Domande d'esame VERIFICATO
Esame July 21st 2022 Cerveri
112 visualizzazioni
Nessun voto ancora
Di cosa parla
Riassunto AI · si legge in un minuto
Riassunto:
- Perceptron: sequenza di task corretta - 3, 2, 1, 5, 4.
- Regola del perceptron può essere applicata a funzioni d'attivazione a forma di step; orienta la frontiera di decisione parallela al vettore dei pesi.
- Rete neurale feed-forward: output lineare necessario per problemi di regressione; non-linearità gestita dalle hidden layers.
- Early stopping: interrompe il training quando l'errore generalizzato inizia a aumentare, utilizzando un set di validation indipendente.
- Utilizzo di rete pre-addestrata: fine-tuning del couple di ultimi layer per problemi simili.
- CNN: dimensioni output e struttura dei layer calcolate considerando padding e
Leggi il riassunto completo
- La sequenza corretta per l'addestramento di un perceptron è: inizializzazione casuale dei pesi, calcolo dell'output per una campione del set di addestramento, aggiornamento dei pesi utilizzando la regola del perceptron se la previsione non concorda con i label del dataset, passaggio al prossimo campione nel dataset.
- La regola del perceptron può essere applicata a funzioni di attivazione a forma di step e non solo alla funzione signum. La retta decisionale ha equazione 0 = w1*x1 + w2*x2 – S, con -w1/w2 come coefficiente angolare della linea nel piano (x1, x2).
- Nel rete neurale feed-forward a due input e una output per rappresentare la funzione z = (x2 – 3xy + y2) è necessario un'attivazione non lineare nella neuronessa di output, mentre le neuronesse nascoste possono avere attivazioni lineari o non lineari.
- L'early stopping implica testare la rete sul dataset di validazione dopo ogni epoca di addestramento e arrestare l'addestramento quando l'errore di generalizzazione inizia a aumentare, evitando l'overfitting.
- Nel caso di un set di pazienti piccolo per il rilevamento noduli polmonari, la rete pre-addestrata può essere finetunata solo sulle ultime camme o utilizzando data augmentation e addestrando solo l'ultima camma.
- Nel caso di una CNN con due layer convoluzionali per processare un volume 256x256x256, il campo di ricezione di un neurone nel secondo layer è 4x4x4x4 e la dimensione dell'output del primo layer è 128x128x128. Il stride del secondo layer è 2.
Riassunto generato con l'intelligenza artificiale a partire dagli appunti. Come lo facciamo
Stai vedendo l'anteprima delle prime pagine. Il file completo è gratis: registrati per leggerlo tutto.
Studia questi appunti con l'AI
Riassunto e domande d'esame sono gratis: chiedili e ti mandiamo un'email quando sono pronti.
In preparazione: di solito è pronto in giornata.
Questo appunto è gratis. Registrati in 30 secondi per leggere tutte le pagine e scaricarlo.
Simula l'esame con domande costruite su questi appunti.
Di cosa parla l'insegnamento
NEUROENGINEERING [I.C.] · 2° anno · 1° semestre · 10 CFU · IBIO-01/A
The NEUROENGINEERING course introduces engineering methods, computational models, and enabling technologies for understanding, modelling, interacting with, restoring, and augmenting nervous-system function. Through a transdisciplinary approach integrating neuroscience, biomedical engineering, robotics, artificial…