Шпаргалка ДНУ ИАД Интеллектуальный анализ данных ФФЭКС 4 курс
31 вопрос.
Вопросы:
Компьютеры и мозг. Нейрокомпьютеры.
Нейрокомпьютеры, их особенности, архитектура.
Одиночный нейрон, топология, функция активации.
Перцептрон Розенблата. Алгоритм обучения.
Классификация базовых нейроархитектур – типы обучения.
Дельта-обучающее правило НС (линейная функция активации)
Дельта-обучающее правило НС (нелинейная функция активации)
НС – обучение с учителем (метод обратного распространения ошибки).
Обучение без учителя – сжатие информации.
Сжатие многомерной информации на основе метода главных компонент (ГК).
Физический смысл и информационная значимость собственных чисел в методе ГК.
Нейрон индикатор – правило обучения Хебба.
Нейрон индикатор – правило обучения Ойя.
Соревновательное обучение нейронов – кластеризация.
Принцип «победитель получает все» и алгоритм соревновательного обучения нейронов.
Упорядочивание нейронов – топографические карты (алгоритм Кохонена).
Рекуррентные сети (ассоциативная память)
Сеть Хопфилда как ассоциативная память.
Сеть Хэмминга.
Методы предварительной обработки данных для НС.
Обработка данных методом независимых компонент.
НС и статистика – связь и отличия.
Томография – проекции.
Теорема о проекционном срезе.
Алгоритм фильтрованной обратной проекции.
Влияние числа проекций на эффективность томографического восстановления.
Природа численной неустойчивости алгоритма фильтрованной обратной проекции.
Статистические характеристики для классификации текстур.
Спектрально-коррелляционные характеристики классификации текстур.
Выделение информативных признаков сигналов и изображений в пространстве параметров модели линейного предсказания.
Классификация сигналов в пространстве параметров нелинейной модели Вольтера.
31 вопрос.
Вопросы:
Компьютеры и мозг. Нейрокомпьютеры.
Нейрокомпьютеры, их особенности, архитектура.
Одиночный нейрон, топология, функция активации.
Перцептрон Розенблата. Алгоритм обучения.
Классификация базовых нейроархитектур – типы обучения.
Дельта-обучающее правило НС (линейная функция активации)
Дельта-обучающее правило НС (нелинейная функция активации)
НС – обучение с учителем (метод обратного распространения ошибки).
Обучение без учителя – сжатие информации.
Сжатие многомерной информации на основе метода главных компонент (ГК).
Физический смысл и информационная значимость собственных чисел в методе ГК.
Нейрон индикатор – правило обучения Хебба.
Нейрон индикатор – правило обучения Ойя.
Соревновательное обучение нейронов – кластеризация.
Принцип «победитель получает все» и алгоритм соревновательного обучения нейронов.
Упорядочивание нейронов – топографические карты (алгоритм Кохонена).
Рекуррентные сети (ассоциативная память)
Сеть Хопфилда как ассоциативная память.
Сеть Хэмминга.
Методы предварительной обработки данных для НС.
Обработка данных методом независимых компонент.
НС и статистика – связь и отличия.
Томография – проекции.
Теорема о проекционном срезе.
Алгоритм фильтрованной обратной проекции.
Влияние числа проекций на эффективность томографического восстановления.
Природа численной неустойчивости алгоритма фильтрованной обратной проекции.
Статистические характеристики для классификации текстур.
Спектрально-коррелляционные характеристики классификации текстур.
Выделение информативных признаков сигналов и изображений в пространстве параметров модели линейного предсказания.
Классификация сигналов в пространстве параметров нелинейной модели Вольтера.