Du befindest dich hier: FSI Informatik » Prüfungsfragen und Altklausuren » Hauptstudiumsprüfungen » Lehrstuhl 5 » Allgemein   (Übersicht)

Unterschiede

Hier werden die Unterschiede zwischen zwei Versionen der Seite angezeigt.

Link zu der Vergleichsansicht

Beide Seiten, vorherige ÜberarbeitungVorherige Überarbeitung
Nächste Überarbeitung		Vorherige Überarbeitung
pruefungen:hauptstudium:ls5:dl200219 [20.02.2019 14:48] – Ceroxpruefungen:hauptstudium:ls5:dl200219 [20.02.2019 14:51] (aktuell) – Cerox
Zeile 4: Zeile 4:
  
 ====== Fragen ====== ====== Fragen ======
-Prof. Maier: Geben Sie doch bitte einen Überblick über die Themen der Vorlesung. +Prof. Maier: Geben Sie doch bitte einen Überblick über die Themen der Vorlesung. \\ 
-Mindmap gemalt mit allen Themen. +> Mindmap gemalt mit allen Themen. \\ 
-Prof. Maier: Zu Anfangs gab es ja das Rosenblatt Perzeptron. Was konnte das denn? +Prof. Maier: Zu Anfangs gab es ja das Rosenblatt Perzeptron. Was konnte das denn? \\ 
-Perzeptron erklärt, mehrere Inputs, ein Output, weil Sign function. +> Perzeptron erklärt, mehrere Inputs, ein Output, weil Sign function. \\ 
-Prof. Maier: Und was war das Problem? +Prof. Maier: Und was war das Problem? \\ 
-XOR nicht lösbar. +> XOR nicht lösbar. \\ 
-Prof. Maier: Was hat man dann gemacht? +Prof. Maier: Was hat man dann gemacht? \\ 
-MLP -> Universal Function Approximator und Universal Approximation Theorem +> MLP -> Universal Function Approximator und Universal Approximation Theorem \\ 
-Prof. Maier: Okay, welche Aktivierungsfunktionen gibt es denn? +Prof. Maier: Okay, welche Aktivierungsfunktionen gibt es denn? \\ 
-Bspw. Sign. +> Bspw. Sign. \\ 
-Prof. Maier: Was ist denn bei der das Problem? +Prof. Maier: Was ist denn bei der das Problem? \\ 
-Es gibt keine wirklichen Gradienten, außer man landet genau in 0, dann ist die Steigung 1, ansonsten immer 0 -> schlecht für Training. +> Es gibt keine wirklichen Gradienten, außer man landet genau in 0, dann ist die Steigung 1, ansonsten immer 0 -> schlecht für Training. \\ 
-Prof. Maier: Andere Aktivierungsfunktionen? +Prof. Maier: Andere Aktivierungsfunktionen? \\ 
-Sigmoid, Tanh, ReLU. +> Sigmoid, Tanh, ReLU. \\ 
-Prof. Maier: Vor- und Nachteile? Wieso ist ReLU besser? +Prof. Maier: Vor- und Nachteile? Wieso ist ReLU besser? \\ 
-ReLU ist robuster, weil Sie nicht so saturiert, wie bspw. Sigmoid/Tanh. +> ReLU ist robuster, weil Sie nicht so saturiert, wie bspw. Sigmoid/Tanh. \\ 
-Prof. Maier: Wie können wir denn feststellen, ob ein Netzwerk gut performt oder nicht? +Prof. Maier: Wie können wir denn feststellen, ob ein Netzwerk gut performt oder nicht? \\ 
-Loss +> Loss \\ 
-Prof. Maier: Wie haben wir denn den Loss immer bestimmt? +Prof. Maier: Wie haben wir denn den Loss immer bestimmt? \\ 
-Cross-Entropy und Maximum Log Likelihood erklärt, sowie wie das zustande kommt. +> Cross-Entropy und Maximum Log Likelihood erklärt, sowie wie das zustande kommt. \\ 
-Prof. Maier: Und was kann sonst noch so passieren, zB bei ReLU +Prof. Maier: Und was kann sonst noch so passieren, zB bei ReLU \\ 
-Dying ReLUs, also Vanishing Gradients (/repektive Exploding) +> Dying ReLUs, also Vanishing Gradients (/repektive Exploding) \\ 
-Prof. Maier: Wie kann man das denn überwachen? +Prof. Maier: Wie kann man das denn überwachen? \\ 
-3. Datenset, das nur zur Überwachung dient und so etwas wie Gradienten überwacht, ob die passen usw. +> 3. Datenset, das nur zur Überwachung dient und so etwas wie Gradienten überwacht, ob die passen usw. \\ 
-Prof. Maier: Wie kann man das noch überprüfen? Auch bspw ob ein Netzwerk overfitted? +Prof. Maier: Wie kann man das noch überprüfen? Auch bspw ob ein Netzwerk overfitted? \\ 
-Anhand des Losses. +> Anhand des Losses. \\ 
-Prof. Maier: Wie sehen die Kurven aus? +Prof. Maier: Wie sehen die Kurven aus? \\ 
-Hingemalt. +> Hingemalt. \\ 
-Prof. Maier: Wie funktionieren denn Inception Blöcke? +Prof. Maier: Wie funktionieren denn Inception Blöcke? \\ 
-GoogleNet mit seinen Blöcken erklärt. Auxilary Classifier erwähnt und erklärt. +> GoogleNet mit seinen Blöcken erklärt. Auxilary Classifier erwähnt und erklärt. \\ 
-Prof. Maier: Wie funktionieren Residuals? +Prof. Maier: Wie funktionieren Residuals? \\ 
-ResNet mit seinen Skip Connections erklärt. +> ResNet mit seinen Skip Connections erklärt. \\ 
-Prof. Maier: Wieso ist das denn so wie Ensembling? +Prof. Maier: Wieso ist das denn so wie Ensembling? \\ 
-Ensembling erst erklärt und dann anhand einer simplen Grafik gezeigt, dass das Netzwerk aus mehreren Möglichkeiten wählt und sogesehen mehrere Verbindungen gleichzeitig erlernt, aber das ganze zusammengesetzt wird. +> Ensembling erst erklärt und dann anhand einer simplen Grafik gezeigt, dass das Netzwerk aus mehreren Möglichkeiten wählt und sogesehen mehrere Verbindungen gleichzeitig erlernt, aber das ganze zusammengesetzt wird. \\ 
-Prof. Maier: Unsupervised Learning. Wie funktionieren denn GANs? +Prof. Maier: Unsupervised Learning. Wie funktionieren denn GANs? \\ 
-Keine Ahnung... Vollkommen vergessen. +> Keine Ahnung... Vollkommen vergessen. \\ 
-Prof. Maier: Wie funktionieren denn Autoencoder? +Prof. Maier: Wie funktionieren denn Autoencoder? \\ 
-Encoding, Decoding, Informationskompression, Repräsentation erlernen.+> Encoding, Decoding, Informationskompression, Repräsentation erlernen. \\
 Prof. Maier: Was lernen die denn, wenn man genau die gleiche Menge an Neuronen hat? Prof. Maier: Was lernen die denn, wenn man genau die gleiche Menge an Neuronen hat?
-Einheitsrepräsentation. +> Einheitsrepräsentation. \\ 
-Prof. Maier: Bitte mal doch mal ein Recurrent Netzwerk meiner Wahl hin. +Prof. Maier: Bitte mal doch mal ein Recurrent Netzwerk meiner Wahl hin. \\ 
-Gefragt, ob er danach noch eine Frage dazu stellt. Er hat gelacht und gemeint "Nein, das reicht dann schon." +> Gefragt, ob er danach noch eine Frage dazu stellt. Er hat gelacht und gemeint "Nein, das reicht dann schon."  
-Also LSTM hingemalt und die Gates erklärt. +Also LSTM hingemalt und die Gates erklärt. \\ 
-Prof. Maier: Das war's auch schon! :)+Prof. Maier: Das war's auch schon! :) \\