Neuronale Netze: Definition und Architektur - Online-Quiz

Question 1

Welche der folgenden Eigenschaften ist ein wesentliches Merkmal neuronaler Netze?

Accepted Answer

Sie können komplexe Muster erkennen und lernen.

Answer

Sie bestehen aus einer einzigen Neuronenschicht.

Answer

Sie benötigen keine Aktivierungsfunktionen.

Answer

Sie können nur binäre Daten verarbeiten.

Question 2

Welche Aussage beschreibt neuronale Netze am besten?

Accepted Answer

Künstliche Intelligenzsysteme, die die Funktionsweise des menschlichen Gehirns nachahmen

Answer

Softwareprogramme, die nur für die Bildverarbeitung entwickelt wurden

Answer

Komplexe Datenmodelle, die immer eine grafische Benutzeroberfläche benötigen

Answer

Lineare Algorithmen, die nur mit numerischen Daten arbeiten können

Question 3

Welche Aufgabe erfüllen Schichten in neuronalen Netzen in erster Linie?

Accepted Answer

Übertragen von Informationen zwischen Ebenen

Answer

Verbinden von Knoten innerhalb einer Ebene

Answer

Berechnen der Netzwerkausgaben

Answer

Speichern der Netzwerkgewichte

Question 4

Welche der folgenden Aussagen beschreibt die grundlegende Architektur neuronaler Netze am besten?

Accepted Answer

Neurale Netze bestehen typischerweise aus einer Eingabe-, einer Ausgabe- und einer oder mehreren verborgenen Schichten.

Answer

Alle Knoten in neuronalen Netzen sind miteinander verbunden, was eine vollständig verbundene Architektur ergibt.

Answer

Neuronale Netze verwenden ausschließlich lineare Aktivierungsfunktionen, um die Ausgabe zu berechnen.

Answer

Neuronale Netze sind ausschließlich für Klassifizierungsaufgaben konzipiert.

Question 5

Inwiefern beeinflusst die Architektur neuronaler Netze ihre Fähigkeit, komplexe Probleme zu lösen?

Accepted Answer

Die Architektur bestimmt die Anzahl der Schichten und Knoten im Netzwerk, was seine Rechenleistung und Mustererkennungsfähigkeit beeinflusst.

Answer

Die Architektur ist irrelevant für die Problemlösung, da alle Neuronen gleich sind und unabhängig voneinander arbeiten.

Answer

Die Architektur ist nur für die Interpretation der Netzwerkausgabe relevant.

Question 6

Was zeichnet neuronale Netze aus?

Accepted Answer

Sie sind vom menschlichen Gehirn inspiriert.

Answer

Sie sind nicht-deterministische Modelle.

Answer

Sie können nur lineare Funktionen approximieren.

Answer

Sie können nur kleine Datensätze verarbeiten.

Question 7

Welche Aussage beschreibt die Definition eines neuronalen Netzes treffend?

Accepted Answer

Ein Verbund verschalteter Knoten, die Eingaben verarbeiten und eine Ausgabe erzeugen.

Answer

Ein Verfahren zur Lösung linearer Gleichungssysteme.

Answer

Eine Technik zur Prognose zukünftiger Ereignisse.

Question 8

Welches Element ist ein unverzichtbarer Bestandteil der neuronalen Netzwerkarchitektur?

Accepted Answer

Neuron

Answer

Hypothesentest

Answer

Datenbank

Answer

Präsentationsschicht

Question 9

Welche Funktionskategorie wird gewöhnlich zur Aktivierung von Neuronen herangezogen?

Accepted Answer

Nichtlineare Funktion

Answer

Polynomfunktion

Answer

Lineare Funktion

Answer

Hyperbelfunktion

Question 10

Was ist das primäre Ziel der Vorwärtspropagation in einem neuronalen Netzwerk?

Accepted Answer

Berechnung des Outputs anhand einer gegebenen Eingabe.

Answer

Initialisierung von Netzwerkparametern.

Answer

Reduzierung des Netzwerkfehlers.

Answer

Anpassung der Netzwerkgewichte.

Question 11

Welche Methode wird zur Minimierung des Fehlers in neuronalen Netzen angewandt?

Accepted Answer

Gradientenabstieg

Answer

Kreuzvalidierung

Answer

Regularisierung

Answer

Datennormalisierung

Question 12

Welche Art neuronaler Netzwerke eignet sich am besten für die Verarbeitung sequenzieller Daten?

Accepted Answer

Rekurrente neuronale Netzwerke (RNNs)

Answer

Autoencoder

Answer

Generative adversarial networks (GANs)

Answer

Faltungsneuronale Netzwerke (CNNs)

Question 13

Welches Konzept spielt eine entscheidende Rolle bei der Regulierung des Lernprozesses in neuronalen Netzen?

Accepted Answer

Dropout

Answer

Aktivierungsfunktionen

Answer

Gewichtsinitialisierung

Answer

Batch-Normalisierung

Question 14

Welche Metrik wird gewöhnlich zur Beurteilung der Leistung eines Klassifizierungs-neuronalen Netzwerks verwendet?

Accepted Answer

Genauigkeit

Answer

Mittlerer quadratischer Fehler (MSE)

Answer

ROC-Kurve

Answer

Kappa-Koeffizient

Question 15

Welche Aussage beschreibt am besten die Definition eines neuronalen Netzes?

Accepted Answer

Ein Netz aus miteinander verbundenen Einheiten, die Daten transformieren.

Answer

Ein Speicher für umfangreiche Datenmengen.

Answer

Ein Algorithmus zur Datenklassifikation.

Question 16

Welche Komponente eines neuronalen Netzes übernimmt die Aufgabe, Eingaben entgegenzunehmen?

Accepted Answer

Eingabeschicht

Answer

Bias

Answer

Verborgene Schicht

Answer

Ausgabeschicht

Question 17

Was ist die primäre Funktion einer Aktivierungsfunktion in neuronalen Netzen?

Accepted Answer

Einfügen von Nichtlinearität.

Answer

Datenstandardisierung.

Answer

Fehlerberechnung.

Answer

Aktualisierung von Gewichten.

Question 18

Welche Art von neuronaler Netzwerkarchitektur eignet sich besonders für Bildanalyse?

Accepted Answer

Convolutional Neural Network (CNN)

Answer

Rekurrente neuronale Netze (RNN)

Answer

Vollständig verbundenes Netzwerk (FCN)

Answer

Perzeptron

Question 19

Was ist der Hauptzweck des Vorwärtsdurchlaufs in neuronalen Netzen?

Accepted Answer

Berechnung der Ausgabe.

Answer

Fehlerberechnung.

Answer

Gewichtsinitialisierung.

Answer

Gewichtsaktualisierung.

Question 20

Welche Art von Fehlerfunktion wird häufig in neuronalen Netzen eingesetzt?

Accepted Answer

Quadratischer Fehler

Answer

Logistischer Fehler

Answer

Absoluter Fehler

Question 21

Welchen Zweck verfolgen Regularisierungstechniken bei neuronalen Netzen?

Accepted Answer

Vermeidung von Überanpassung.

Answer

Beschleunigung des Trainings.

Answer

Erhöhung der Fehlerrate.

Question 22

Was ist das Ziel der Feinabstimmung in neuronalen Netzen?

Accepted Answer

Verbesserung der Leistung für eine bestimmte Aufgabe.

Answer

Erhöhung der Anzahl der Schichten.

Answer

Verkürzung der Trainingszeit.

Question 23

Welche der folgenden Aufgaben ist für neuronale Netze ungeeignet?

Accepted Answer

Buchhaltungsprüfung

Answer

Bilderkennung

Answer

Maschinelle Übersetzung

Answer

Spracherkennung

Question 24

Welches Element gehört NICHT zu den Hauptkomponenten eines neuronalen Netzes?

Accepted Answer

Datenbankverbindung

Answer

Verborgene Ebene

Answer

Eingabeebene

Answer

Ausgabeebene

Question 25

Welche Aktivierungsfunktion wird häufig in der Eingabeschicht neuronaler Netze verwendet, um lineare Beziehungen zu modellieren?

Accepted Answer

Lineare Funktion

Answer

ReLU-Funktion

Answer

Tanh-Funktion

Answer

Sigmoid-Funktion

Question 26

Welche der folgenden Eigenschaften trifft auf neuronale Netze zu?

Accepted Answer

Sie können komplexe, nichtlineare Beziehungen lernen

Answer

Sie erfordern immer eine sehr große Anzahl von Trainingsdaten

Answer

Sie sind immer deterministisch

Question 27

Welcher Vorteil ist mit der Verwendung von Batch-Normalisierung in neuronalen Netzen verbunden?

Accepted Answer

Stabilisierung des Trainings und Beschleunigung der Konvergenz

Answer

Reduzierter Speicherbedarf

Answer

Verbesserte Genauigkeit bei kleinen Datensätzen

Answer

Erhöhung der Überanpassung

Question 28

Welche Architektur eines neuronalen Netzes eignet sich besonders gut für Bildklassifizierungsprobleme?

Accepted Answer

Faltungsneuronales Netz (CNN)

Answer

Autoencoder

Answer

Transformer-Netzwerk

Answer

Wiederkehrendes neuronales Netz (RNN)

Question 29

Welches Kriterium ist von herausragender Bedeutung bei der Auswahl einer geeigneten Verlustfunktion für ein neuronales Netz?

Accepted Answer

Übereinstimmung mit dem Ziel der Aufgabe, die das Netzwerk lernen soll

Answer

Geringe Rechenkomplexität

Answer

Kompatibilität mit allen Aktivierungsfunktionen

Answer

Verfügbarkeit von analytischen Gradienten

Question 30

Welcher Bestandteil eines neuronalen Netzes speichert die während des Trainings erlernten Gewichte und Vorspannungen?

Accepted Answer

Parameter

Answer

Ausgabe

Answer

Aktivierung

Answer

Eingabe

Question 31

Welcher Algorithmus ist der Standard zum Trainieren neuronaler Netze?

Accepted Answer

Rückausbreitung

Answer

Support-Vektor-Maschinen

Answer

Lineare Regression

Answer

K-Means-Clustering

Question 32

Welches der folgenden Beispiele veranschaulicht eine Anwendung von neuronalen Netzen?

Accepted Answer

Maschinelle Übersetzung zwischen Sprachen

Answer

Entscheidungsbaum für die Klassifizierung

Answer

Regelbasiertes System für die Entscheidungsfindung

Answer

Expertensystem für die Diagnose

Question 33

Welche Rolle spielt die Aktivierungsfunktion in einem neuronalen Netzwerk?

Accepted Answer

Sie führt eine nichtlineare Transformation des Inputs durch, wodurch das Netzwerk komplexe Zusammenhänge lernen kann.

Answer

Sie berechnet den Fehler zwischen der vorhergesagten und der tatsächlichen Ausgabe.

Answer

Sie initialisiert die Gewichte des Netzwerks mit zufälligen Werten.

Answer

Sie speichert die Gewichte und Bias-Werte des Netzwerks.

Question 34

Welche der folgenden Komponenten gehört NICHT zur Architektur eines typischen neuronalen Netzwerks?

Accepted Answer

Kontrollflussdiagramm

Answer

Output Layer

Answer

Input Layer

Answer

Hidden Layer

Question 35

Was ist die Funktion eines Hidden Layers in einem neuronalen Netzwerk?

Accepted Answer

Erkennung komplexer Merkmale und Muster in den Daten.

Answer

Empfangen der Eingabedaten und Weiterleitung an das nächste Layer.

Answer

Berechnung des Fehlers zwischen der vorhergesagten und der tatsächlichen Ausgabe.

Answer

Ausgabe der finalen Vorhersagen oder Klassifikationen.

Question 36

Was bedeutet der Begriff 'Bias' im Kontext eines Neurons?

Accepted Answer

Einen zusätzlichen Parameter, der die Aktivierungsschwelle des Neurons beeinflusst.

Answer

Die Stärke der Verbindung zwischen zwei Neuronen (Gewicht).

Answer

Die Aktivierungsfunktion des Neurons.

Answer

Den Fehler zwischen der vorhergesagten und der tatsächlichen Ausgabe.

Question 37

Worin unterscheiden sich Feedforward- und rekurrente neuronale Netzwerke?

Accepted Answer

Ein rekurrentes Netzwerk nutzt Verbindungen, die Schleifen bilden, um Informationen über die Zeit hinweg zu speichern.

Answer

Rekurrente Netzwerke werden ausschließlich für Klassifikationsaufgaben verwendet.

Answer

Ein Feedforward-Netzwerk kann mehrere Hidden Layer haben, ein rekurrentes Netzwerk hingegen nur eines.

Answer

Nur Feedforward-Netzwerke verwenden Aktivierungsfunktionen.

Question 38

Welcher der folgenden Schritte ist NICHT Teil des typischen Trainingsprozesses eines neuronalen Netzwerks?

Accepted Answer

Manuelle Anpassung der Gewichte durch den Entwickler.

Answer

Anpassung der Gewichte und Bias-Werte mithilfe eines Optimierungsalgorithmus.

Answer

Initialisierung der Gewichte mit zufälligen Werten.

Answer

Berechnung des Fehlers zwischen der vorhergesagten und der tatsächlichen Ausgabe.

Question 39

Welche Funktion hat die Kostenfunktion beim Trainieren eines neuronalen Netzwerks?

Accepted Answer

Sie misst den Unterschied zwischen den vorhergesagten Ausgaben des Netzwerks und den tatsächlichen Werten.

Answer

Sie berechnet die Aktivierung eines Neurons basierend auf den Eingaben.

Answer

Sie passt die Gewichte und Bias-Werte des Netzwerks an.

Answer

Sie initialisiert die Gewichte des Netzwerks.

Question 40

Wofür steht die Abkürzung 'ANN' im Kontext von Machine Learning?

Accepted Answer

Artificial Neural Network

Answer

Advanced Numerical Notation

Answer

Algorithmic Network Node

Answer

Automated Neural Navigation

Question 41

Was ist ein Perzeptron?

Accepted Answer

Ein künstliches Neuron, das als Grundbaustein für komplexere neuronale Netze dient.

Answer

Ein Optimierungsalgorithmus, der zum Trainieren neuronaler Netze verwendet wird.

Answer

Eine Art von Aktivierungsfunktion, die in neuronalen Netzen eingesetzt wird.

Answer

Eine Methode zur Fehlerberechnung in neuronalen Netzen.

Question 42

Was ist der Vorteil eines tiefen neuronalen Netzwerks gegenüber einem flachen neuronalen Netzwerk?

Accepted Answer

Tiefe Netzwerke können komplexere Muster in Daten lernen, da sie mehr Schichten und somit eine höhere Abstraktionsfähigkeit besitzen.

Answer

Tiefe Netzwerke benötigen weniger Trainingsdaten als flache Netzwerke.

Answer

Tiefe Netzwerke sind einfacher zu trainieren als flache Netzwerke.

Answer

Tiefe Netzwerke sind weniger anfällig für Überanpassung an die Trainingsdaten.