Makine Öğrenmesi Vize Soruları
Yapay zeka, makine öğrenmesi, sinir ağları, derin öğrenme gibi terimler bilgisayarların açıkça programlanmadıkları görevleri yerine getirebilecek şekilde çalışabilmeleri durumunu ima ediyor. Bu konularla ilgili daha önce hiç bir teknik yazı okumadıysanız bu ders notları size hitap edecektir, çok az teknik detayla ve minimum Python bilgisi ile dilim döndüğü kadar konuyu anlatmaya çalışacağım.
Öncelikle bu terimleri sınıflandırmalıyız, yapay zeka ve makine öğrenmesi terimleri oldukça genel terimlerdir. Bunların ortak yöntemleri olduğu gibi birbiri ile kesişmeyen ayrı uygulamaları ve yöntemleri de vardır; tam olarak bu terimlerin hiyerarşisi konusunda ortak bir fikir de yoktur. Ama derin öğrenme denilen şey makine öğrenmesi yöntemlerinden birisi; sinir ağları (neural networks) denilen başka bir yöntemin ardışık olarak uygulanması olarak açıklanabilir ve bu yöntem günümüzde en modern ve etkili yöntem olarak kabul ediliyor.
Peki makine nasıl öğrenir? Bu aslında öğrenmeyi nasıl tanımladığınıza bağlı. Esasında makine öğrenmez (çünkü o bir makinedir), sadece çok hızlı bir şekilde deneme yanılma yapar. Ona çok sayıda soru ve bunların cevaplarını verirseniz, makine bunlar arasında rastgele bir eşleşme kurar ve bu eşleşmenin gerçek cevaplarla ne kadar örtüştüğünü test eder. Bu işlemi defalarca tekrarlar ve her seferinde eşleşmenin hatasını ölçüp eşleşmeyi daha doğru olacak şekilde bir miktar düzeltir. Böylece makine bir şablona sahip olur ve makineye benzer bir soru (daha önce hiç görmediği bir soru) sorduğunuzda ürettiği eşleşmeye göre bir cevap verir. Sonuç olarak makine bir soruya nasıl cevap vereceği konusunda açık olarak programlanmamıştır fakat benzer soru ve cevapları inceleyerek bir tahmin üretebilir duruma gelmiştir. Makine öğrenmesi denilen olay kabaca budur, burada eşleşmeyi düzeltme aşaması makinenin öğrenme aşaması olarak adlandırılır. Bu sürecin her bir aşaması için farklı yöntemler vardır, ele alınan probleme en uygun yöntemi seçerek çalışırız.
Bu derslerde size bu aşamaları nasıl kodlayabileceğinizi çok kaba bir şekilde açıklayacağım. Makine öğrenmesi çalışmalarında bu amaca yönelik özel modüller (tensorflow, pytorch, keras gibi) kullanılır ama biz bu derslerde çok temel Python elemanlarını kullanarak el yordamıyla çok basit programlar yazacağız, amacım size süreci açıklamak.
1. Tahmin Etme, Forward Propagation
Özet: Bu derste bir program ile bir sorunun cevabının nasıl tahmin edildiği açıklanıyor. Bu işlem son derece basit aslında; tahmin işlemi dediğimiz işlem sadece girişi verisini belirli bir sayı ile çarpmaktan ibaret.
Anahtar Kelimeler:Forward Propagation · Input · Output · Prediction · Tahmin · Weight
2. Öğrenme, Gradient Descent
Özet: Hazır parametreler verildiğinde nasıl tahmin üretildiğini bir önceki derste gördük, bu olay öğrenilmiş olan parametrelerin uygulanmasıdır. Bu derste bu parametrelerin nasıl öğrenildiğine bakacağız, deneme yanılma tekniğini biraz değiştirerek akıllıca bir strateji geliştireceğiz.
Anahtar Kelimeler:Alpha · Delta · Error · Gradient Descent · Hata Ölçümü · Öğrenme · Prediction · Training
3. Derin Sinir Ağları, Back Propagation
4. MNIST Veri Seti
Özet: Makine öğrenmesinin hello world uygulamaları MNIST veri seti ile yapılır. Bu veri setinde farklı insanlar tarafından el yazısı ile yazılmış rakamların resimleri yer alır, bir sonraki derste resimlere bakarak hangi rakama ait olduğunu tahmin eden bir sinir ağı tasarlayacağız. Bu derste bu veri setini tanıyacağız.
Anahtar Kelimeler:Flatten · Keras · Label · Mnist · Tensorflow · X_Train · Y_Train
5. Ezbere Kaçma, Overfitting
Özet: Bu derste MNIST veri seti üzerinde sinir ağının öğrenme aşamasını gerçekleştireceğiz, bunu daha önce daha basit veri setleri üzerinde yapmıştık. Fakat şimdi göreceğiz ki MNIST veri setinde training aşamasında kullanmadığımız ve sinir ağının hiç görmediği veriler üzerinde tahminlerimiz yeterince iyi olmayacak, bunun sebebi öğrenme aşamasının tarining verilerine göre gereğinden fazla spesifik olmasıdır. Sinir ağımız genel kurallar çıkarmak yerine fazla detaya odaklanmış ve ezbere kaçmıştır, bu olay overfitting olarak adlandırılır. Bu derste overfitting ile mücadele etmenin basit bir kaç yöntemini öğreneceğiz.
Anahtar Kelimeler:Dropout · Mini Batch Gradient Descent · Mnist · Normalizasyon · One-Hot Encoding · Overfitting · Regularization · Test Accuracy · Training Accuracy · Validation Set
6. Aktivasyon Fonksiyonları
Özet: Daha önce sinir ağlarımızda sadece relu aktivasyon fonksiyonunu kullandık fakat tek seçenek bu değildir. Farklı amaçlara göre uygun bir aktivasyon kullanabiliriz, bu derste bu konuya değineceğiz.
Anahtar Kelimeler:Aktivasyon Fonksiyonu · Cross Entropy · Regresyon · Relu · Sigmoid · Softmax · Tanh
7. Konvolüsyonel Katmanlar, CNNs
KAYNAKÇA
- A. W. Trask, Grokking Deep Learning, Manning Publications Co., New York,
1. Aşağıdakilerden hangisi insan bilgi işleme alt sistemleri arasında yer almaz?
A) Algısal
B) Dış Bellek
C) Tampon Bellek
D) Kavramsal
E) Motor
Cevap : C) Tampon Bellek
2. Aşağıdakilerden hangisi hedefe olan tahmini uzaklığın veya maliyet bilgisinin kullanıldığı arama yöntemidir?
A) Yinelemeli
B) Tahmini
C) Merkezcil
D) Bilgisiz
E) Bilgili
Cevap : E) Bilgili
3. Aşağıdakilerden hangisi denetimsiz öğrenme algoritmasıdır?
A) Karar ağaçları
B) Sinir ağları
C) PCA
D) Zamansal fark
E) Destek vektör makinesi
Cevap : C) PCA
4. Ajanın gözlemlerinin tam olmadığı ortamlarda hangi tür ajan kullanılmaktadır?
A) Öğrenen
B) Hedef Tabanlı
C) Basit Tepki
D) Model Tabanlı
E) Fayda Tabanlı
Cevap : D) Model Tabanlı
5. Aşağıdakilerden hangisi bilgili arama yöntemlerinde hedefe ulaşmada kullanılan parametredir?
A) Hedef dügüm sayısı
B) Bağ)antı sayısı
C) Başlangıç düğüm sayısı
D) Hedefe olan tahmini uzaklık
E) Toplam düğüm sayısı
Cevap : D) Hedefe olan tahmini uzaklık
6. Aşağıdakilerden hangisi denetimli öğrenmede kullanılan algoritmalar içerisinde yer almaz?
A) Naive bayes
B) Destek vektör makinesi
C) Doğrusal regresyon
D) Kümeleme
E) Rastgele orman
Cevap : D) Kümeleme
7. k-En yakın komşu algoritmasında belirtilen k parametresi aşağıdakilerden hangisini ifade etmektedir?
A) Komşu sayısı
B) Bias
C) Varyans
D) En kısa mesafe
E) Gürultü
Cevap : A) Komşu sayısı
8. “Başlangıç durumundan oluşturulabilecek tüm durumlar küme olarak şekillendirilir. Bu kümeye … adı verilir ve … ile ifade edilir.”
Yukarıda verilen boşluklara sırasıyla aşağıdakilerden hangisi gelmelidir?
A) ağaç – graflar
B) graf — ağaçlar
C) durum uzayı – graflar
D) duğüm — kenarlar
E) kenar — düğümler
Cevap : C) durum uzayı – graflar
9. Robot süpürge ajanın genel senaryosu yukarıda belirtildiği şekilde tanımlandıktan sonra başlangıç durumundan oluşturulabilecek tüm durumlar küme olarak şekillendirilir. Bu kümeye durum uzayı adı verilir. Durum uzayı graflarla ifade edilir. Aşağıdakilerden hangisi DBSCAN algoritmasında incelenen alan içerisinde minimum nokta sayısından az sayıda veri noktalama verilen etikettir?
A) Sınır
B) Gürültü
C) Merkez
D) İlk
E) Son
Cevap : B) Gürültü
Turing Testi aşağıda verilen hangi soruya yanıt aramak için geliştirilen bir düşünce deneyidir?
A) Makine bilgi olmadan öğrenebilir mi?
B) Makine nasıl düşünür?
C) Yapay zeka bize zarar verebilir mi?
D) Makine düşünebilir mi?
E) Her şeyi bilmek mümkün mü?
Cevap : D) Makine düşünebilir mi?
Aşağıdakilerden hangisi takviyeli öğrenme algoritması değildir?
A) Monte-Carlo Ağaç Arama
B) Q-Öğrenme
C) Zamansal Fark
D) T-SNE
E) Asenkron Aktör-Kritik Alanlar
Cevap : D) T-SNE
Aşağıdakilerden hangisi kümeleme algoritmaları içerisinde yer almaz?
A) Lojistik
B) Ağırlıklı ortalama oteleme
C) Hiyerarşik
D) K-means
E) Gürültü yoğunluğuna dayalı konumsal
Cevap : A) Lojistik
Aşağıdakilerden hangisi eğitim ve test verisinin kullanılmasının gerektiği öğrenme türüdür?
A) Denetimli
B) Bilgili
C) Takviyeli
D) Bilgisiz
E) Denetimsiz
Cevap : A) Denetimli
Aşağıdakilerden hangisi algoritma performansı ve stratejilerinin belirlenmesinde kullanılan kriterler arasında yer almaz?
A) Zaman karmaşıklığı
B) Optimizasyon maliyeti
C) Bellek karmaşıklığı
D) En iyi çözüm
E) Bütünlük
Cevap : B) Optimizasyon maliyeti
Marvin Minsky’ye göre yapay zeka nasıl tanımlanmaktadır?
A) Düşünme ve akıllı davranış mekanizmasının bilimsel anlatımı
B) İnsan davranışının zekasıyla karşılaştırılabilir ölçüde eylemler sergileyen sistemler
C) Zeki bilgisayar sistemlerinin tasarımıyla ilgilenen bir bilgisayar bilimi
D) Hesaplama modelleri içermesi nedeniyle hesaplamaya dayalı zeka
E) İnsanın zekasını kullanarak yapabildiği işleri yapabilen makinenin oluşturulması hakkındaki bilim
Cevap : E) İnsanın zekasını kullanarak yapabildiği işleri yapabilen makinenin oluşturulması hakkındaki bilim
Aşağıdakilerden hangisi zaman geçtikçe ortamın kendisinin değişmediği, ajanın performansının değiştiği ortam türüdür?
A) Yarı gözlemlenebilir
B) Tam gözlemlenebilir
C) Statik
D) Yarı dinamik
E) Dinamik
Cevap : D) Yarı dinamik
Aşağıdakilerden hangisi mantıklı ajanı tanımlayan kriterler arasında yer almaz?
A) Yapabileceği eylemler
B) Ortam hakkındaki ön bilgisi
C) Algı dizisi
D) Tasarımcı istekleri
E) Performans ölçütü
Cevap : D) Tasarımcı istekleri
Derinlik yenilemeli arama yöntemi aşağıda verilen hangi durumda tercih edilen algoritmadır?
A) Eşit maliyetli bağlantılar
B) Küçük arama uzayı
C) Çoklu hedef durumu
D) Belirsiz çözüm derinliği
E) Sınırlandırılmamış düğüm sayısı
Cevap : D) Belirsiz çözüm derinliği
Aşağıda verilen arama yöntemlerinden hangisi optimal maliyetli arama yöntemi değildir?
A) Sığ öncelikli
B) Derinlik sınırlamalı
C) Yinelemeli derinleşen
D) Eşit maliyetli
E) İki yönlü
Cevap : B) Derinlik sınırlamalı
“Yapay zekâ araştırmalarının en temel hedefi………. geliştirmektir.”
Yukarıdaki cümlede verilen boşluğa aşağıdakilerden hangisi gelmelidir?
A) mantıklı davranabilen sistemler
B) mantıklı düşünebilen sistemler
C) insan gibi davranan sistemler
D) makine gibi davranan sistemler
E) insan gibi düşünebilen sistemler
Cevap : C) insan gibi davranan sistemler
Y gerçek değer, Y’ ise regresyon çıktısı ve Y=[6 4 10 2] ve Y’=[3 9 9 1] olamak üzere bu regresyonun ortalama karelerinin hatasını (MSE) aşağıdakilerden hangisidir?
A) 9
B) 2,5
C) 12
D) 18
E) 10
Cevap : A) 9
İş Görüşmelerinde Sorulabilecek Makine Öğrenmesi Mülakat Soruları Burada!
Teknolojiyle ilgiliyseniz ve veri bilimiyle alakalı bir mesleğe sahip olmak istiyorsanız mutlaka makine öğrenmesi hakkında birkaç şey duymuşsunuzdur. Terimin gizemli bir havası var. Birçok kişi konseptin kendisinden şaşkına dönmüş durumda. Ancak AI mühendisi veya iş zekası uzmanı nasıl olunur merak ediyorsanız makine öğrenmesi ve hakkındaki her şeyle ilgili bilgi sahibisinizdir. İşe girmek ise başka bir olay. İş görüşmelerine hazırlanmanız gerekiyor. Peki makine öğrenmesi mülakat soruları üzerine çalışmaktan daha iyi bir hazırlık yolu var mı sizce?
Rehberimizde makine öğrenmesi hakkında gelebilecek iş görüşmesi soruları ve cevapları üzerine konuşacağız. Hem temel düzey hem de ileri düzey sorulara el atacağız. Hadi daha fazla vakit kaybetmeden başlayalım.
Makine Öğrenmesinin Ana Yönleri
Mülakat tarihiniz belli olduğunda makine öğrenmesi ile ilgili iş görüşmesi soruları ve cevapları üzerinde çalışmaya başlayabilirsiniz. Başlamak için en iyi yol temel düzey makine öğrenmesi mülakat sorularından geçiyor. Bu sorularla görüşmenizin başında karşılaşabilirsiniz. İşverenler temel düzey sorularla eleştirel düşüncenizi ölçmek ve kendi fikirlerinizi nasıl dile getirdiğinizi görmek istiyor. Bu yüzden soruların çoğu tanımlamalara, karşılaştırmalara ve açıklamalara dayanıyor.
Soru 1: Makine öğrenmesi nedir?
Bu sorunun karşınıza çıkmayacağını düşünmüyordunuz herhalde?
İşverenlerin çoğu ilk soru olarak bu ve buna benzer şeyler yöneltebilir. Bunun birkaç sebebi var.
Öncelikle mülakatı gerçekleştiren kişiler makine öğrenmesi nedir bilip bilmediğinizi görmeden diğer sorulara geçmek istemiyor. Üstelik soruya cevap verme şeklinizle kendi tanımlamalarınızı ne kadar iyi oluşturduğunuzu, başka bir değişle zor bir konuyu kolay ve anlaşılır bir şekilde nasıl açıkladığınızı gösteriyor. Eğer gider gece boyunca ezberlediğiniz yirmi satırlık açıklamayı önlerine koyarsanız kendinizi açıklamanıza kıyasla çok daha az kredi alırsınız.
Pek gelelim asıl soruya, makine öğrenmesi nedir?
Makine öğrenmesi hakkında yapılabilecek en kolay ve anlaşılır tanım AI geliştirmenin özel bir felsefesi olacaktır. Makinelerin önceden programlanmadan kendilerine verilen bilgilerle öğrenmelerinin nasıl sağlanacağını inceleyen bir bilim alanıdır.
Soru 2: “Derin öğrenme” nedir?
Bu soru derin öğrenme mülakat soruları arasında yer alıyor. Derin öğrenme ve makine öğrenmesi iç içe bulunan konular olduğu için böyle çapraz makine öğrenmesi ve derin öğrenme sorularıyla karşılaşabilirsiniz.
Derin öğrenmemakine öğrenmesinin bir dalıdır. Bu bilim dalı makinenin nöral ağlarının insan beynine olabildiğince benzetmeye çalışır.
Soru 3: “Type 1” ve “type 2” hataları arasındaki fark nedir?
Type 1 hata, gerçekleşmesi imkansız bir hatanın gerçekleştiğini iddia eder. Type 2 ise bunun zıttı olarak bir şey açık şekilde gerçekleşmişken hiçbir şey olmadığını iddia eder.
Böyle makine öğrenmesi mülakat soruları kafa karıştırabilir ancak kolay hatırlamanızı sağlayacak bazı yöntemler var.
İki type arasındaki farkı kolay bir şekilde hatırlamanız için bir örnek verelim: Type 1 hatasını köpeğinize bir kedi olduğunu söylemeniz olarak düşünün. Type 2 hatasını da aynı köpeğe köpeklerin havlayamayacağını söylemek olarak düşünün.
Soru 4: “Data augmentation” nedir?
Genele kıyasla biraz daha kolay makine öğrenmesi sorunlarından biri. Data augmentation (veri artırma)eski verilerden yeni veriler oluşturma yöntemidir. Bunu gerçekleştirmek için ya hedef olduğu gibi bırakılır ya da önceden bilinen bir şeye dönüştürülür.
Soru 5: “Naive Bayes” adını nasıl almıştır?
Naive Bayes’in naif olarak adlandırılmasının sebebi düşünme şeklidir. Bir veri setindeki elementlerin hepsinin aynı öneme sahip olduğu varsayımında bulunur. Neredeyse hiçbir senaryoda böyle bir durum yoktur.
Soru 6: Hangileri daha iyidir: Derin ağlar mı sığ ağlar mı?
Bu makine öğrenmesi sorusunu karşılaştırma sorunu olarak sınıflandırabilirsiniz. Çünkü cevap vermeniz ve arasındaki farkı açık bir şekilde belirtmeniz için iki ağ hakkında da biraz bilgi sahibi olmanız gerekiyor.
Derin ağlar genellikle daha iyi olarak görülür. Bunu sebebi çoğu gizli olan daha fazla katmandan oluşmalarıdır. Bu derin ağların daha iyi özellikler oluşturmasına yardımcı olur.
Soru 7: “Fourier dönüşümü” nedir?
Fourier dönüşümü basit ve jenerik fonksiyonları süper fonksiyonlar olarak bilinen şeylere dönüştürme yöntemidir. Eğer karşınıza böyle bir makine öğrenmesi mülakat sorusu çıkarsa konuyu açıklama yaparak biraz daha açabilir ve örneklendirebilirsiniz.
Soru 8: “Evrişimli sinir ağı” nedir?
Normal ve basit ağlar işlemlerini gerçekleştirmek için bağlantılı katmanları kullanır. Evrişimli sinir ağları ise bağlantılı katmanlar yerine evrişimli olanları kullanır.
İnsanların standart bağlantılı ağlar yerine evrişimli ağları seçmeninin ana sebebi evrişimli ağlara atfedilmiş parametre sayısının çok daha az olmasıdır.
Soru 9: “True Positive Rate” ve “Recall” arasındaki korelasyon hakkında ne bilmeliyiz?
Daha ileri düzey makine öğrenmesi mülakat soruları arasında yer alıyor gibi görünse de bu sorunun cevabı oldukça basittir. Her iki ölçü de birbirinin aynısıdır. TP/TP + FN formülüne bakarak bunu görebiliriz.
Soru “Geri yayılım” nedir?
Kulağa süslü gelen bir ifade olan geri yayılımçok katmanlı nöral ağları eğitme yöntemidir. Bu yöntemle “hata”yı en sondan alıp tüm ağa eşit olarak dağıtarak ağı eğitebiliriz. Böylelikle makinenin ölçümlemesini etkili bir şekilde gerçekleştirme fırsatı olur.
Soru “Test seti” kullanmadan sadece “validasyon seti” kullanırsak ne olur?
Sadece validasyon seti uygularsanız test yaptığınız modelin ölçüleri hakkında doğru bir tahmin alamazsınız. Çünkü test seti modelin daha önce karşılaşmadığı örneklerde karşı nasıl çalıştığını test eder. Bu yüzden test seti çıkarılırsa otomatik olarak muhtemel geçerli test sonuçlarını da etkilemiş olursunuz.
Soru Tümdengelimsel ve tümevarımsal makine öğrenmesi arasındaki fark nedir?
Ana fark nasıl başladıklarıdır. Tümevarımsal makine öğrenmesi sonuca giden örneklerle başlar. Tümdengelimsel makine öğrenmesi ise sonuçtan başlar, sonrasında da o sonuç hakkında neyin doğru neyin yanlış olduğu görüşüne varır.
Soru Variance ve bias makine öğrenmesinde nasıl bir rol oynar?
İkisi de hatadır. Variance (varyans) makine öğrenmesi algoritmasında yer alan fazla karmaşıklığın sonucu olan bir hatadır. Bias (yanlılık) ise öğrenme algoritmasındaki kusurlu varsayımlardan oluşan hatadır. Diğer makine öğrenmesi mülakat soruları içerisinde de yer aldığı için bu ifadeleri karıştırmamaya çalışın.
Soru Supervised learning nedir ve unsupervised’dan hangi yönlerde farklıdır?
Supervised learning (gözetimli öğrenme), yazılımın öğrenip bir dahaki sefere daha doğru sonuçlar vermesi için çıktıların bilgisayara geri yüklenmesi işlemidir. Unsupervised learning ( gözetimsiz öğrenme) ise bilgisayarın önceden eğitim almadan öğrenmesidir.
Soru Bir sınıflandırma problemi için algoritma nasıl seçilir?
Bu soruda cevap ihtiyaç duyulan doğruluk derecesine ve eğitim setinin boyutuna dayanıyor. Eğitim seti küçükse düşük variance/yüksek bias sınıflandırıcısı seçilmelidir. Eğitim seti büyükse tam tersini yapılıp yüksek variance/düşük bias sınıflandırıcısı seçilmelidir.
İleri Düzey Makine Öğrenmesi Mülakat Soruları
Temel seviye makine öğrenmesi iş görüşmesi soruları ve cevapları hakkında bir fikir sahibi olduğunuza göre sıra geldi ileri düzey sorulara.
Merak etmeyin işverenleriniz sizden kendi kendine yetebilen bir AI sistemi kurmanızı veya derin öğrenme üzerinde çalışmak için tüm farklı yolları anlattığını üç yüz sayfalık bir kitap yazmanızı istemeyecekler. “İleri düzey” sadece soruların biraz daha zor olacağı, cevapları verirken açıklama yapıp örneklendirmeniz gerektiği anlamına geliyor. Endişelenmeyin, rahatlatın ve öğrenmeye başlayın.
Soru 1: “Generative” ve “discriminative” modeller arasındaki fark nedir?
Tuzak bir makine öğrenmesi sorusu gibi gözükse de çalışanlarınız bu modellerin verilerle nasıl başa çıktığını öğrenmek isteyecektir.
Generative model, sağlanan farklı veri kategorilerini öğrenir. Discriminative model ise sadece çeşitli veri kategorileri arasındaki farkı öğrenir.
Geliştiriciler ve mühendisler genellikle discriminative modeli kullanmayı tercih eder çünkü görevleri hızlı ve etkili bir şekilde gerçekleştirir.
Soru 2: “Cross-validation” ve “stratified cross-validation” arasındaki farkları açıklayın.
Cross-validation (çapraz doğrulama) eğitim süresi ve validation seti arasındaki verileri rastgele ayırmak için kullanılır. Stratified cross-validation (katmanlı çapraz doğrulama) aynı şeyi gerçekleştirir ama bunu rastgele değişken olmadan yapar. Eğitim ve validation testi arasındaki oranı kontrol eder ve korur. Bu makine öğrenmesi mülakat sorusu çok kolay karıştırılabiliyor o yüzden dikkat edin!
Soru 3: “Lasso” ve “Ridge” regresyonları hangi durumlarda kullanılmalıdır?
Doğru cevap vermek için her iki regresyon hakkında kapsamlı bilgiye sahip olunması gerektiğinden bu soru ileri düzey makine öğrenmesi soruları kategorisinde yer alıyor.
Lasso regresyonu hem değişken seçme hem de parametre küçültme fonksiyonlarını gerçekleştirebilir. Ridgre regresyonu ise sadece parametre küçültme fonksiyonunu gerçekleştirir. Bu yüzden az değişkeniniz ve büyük bir etkiniz varsa Lasso regresyonu kullanmalı, çok sayıda küçük değişkeniniz varsa Ridge regresyonu kullanmalısınız.
Bu soruda cevabınızı birkaç cümleyle açıklama fırsatına sahipsiniz.
Soru 4: “F1” nedir?
F1 skoru modeliniz ne kadar iyi iş çıkardığını belirten bir ölçüdür. “1”e yakın herhangi bir puan iyidir. “”in altında puan alanlarla tekrardan çalışılmalıdır.
Soru 5: Çoğu durumda hangisinin puanı yüksektir: Kolektif modellerin mi bireysel modellerin mi?
Soru 5: Çoğu durumda hangisinin puanı yüksektir: Kolektif modellerin mi bireysel modellerin mi?
Kolektifler genellikler daha büyük skora ulaşıyor. Bunun sebebi çeşitli farklı modellerin kombinasyonlarının tek bir sonucu tahmin etmesidir. Model sayısı arttıkça giderilen hata sayısı da artar, son tahmin skoru da daha yüksek olur.
Soru 6: “Correlation” ve “covariance” arasındaki fark nedir?
Cevap oldukça basit; covariance (kovaryans) standart hale getirildiğinde correlation (korelasyon) haline gelir.
Soru 7: “Dengesiz veri seti”ni tanımlayın.
Dengesiz veri seti test sonrasında tüm bilgilerin yarısından fazlasını bir sınıfa atandığı sonuçları getiren settir.
Peki bu nasıl önlenir? Bazı basit çözümler mevcut; farklı bir algoritmayla testi tekrar gerçekleştirebilir veya sonucun dengelenmesi için daha da fazla sayıda veriyi test edebilirsiniz.
Soru 8: “Veri normalleştirme” nedir?
Hatırlarsanız geri yayılımdan bahsetmiştik. Veri normalleştirme, geri yayılım işlemindeki veri fazlalığını minimuma indirmek için kullanılır. Kullanıcıya istediği gibi farklı değerler ayarlama olanağı sağlar, böylece olası fazlalık sorunları ortadan kalkar.
Soru 9: Kategorik değişken ve sürekli değişken arasındaki korelasyonun yakalanması mümkün mü?
Evet ama bunu gerçekleştirmek için Analysis of Covariance (ANVOCA) isimli yöntemi kullanmanız gerekir. Bu yolla gerçekleştirebilirsiniz.
Soru Aktivasyon fonksiyonu ne için kullanılır?
Bu fonksiyon doğrusal olmayan öğrenme yöntemlerini tanıtarak ağınızı çeşitlendirme olanağı sağlar. Makinenizin zor işlemleri daha kolay bir şekilde nasıl gerçekleştireceğini öğrenmesine yardımcı olur.
Son
Rehberimizde makine öğrenmesi hakkında karşınıza çıkabilecek mülakat sorularından bahsettik. Temel düzeyden başlayıp sonrasında daha ileri düzey iş görüşmesi soruları ve cevapları hakkında konuştuk.
İster IT uzmanı ister makine öğrenmesi AI uzmanı olun, mülakatınızdan önce bu sorulara çalışmayı unutmayın. Evet sadece buzdağının görünen kısmını el aldık ama eğer bu soru ve cevapları iyice öğrenirseniz mülakatta karşınıza çıkabilecek şeyler hakkında bir fikir sahibi olmuş olursunuz.
Dürüst geri bildirimde bulunun
Gerçek fikrinizi bırakarak en iyi online eğitim platformunu seçmek isteyen binlerce insana yardımcı olun. Pozitif veya negatif de olsa tüm geri bildirimler dürüst oldukları sürecek kabul ediliyor. Taraflı geri birimleri veya spam'leri yayınlamıyoruz. Deneyiminizi, fikrinizi veya tavsiyenizi paylaşmak istiyorsanız sahne sizin!
Yapay Sinir Ağlarına Giriş Çoktan Seçmeli Sorular
1. Neden biyolojik sinir ağlarına ihtiyacımız vardır?
a) Makine görüşü ve doğal dil işleme gibi görevleri çözmek
b) Problemin çözümünü bulmak için sezgisel arama yöntemlerini uygulamak
c) Akıllı insan etkileşimli ve kullanıcı dostu bir sistem oluşturmak
d) Belirtilenlerin tümü
2. Günümüzde yazılımlardaki eğilim nedir?
a) Bilgisayarı kullanıcıya daha çok yakınlaştırmak
b) Karmaşık problemleri çözmek
c) Göreve özel olmak
d) Çok yönlü olmak
3. İnsan ve makine zekası arasındaki ana fark nedir?
a) Makine sadece veri olarak algılarken, insan her şeyi bir örüntü olarak algılar.
b) İnsanın duyguları vardır.
c) İnsan daha fazla IQ ve akla sahiptir.
d) İnsanın duyu organları vardır.
4. Nöral ağlarda otomatik ilişki görevi nedir?
a) 2 ardışık girdi arasındaki ilişkiyi bulmak
b) Depolama ve geri çağırma görevi ile ilgili
c) Gelecekteki girdileri tahmin etme
d) Belirtilenlerin hiçbiri
5. Örüntü sınıflandırması denetimsiz öğrenme kategorisine mi aittir?
a) Evet
b) Hayır
6. Nöral ağlarda model haritalama probleminde, giriş ve çıkış arasında herhangi bir genelleme var mıdır?
a) Evet
b) Hayır
7. Denetimsiz öğrenme nedir?
a) Açıkça belirtilen grubun özellikleri
b) Grup sayısı bilinebilir.
c) Ne özellik ne de grup sayısı bilinmemektedir.
d) Belirtilenlerin hiçbiri
8. Örüntü sınıflandırması ve gruplandırması aynı türden öğrenme içerir mu?
a) Evet
b) Hayır
9. Özellik haritalaması için denetimsiz öğrenime ihtiyaç var mıdır?
a) Evet
b) Hayır
Denetimsiz bir özellik haritası örneği aşağıdakilerden hangisi olabilir?
a) Metin tanıma
b) Ses tanıma
c) Görüntü tanıma
d) Belirtilenlerin hiçbiri
Sinir ağlarında plastisite nedir?
a) Girdi paterni değişmeye devam ediyor.
b) Girdi paterninin statik hale gelmesidir.
c) Çıktı modeli değişmeye devam ediyor.
d) Çıktının statik olmasıdır.
İstikrar &#; plastisite ikilemi nedir?
a) Sistem ne kararlı ne de plastik olabilir.
b) Statik girdiler ve sınıflandırma işlenemez.
c) Dinamik girdiler ve sınıflandırma işlenemez. d) Belirtilenlerin hiçbiri.
Şablon eşleşmesinin dezavantajları nelerdir?
a) Zaman alıcı
b) Son derece kısıtlı
c) Daha genelleştirilmiş
d) Belirtilenlerin hiçbiri
Biyolojik ağların YZ ağlarından üstün olduğu kanıtlanmış olan konular nelerdir?
a) Sağlamlık ve hata toleransı
b) Esneklik
c) Toplu hesaplama
d) Belirtilenlerin tümü
Ağın temel birimi aşağıdakilerden hangisidir?
a) Beyin
b) Nükleus
c) Nöron
d) Akson
Dendritler nelerdir?
a) Sinirlerin lifleri
b) Nükleer projeksiyonları
c) Nükleus&#;un diğer adı
d) Belirtilenlerin hiçbiri
Dendritlerin şekli nasıldır?
a) Oval
b) Yuvarlak
c) Ağaç
d) Dikdörtgen
Sinapsta sinyal iletimi nasıl bir süreçtir?
a) Fiziksel süreç
b) Kimyasal süreç
c) Hem fiziksel hem de kimyasal
d) Belirtilenlerin hiçbiri
Aktarım/darbe nasıl kabul edilir?
a) Nöron gövdesinin elektrik potansiyelini düşürerek
b) Nöron gövdesinin elektrik potansiyelini arttırarak
c) Elektrik potansiyelini düşürerek ve yükselterek
d) Belirtilenlerin hiçbiri
Hücrenin ateş edildiği söylenir mi?
a) Eğer akiyon potansiyeli sabit bir eşik değerine ulaşırsa
b) Dürtü reaksiyonu varsa
c) Kalbin iyimserliği sırasında
d) Belirtilenlerin hiçbiri
Nöronda kimyasal reaksiyonlar nerede gerçekleşir?
a) Dendritler
b) Akson
c) Sinapslar
d) Nükleus
Dendritlerin fonksiyonu nedir?
a) Reseptör
b) Verici
c) Hem alıcı hem de verici
d) Belirtilenlerin hiçbiri
Akson&#;un amacı nedir?
a) Reseptör
b) Verici
c) İletim
d) Belirtilenlerin hiçbiri
Sinir ağı birçok nörondan oluşur, her nöron bir girdi alır, işler ve bir çıkış verir. İşte gerçek bir nöronun şematik bir temsili.
Aşağıdaki ifadelerden hangisi doğru bir gerçek nöron temsil eder?
a) Bir nöronun tek bir girişi ve tek bir çıkışı vardır.
b) Bir nöronun birden fazla girişi vardır, ancak sadece tek bir çıkış vardır
c) Bir nöronun tek bir girişi vardır ancak çoklu çıkışlar vardır
d) Bir nöron çoklu girişlere ve çoklu çıkışlara sahiptir.
e) Yukarıdaki ifadelerin tümü geçerlidir.
Aşağıdaki resim bir nöronun matematiksel bir gösterimidir.
Nöronun farklı bileşenleri şu şekilde gösterilir:
x1, x2,…, xN: Bunlar nöronun girdileridir. Bunlar, giriş katmanından gelen gerçek gözlemler veya gizli katmanlardan birindeki bir ara değer olabilir.
w1, w2,…, wN: Her girişin ağırlığıdır.
bi: Bias(önyargı) birimleri olarak adlandırılır. Bunlar, her bir ağırlığa karşılık gelen aktivasyon fonksiyonunun girdisine eklenen sabit değerlerdir. Bir kesişme süresine benzer çalışır.
a: Ne gibi temsil edilebilen nöronun aktivasyonu olarak adlandırılır.
ve y: nöronun çıktısıdır.
Yukarıdaki notasyonlar göz önüne alındığında, bir çizgi denklemi (y = mx + c) bir nöron kategorisine girer mi?
a) Evet
b) Hayır
“Konvolüsyonel sinir ağları, bir girdide çeşitli dönüşüm türleri (rotasyonlar veya ölçeklendirme) gerçekleştirebilir”. Deyim doğru mu yanlış mıdır?
a) Doğru
b) Yanlış
Sinyalin sadece bir yönde geçtiği bir sinir ağına _____ denir.
(A) Sinirsel iletim sinyali
(B) Tekrarlayan sinir ağı
(C) Her ikisi (A) & (B)
(D) Yukarıdakilerin hiçbiri
_________, giriş ve çıkış katmanları arasında birden çok gizli katmanı olan yapay bir sinir ağıdır?
(A) Derin sinir ağı
(B) Sığ nöral ağ
(C) Her ikisi (A) & (B)
(D) Yukarıdakilerin hiçbiri
En ünlü tekrarlayan sinir ağı _______
(A) Perceptron
(B) Radyal temel ağları
(C) Hopfield ağı
(D) Yukarıdakilerin hiçbiri
Şekil 1&#;in ağı nedir?
(a) Tek katmanlı ileri besleme nöral ağı
(b) Bir oto-destekleyici sinir ağı
(c) Çok katmanlı bir sinir ağı
3 girişli bir nöron, bir giriş olduğunda ve diğer bir giriş olduğunda bir sıfır verecek şekilde eğitilir. Genellemeden sonra, çıkış, sadece ve ne zaman giriş olduğunda sıfır olacaktır?
(a) veya veya veya
(b) veya veya veya
(c) veya veya veya
Aşağıdaki tekniklerden hangisi nöral ağda bırakma gibi benzer işlemleri gerçekleştirir?
A. Bagging
B. Boosting
C. Stacking
D. Bunlardan hiçbiri
Bir perceptron:
(a) Ön işleme ile tek katmanlı ileri iletimli sinir ağıdır.
(b) Bir oto-destekleyici sinir ağıdır.
(c) Çift katmanlı bir otomasyonel sinir ağıdır.
Bir autoassociative ağı:
(a) Döngü içermeyen sinir ağıdır.
(b) Geribildirim içeren bir sinir ağıdır.
(c) Sadece bir döngüye sahip bir sinir ağıdır.
Aşağıdakilerden hangisi nöral ağa doğrusallık vermez?
A. Stokastik gradyan iniş
B. Doğrultulmuş doğrusal ünite
C. Konvolüsyon fonksiyonu
D. Yukarıdakilerin hiçbiri
Model kapasitesi hakkında aşağıdakilerden hangisi doğrudur (model kapasitesi, sinir ağının karmaşık fonksiyonlara yaklaşma kabiliyetini ifade eder.)?
A. Gizli katmanların sayısı arttıkça, model kapasitesi artar.
B. Bırakma oranı arttıkça, model kapasitesi artar.
C. Öğrenme oranı arttıkça, model kapasitesi artar.
D. Bunlardan hiçbiri
Çok Katmanlı Perceptron&#;da gizli katmanların sayısını artırırsanız, test verilerinin sınıflandırma hatası her zaman azalır. Doğru ya da yanlış?
a) Doğru
b) Yanlış
Bir gradyan iniş algoritmasını kullanmak için gerekli adımlar nelerdir?
monash.pwçek değer ile tahmin edilen değer arasındaki hatayı hesaplayın
2.Ağın en iyi ağırlığını bulana kadar tekrarlayın.
3.Ağ üzerinden bir giriş yapın ve çıktı katmanından değerler alın
monash.pwle ağırlık ve sapma(bias) başlatın.
monash.pwı düşüren ve hatayı azaltmak için ilgili değerlerini değiştiren her nörona gidin.
A. 1, 2, 3, 4, 5
B. 5, 4, 3, 2, 1
C. 3, 2, 1, 5, 4
D. 4, 3, 1, 5, 2
Nöral bir ağda, her nöronun ağırlığını ve yanlılığını bilmek en önemli adımdır. Her nasılsa her bir nöron için doğru ağırlık ve yanlılık değerini elde ederseniz, herhangi bir işlevi tahmin edebilirsiniz. Buna yaklaşmanın en iyi yolu ne olurdu?
A. Rastgele değerler atayın ve doğru olduklarına dua edin.
B. En iyi değeri elde edene kadar her olası ağırlık ve önyargı kombinasyonunu arayın
C. Yinelemeli olarak, en iyi değerlerden ne kadar uzak olduğunuzu bir değer atadıktan sonra bunları daha iyi hale getirmek için atanmış değerler değerlerini biraz değiştirdikten sonra kontrol edin.
D. Bunlardan hiçbiri
Bir yapay sinir ağı, nöron olarak adlandırılan daha küçük bileşenlerden oluşan bir beynin (ham) matematiksel temsilidir.
Her nöronun bir girişi, bir işlem fonksiyonu ve bir çıkışı vardır.
Bu nöronlar, herhangi bir fonksiyona yaklaşmak için kullanılabilen bir ağ oluşturmak üzere bir araya getirilir.
Mümkün olan en iyi sinir ağını elde etmek için, sinir ağ modelimizi güncellemek için gradyan iniş gibi teknikleri kullanabiliriz.
Yukarıda verilen yapay sinir ağının bir açıklamasıdır. Sinir ağı modeli ne zaman derin bir öğrenme modeli haline gelir?
A. Daha fazla gizli katman eklediğinizde ve sinir ağının derinliğini artırdığınızda
B. Verilerin daha yüksek boyutsallığı olduğunda
C. Sorun görüntü tanıma sorunu olduğunda
D. Bunlardan hiçbiri
Bir perceptronda aşağıdaki görevlerin sırası nedir?
monash.pwtronun ağırlıklarını rastgele başlat.
monash.pw sonraki veri kümesine git.
monash.pw, çıktıyla eşleşmiyorsa, ağırlıkları değiştirin.
monash.pw örnek giriş için, bir çıktı hesaplayın.
A. 1, 2, 3, 4
B. 4, 3, 2, 1
C. 3, 1, 2, 4
D. 1, 4, 3, 2
Parametreleri değiştirerek maliyet fonksiyonunu en aza indirmeniz gerektiğini varsayalım. Bunun için aşağıdaki tekniklerden hangisi kullanılabilir?
A. Aşırı arama
B. Rastgele arama
C. Bayesci optimizasyon
D. Bunlardan herhangi biri
Bir yapay sinir ağı modeli fonksiyonu (y = 1 / x) olabilir mi?
A. Evet
B. Hayır
Hangi sinir ağı mimarisinde ağırlık paylaşımı gerçekleşir?
A. Konvolüsyonel sinir ağı
B. Tekrarlayan sinir ağı
C. Tamamen bağlı(fully connected) sinir ağı
D. Hem A hem de B
Toplu(Batch) Normalizasyon yararlıdır, çünkü?
A. Bir sonraki katmana göndermeden önce tüm girişi normalleştirir(değiştirir).
B. Ağırlık normalleştirilmiş ortalama ve standart sapmasını geri döndürür.
C. Çok verimli bir geri yayılma tekniğidir.
D. Bunlardan hiçbiri
Mutlak sıfır hatası elde etmeye çalışmak yerine, başarmayı umduğumuz hata olan Bayes hatası olarak adlandırılan bir ölçüm belirledik. Bayes hatası kullanmanın nedeni ne olabilir?
A. Girdi değişkenleri çıktı değişkeni hakkında tam bilgi içermeyebilir.
B. Sistem (giriş-çıkış haritalamasını yaratan) stokastik olabilir.
C. Sınırlı eğitim verileri
D. Yukarıdakilerin tümü
Çıkış katmanındaki nöronların sayısı, denetimli bir öğrenme görevinde sınıfların sayısına (Sınıfların sayısı 2&#;den büyüktür.) karşılık gelmelidir. Doğru ya da yanlış?
A. Doğru
B. Yanlış
Bir nöral ağda, aşağıdaki tekniklerden hangisi aşırı uyum(overfitting) ile baş etmek için kullanılır?
A. Dropout
B. Düzenlileştirme(Regularization)
C. Toplu normalleştirme(Batch normalization)
D. Bunların hepsi
4-girişli bir nöron, 1, 2, 3 ve 4 ağırlıklarına sahiptir. Transfer fonksiyonu, orantılılık sabitiyle 2&#;ye eşit doğrusaldır. Girişler sırasıyla 4, 10, 5 ve 20&#;dir. Çıktı nasıl olacaktır?
a)
b) 76
c)
Hangi sinir ağı geribildirim sinyaline izin verir?
A) Sinirsel iletim sinyali
B) Tekrarlayan sinir ağı
C) Her ikisi (A) & (B)
D) Yukarıdakilerin hiçbiri
Aşağıdakilerden hangisi yapay sinir ağlarının bir uygulamasıdır?
A) Örüntü tanıma
B) Mobil işlem
C) Konuşma okuma (Dudak okuma)
D) Yukarıdakilerin hepsi
Katmanlı sinir ağında hangi algoritma kullanılır?
A) Geri yayılım algoritması
B) İkili arama
C) Her ikisi (A) & (B)
D) Yukarıdakilerin hiçbiri
Radyal Temel Fonksiyonu (RBF) ağları _____ katmanlara sahiptir.
A) Bir
B) Dört
C) İki
D) Üç
Aşağıdakilerden hangisi doğrudur?
(i) Ortalama olarak, sinir ağları geleneksel bilgisayarlardan daha yüksek hesaplama oranlarına sahiptir.
(ii) Sinir ağları örneklerden öğrenir.
(iii) Sinir ağları, insan beyninin çalışma şeklini taklit eder.
(a) hepsi doğru.
(b) (ii) ve (iii) doğrudur.
(c) (i), (ii) ve (iii) doğrudur.
Yapay sinir ağları için aşağıdakilerden hangisi doğrudur?
(i) Eğitim süresi, ağın boyutuna bağlıdır.
(ii) Yapay sinir ağları geleneksel bir bilgisayarda simüle edilebilir.
(iii) Yapay nöronlar biyolojik olanlara operasyonda aynıdır.
(a) hepsi doğrudur.
(b) (ii) doğrudur.
(c) (i) ve (ii) doğrudur.
Aşağıdaki şekildeki modelin adı nedir?
a) Rosenblatt Perceptron modeli
b) McCulloch-Pitts modeli
c) Widrow’un Adaline modeli
d) Belirtilenlerin hiçbiri
Sigmoid fonksiyonu olarak bilinen aktivasyon fonksiyonunu (H(v)=1/1+e^-v) düşünün. Yukarıda gösterilen girdiler, ağırlıklar ve biaslar göz önüne alındığında, girdilerin tümleşik değeri aktivasyon fonksiyonu tarafından değerlendirildikten sonra bu nörondan yaklaşık çıktı nedir?
Aşağıdakilerden hangisi doğrudur?
Tek katmanlı birleştirici sinir ağları şu özelliklere sahip değildir:
(i) Örüntü tanıma işlemini gerçekleştirme
(ii) Resmin paritesini bulmak
(iii) Bir resimdeki iki veya daha fazla şeklin birbirine bağlı olup olmadığını belirleme
(a) (ii) ve (iii) doğrudur.
(b) (ii) doğrudur.
(c) Hepsi doğrudur.
Nöral ağların geleneksel bilgisayarlara göre avantajları nelerdir?
(i) Örneklerle öğrenebilme yetenekleri vardır.
(ii) Daha fazla toleranslılardır.
(iii) Yüksek &#;hesaplamalı&#; oranları nedeniyle gerçek zamanlı operasyon için daha uygundurlar.
(a) (i) ve (ii) doğrudur.
(b) (i) ve (iii) doğrudur.
(c) Hepsi doğrudur.
Şekildeki F (x) fonksiyonunun doğası nedir?
a) Lineer
b) Lineer olmayan
c) Lineer veya lineer olmayan olabilir
d) Belirtilenlerin hiçbiri
4. Aşağıdaki şekilde ‘b’ önyargı(bias) ise, o zaman hangi mantık devresini temsil eder?
a) or geçidi
b) and geçidi
c) nor geçidi
d) nand geçidi
Cevaplar:
- Cevap: d
Açıklama: Bir sinir ağının ulaştığı temel hedefler bunlardır. - Cevap: a
Açıklama: Yazılım kullanıcıyla daha etkileşimli olmalı ki, böylece problemini daha iyi anlayabilsin. - Cevap: a
Açıklama: İnsanların duyguları var olup, bu şekilde farklı örüntüler oluştururken, bir makine (bilgisayar gibi) aptaldır ve her şey onun için bir veridir. - Cevap: b
Açıklama: Bu, sinir ağlarında otomatik ilişkilendirme temel tanımıdır. - Cevap: b
Açıklama: Örüntü sınıflandırması, denetimli öğrenme kategorisine aittir. - Cevap: a
Açıklama: İstenen çıktı ideal çıkışın en yakınına eşlenir ve dolayısıyla genelleme söz konusudur. - Cevap: c
Açıklama: Denetimsiz öğrenmenin temel tanımı. - Cevap: b
Açıklama: Model sınıflandırması denetimli öğrenmeyi içerirken, gruplama denetlenmeyen bir kişidir. - Cevap: b
Açıklama: Özellik eşlemesi denetimsiz olabilir, bu yüzden yeterli bir koşul değildir. - Cevap: b
Açıklama: Aynı sesli konu farklı bağlamda ortaya çıkabileceğinden ve özellikleri farklı ünlülerin örtüşen bölgelerine göre değişmektedir. - Cevap: a
Açıklama: Bir YZ(Yapay Zeka) sorununda giriş düzenlerinin dinamik doğası. - Cevap: c
Açıklama: Sistemin sınıflandırmasını girdilere göre değiştirmesine izin verilirse, desen sınıflandırması ve değerlendirmesi için kullanılamaz. - Cevap: b
Açıklama: Noktadan noktaya eşleştirme işlemi gerçekleştirilir. - Cevap: d
Açıklama: YZ ağı yukarıda belirtilenlerin tümü olmalıdır. - Cevap: c
Açıklama: Nöron, bir ağın en temel ve temel birimidir. - Cevap: a
Açıklama: Dendritler, ağaç şekilli sinir lifleridir. - Cevap: c
Açıklama: Temel biyolojik q & a. - Cevap: b
Açıklama: Kimyasallar sinapsta yer aldığından, kimyasal bir süreçtir. - Cevap: c
Açıklama: Her ikisinin de eşit olasılığı vardır. - Cevap: a
Açıklama: Hücrenin sadece potansiyel bir sabit eşik değerine ulaşması durumunda ateşlendiği söylenir. - Cevap: c
Açıklama: Basit bir biyolojik olgudur. - Cevap: a
Açıklama: Dendritler, işlevi yalnızca dürtü almak olan ağaç benzeri projeksiyonlardır. - Cevap: c
Açıklama: Akson nöronun vücududur ve bu nedenle uçlarının ucunda olamaz, bu yüzden sinyalleri alıp iletemez. - Cevap : e (Bir nöron, tek bir Giriş / Çıkış veya çoklu Giriş / Çıkışlara sahip olabilir.)
- Cevap: a Açıklama: Doğrusal olmayan bir tek nöron doğrusal bir regresyon fonksiyonu olarak düşünülebilir.
- Cevap: b Açıklama: Veri Önişleme adımları, veriyi sinir ağına vermeden önce gereklidir, çünkü sinir ağı bunu yapar.
- Cevap: a
Açıklama: Bırakma, her modelin tek bir vakada eğitildiği ve modelin her bir parametresinin, diğer tüm modellerde karşılık gelen parametreyle paylaşılarak çok güçlü bir şekilde düzenlendiği aşırı bir torbalama biçimi olarak görülebilir.
Cevap: a
Cevap: c
Cevap: a
Açıklama: Şekil 1&#;deki ağ, tek bir kat iletimli sinir ağıdır, çünkü herhangi bir girdi ve çıktı arasında sadece bir nöron vardır. Şebeke otoantikleştirici değildir, diğer bir deyişle geridöngü yoktur çünkü içinde ilmek yoktur.
Cevap: c
Cevap: a
Cevap: a
Açıklama: Perceptron, tek katmanlı ileri besleme nöral ağıdır. Bu, bir geri besleme aşaması nöronlardan yapılmadığı için geri dönüşü olmadığı ve çok katmanlı bir sinir ağı olmadığı için bir oto-ağsal ağ değildir.
Cevap: b
Açıklama: Bir oto-birim ağı, geri besleme içeren bir sinir ağına eşdeğerdir. Geri bildirim yollarının(döngüler) sayısı bir olmak zorunda değildir.
Cevap: b
Açıklama: Doğrultulmuş doğrusal birim, doğrusal olmayan bir aktivasyon fonksiyonudur.
Cevap: a
Cevap: b
Açıklama: Bu her zaman doğru değildir. Aşırı uydurma hatanın artmasına neden olabilir.
Cevap: d
Cevap: c
Cevap: a
Açıklama: Daha fazla derinlik ağın daha derin olduğu anlamına gelir. Bir modeli derinleştirmek için kaç katmanın gerekli olduğu konusunda kesin bir kural yoktur, ancak hala 2&#;den fazla gizli katman varsa, modelin derin olduğu söylenir.
Cevap: d
Cevap: d
Açıklama: Yukarıda belirtilen tekniklerden herhangi biri parametreleri değiştirmek için kullanılabilir.
Cevap: a
Açıklama: A seçeneği doğrudur, çünkü aktivasyon fonksiyonu karşılıklı fonksiyon olabilir.
Cevap: d
Cevap: a
Cevap: b
Açıklama: Çıkış, ağırlıkları ilgili girdilerle çarparak, sonuçları toplayarak ve trasfer işleviyle çarparak bulunur. Bu nedenle:
Çıkış = 2 * (1 * 4 + 2 * 10 + 3 * 5 + 4 * 20) =
Cevap: c
Cevap: d
Cevap: a
Açıklama: Sinir ağları geleneksel bilgisayarlardan daha yüksek hesaplama oranlarına sahiptir, çünkü işlemlerin çoğu paralel olarak yapılır.
Not: sinir ağının bir bilgisayarda simüle edildiği durum böyle değildir. Sinir ağlarının ardındaki fikir, insan beyninin çalışma şekline dayanır. Sinir ağları programlanamaz, sadece örneklerle öğrenirler.
Cevap: c
Açıklama: Eğitim süresi ağın büyüklüğüne bağlıdır; nöron sayısı daha büyüktür ve bu nedenle olası &#;durum&#; sayısı artar. Sinir ağları geleneksel bir bilgisayarda simüle edilebilir ancak sinirsel ağların ana avantajı(paralel işleme) kaybolur. Yapay nöronlar biyolojik olanlara operasyonda aynı değildir. Gerçek nöronların ayrıntılarını henüz bilmiyoruz.
Cevap: b
Açıklama: McCulloch-Pitts nöron modelinin genel blok şemasıdır.
Cevap:
H(2)=1/1+e^(-2)=
Cevap: a
Açıklama: Örüntü tanıma, tek katmanlı sinir ağlarının en iyi olduğu şeydir, ancak bir resmin paritesini bulma veya iki şeklin birbirine bağlı olup olmadığını belirleme becerisine sahip değildir.
Cevap: c
Açıklama: Sinir ağları örneklerle öğrenir.
Bunlar daha toleranslıdır çünkü her zaman cevap verebilmektedirler ve girdideki küçük değişiklikler normalde çıktıda bir değişikliğe yol açmamaktadır.
Paralel mimarileri nedeniyle, yüksek hesaplama oranları elde edilir.
Cevap: b
Açıklama: Bu fonksiyonda, bağımsız değişken denklemde lineer olmayan bir üsdür.
Cevap: c
Açıklama: 0 veya 1 olarak girişleri alarak yukarıdaki şeklin doğruluk tablosunu oluşturun.
Bunu beğen:
BeğenYükleniyor