Domande ricorrenti desame

Page 1

NEUROENGINEERING PARTE 1 _ CERVERI 2019-2020 DOMANDE RICORRENTI ALL’ESAME Come usare questi appunti: sono tutte definizioni o precisazioni ricavate rifacendo i temi d’esame e le esercitazioni. Coprono tutta la parte delle crocette dell’esame. - FFNN . Serve a classificare input patterns in classi, approssimare funzioni continue, fare mapping, comprimere data in input in dati in output di minori dimensioni, fare regressione. . In una FFNN fully-connected, le soglie dei neuroni hanno bisogno di attivazione. . Dare sempre un occhio ai pesi dei neuroni per capire quali influiscono di più sull’output, nel caso in cui chieda l’effetto degli input sull’output in un particolare range. . Se abbiamo una FFNN con due input, 2 neuroni nel layer nascosto e un solo output, e vogliamo classificare in due classi un pattern in input, se l’hidden layer avesse una funzione di attivazione lineare, il suo effetto sarebbe praticamente insignificante nei confronti dell’output layer. L’hidden layer deve infatti avere una funzione di attivazione non lineare. . Il layer di output non deve per forza avere un’attivazione lineare - PERCEPTRON LEARNING RULE . La perceptron learning rule si può applicare ad ogni funzione step e non è detto che converga a una soluzione stabile. . A differenza della delta learning rule, per la perceptron learning rule non c’è bisogno della derivata dell’output, ma solo della differenza tra misurato ed expected. . La perceptron learning rule or ienta il decision boundary nella direzione ortogonale al vettore peso . Possiamo usare un perceptron con attivazione binaria e N input per aiutarci a prendere una decisione, perché classificherà gli input in due classi.  NO per function fitting perchè necessita di un’attivazione lineare nell’output.  NO storage perché c’è…