алгоритм обратного распространения работает, пока:
# Сигналом ошибки данного выходного нейрона называется:
# При обучении выходного нейрона величина δ является:
# При обучении скрытого нейрона величина δ является:
# Алгоритм обратного распространения заканчивает свою работу, когда:
# Чем отличается обучение скрытого нейрона от обучения выходного нейрона?
# Добавление нейронного смещения позволяет:
# Метод импульса позволяет:
# Метод импульса заключается в:
# Метод ускорения сходимости заключается в:
# Добавление к коррекции веса значения, пропорционального величине предыдущего изменения веса, используется при методе:
# К переобучению склонны сети с:
# Какая сеть может оказаться недостаточно гибкой, для того чтобы смоделировать имеющуюся зависимость?
# Проблема переобучения заключается в:
# Если сеть имеет очень большое число нейронов в скрытых слоях, то:
# Если сеть имеет небольшое число нейронов в скрытых слоях, то:
# При методе кросс-проверки считается, что множество обучающихся пар некорректно разделено на две части, если:
# При методе кросс-проверки считается, что множество обучающихся пар корректно разделено на две части, если:
# При методе кросс-проверки считается, что сеть начала переобучаться, если:
# Механизм контрольной кросс-проверки необходим для того, чтобы:
# Механизм контрольной кросс-проверки заключается в:
# Если сеть слишком близко подгоняет выходные значения к имеющимся обучающим значениям, то:
# Сеть начала переобучаться, если:
# Тестовое множество необходимо для:
# Чем тестовое множество отличается от контрольного множества?
# Если ошибка сети на контрольном множестве стала расти, это означает, что:
# Дискриминантной функцией называется:
# Если нейронная сеть не содержит скрытых элементов, то она:
# Если сеть содержит один промежуточный слой, то она моделирует:
# Если сеть содержит два промежуточных слоя, то она моделирует:
# Для решения любой задачи классификации достаточно иметь:
# Паралич сети может наступить, когда:
# Чтобы избежать паралича сети, необходимо:
# Если размер шага очень мал, то:
# Если размер шага очень большой, то:
# Если сеть находится в постоянно меняющейся внешней среде, то:
# Принцип работы слоя Кохонена заключается в том, что:
# "Победителем" считается нейрон Кохонена
# Если данный нейрон Кохонена является "победителем", то его значение OUT
# Значением NET нейрона слоя Гроссберга является:
# По принципу "победитель забирает все" действуют:
# Задачей слоя Кохонена является:
# При обучении слоя Кохонена подстраиваются весовые значения:
# При обучении слоя Кохонена процесс обучения состоит в:
# В процессе обучения слоя Кохонена "победителем" объявляется нейрон
# Если в обучающее множество входит множество сходных между собой векторов, то сеть должна научиться:
# Метод выпуклой комбинации заключается в том, что в начале процесса обучения всем весам слоя Кохонена присваиваются:
# Модификация алгоритма обучения методом "чувства справедливости" заключается в:
# Метод коррекции весов пропорционально входу заключается в:
# Метод аккредитации заключается в:
# Метод интерполяции заключается в:
# Обучение слоя Гроссберга является:
# Обучение сети встречного распространения является:
# Обучение слоя Кохонена является:
# При обучении сети встречного распространения обучающей парой является:
# Если в алгоритме обучения сети встречного распространения на вход сети подается вектор x, то желаемым выходом является
# Сеть встречного распространения считается обученной, если:
# Если на вход обученной сети встречного распространения подать частично обнуленный вектор, то на выходе мы получим:
# Способна ли сеть встречного распространения аппроксимировать обратимые функции?
# Пусть F - обратимая функция и F(x)=y. Если сеть встречного распространения обучена аппроксимировать эту функцию, то, если на вход подать только вектор x , на выходе мы получим:
# Пусть F - обратимая функция и F(x)=y. Если сеть встречного распространения обучена аппроксимировать эту функцию, то, если на вход подать только вектор y, на выходе мы получим:
# Детерминистским методом обучения называется:
# Стохастическим методом обучения называется:
# При стохастическом методе обучения изменения весовых значений сохраняются, если
# Целевой функцией называется:
# При стохастическом методе обучения , если целевая функция увеличивается, то:
# Если случайные изменения весовых значений очень малы, то:
# Если случайные изменения весовых значений очень велики, то:
# Стратегия избежания локальных минимумов при сохранении стабильности заключается в
# Метод "имитации отжига" заключается в
# При обучении сеть не сможет выбраться из локального минимума, если:
# Пусть при Больцмановском обучении сделанное изменение весовых значений увеличило целевую функцию. Всегда ли сделанное изменение скидывается?
# Пусть при обучении Коши сделанное изменение весовых значений увеличило целевую функцию. Всегда ли сделанное изменение скидывается?
# Пусть при Больцмановском обучении сделанное изменение весовых значений увеличило целевую функцию. Данное изменение не скидывается, если:
# Какова роль искусственной температуры при Больцмановском обучении?
# В чем преимущество метода Коши перед Больцмановским методом обучения?
# Какая из перечисленных ниже проблем сходимости возникает в алгоритме обратного распространения?
# Какая из перечисленных ниже проблем локальных минимумов возникает в алгоритме обратного распространения?
# Для какого алгоритма необходимо гораздо большее время сходимости?
# Для какого алгоритма более опасен сетевой паралич?
# Для какого алгоритма скорость обучения более высокая?
# Комбинирование методов распространения Коши и обратного распространения заключается в:
# При комбинированном методе распределения Коши и обратного распространения изменение веса сохраняется, если:
# В чем состоит минус метода ограничения диапазона изменений весовых значений?
# Метод изменений сигналов OUT заключается в том, что:
# В методе измерений сигнала OUT роль дополнительной сжимающей функции заключается в...
# Отсутствие обратных связей гарантирует:
# Сеть с обратным распространением называется устойчивой, если:
# Сеть с обратным распространением называется неустойчивой, если:
# Сеть называется сетью с обратными связями, если:
# Если в данной сети найдутся нейроны, которые на этапе функционирования возбуждаются более, чем один раз, то:
# Сколько слоев полноценных нейронов используется в сети Хопфилда?
# Состоянием сети Хопфилда называется :
# Задача сети Хопфилда заключается в
# Если среди запомненных сетью Хопфилда образцов не существует образца, подходящего для данного входного вектора, то:
# Если сеть Хопфилда нашла среди запомненных ею образцов, образец соответствующий данному входному вектору, то сеть должна :
# Если сеть Хопфилда содержит n нейронов, то она может запомнить примерно:
# Если два образца сильно похожи, то:
# Сеть Хопфилда заменяется на сеть Хэмминга, если:
# Какая сеть требует меньших затрат вычислительных ресурсов?
# Сколько слоев полноценных нейронов имеет сеть Хэмминга?
# Задача сети Хэмминга заключается в:
# Если сеть Хэмминга в каждом слое содержит по n нейронов, то сколько образцов она способна запомнить?
# Сколько нейронов должна содержать сеть Хемминга для того чтобы она могла запомнить n образцов?
# Синаптические связи называются тормозящими, если :
# Какими должны быть весовые значения тормозящих синаптических связей?
# При каком условии сеть обратного распространения является устойчивой?
# Если матрица весов не является симметричной, то будет ли данная сеть обратного распространения устойчивой?
# Память называется ассоциативной, если извлечение необходимой информации происходит по:
# Задачей распознавания образов называется:
# В чем основное отличие ассоциативной памяти от адресной?
# Ортогонализация исходных образов позволяет:
# При ортогонализации исходных образов отрицательным фактором является:
# Метод обучения сети называется локальным, если:
# Метод отказа от симметрии синапсов позволяет:
# При методе отказа от симметрии синапсов отрицательным фактором является:
# Алгоритмы разобучения применяются для:
# В алгоритме разобучения в качестве степени забывания выбирают достаточно малое число для того, чтобы:
# Непрерывная сеть Хопфилда является устойчивой, если:
# Есть ли вероятность того, что в алгоритме разобучения сеть "забудет" правильный образ?
# Если в непрерывной сети Хопфилда коэффициент, определяющий крутизну сигмовидной функции, взять достаточно большим, то:
# Метод машины Больцмана позволяет сети Хопфилда:
# В методе машины Больцмана изменение состояний нейронов обусловлено:
# В статической сети Хопфилда вероятность изменения веса является функцией от:
# Если статическая сеть Хопфилда обладает большой искусственной температурой, то более вероятными становятся:
# Если статическая сеть Хопфилда обладает низкой искусственной температурой, то более вероятными становятся:
# Обучение обобщенной машины Больцмана является:
# В алгоритме обучения обобщенной машины Больцмана закрепленные вероятности вычисляются, когда:
# В алгоритме обучения обобщенной машины Больцмана незакрепленные вероятности вычисляются, когда:
# В алгоритме обучения обобщенной машины Больцмана вычисление закрепленных вероятностей начинается после:
# В алгоритме обучения обобщенной машины Больцмана вычисление незакрепленных вероятностей начинается после:
# В алгоритме обучения обобщенной машины Больцмана изменение весовых значений:
# Сколько нейронов необходимо для реализации задачи коммивояжера, где n - число городов?
# В задаче коммивояжера каждый город представляется:
# Задачей аналого-цифрового преобразователя является то, что:
# В аналого-цифровом преобразователе весовые значения интерпретируют: