Искусственные нейронные сети
Стата защиты работ — открыть
Презентации лекций:
Лекция 1 — Теоретические основы нейронных сетей;
Практические работы:
| Номер работы | Название работы | Ссылка |
| ПР № 1 | Теоретические основы нейронных сетей | Открыть |
| ПР № 2 | Нейронная сеть для распознавания рукописных цифр | Открыть |
| ПР № 3 | Исследование параметров нейронной сети | Открыть |
| ПР № 4 | Нейронные сети. Обратное распространение ошибки | Открыть |
| ПР № 5 | Tensorflow | Открыть |
| ПР № 6 | Реализация нейронной сети для классификации изображений с помощью Tensorflow | Открыть |
Примерные вопросы для зачета
- Что такое персептрон. Приведите его материматическую модель и пример его работы.
Какие параметры персептрона влият на модель принятия решения? - Параметры персептрона: вес, пороговое значение, смещение, количество входов и значение входных переменных;
- Архитектура нейронных сетей. Какие виды слоев существуют в нейронных сетях;
- Виды функций активации нейроной, их материаматические модели. Достоинства и недостатки;
- Что понимают под обучение нейронных сетей? В каком случае можно сказать что нейронная сеть хорошо обучена? Критерии хорошей обучаемости нейронной сети;
- Чем модель персептрона отличается от модели сигмоидального нейрона?
- Многослойный персептрон относится к типу полносвязных сетей прямого распространения сигналов. Обоснуйте данное утверждение.
- К какому типу относятся алгоритмы обучения многослойного персептрона: обучение «с учителем» или обучение «без учителя»?
- Алгоритм обратного распространения ошибки применим к нейронным сетям, у которых функции активации нейронов должны быть непрерывно дифференцируемыми. Объясните причину этого.
