Introduction to Deep Learning an der TU München

Karteikarten und Zusammenfassungen für Introduction to Deep Learning an der TU München

Arrow Arrow

Komplett kostenfrei

studysmarter schule studium
d

4.5 /5

studysmarter schule studium
d

4.8 /5

studysmarter schule studium
d

4.5 /5

studysmarter schule studium
d

4.8 /5

Lerne jetzt mit Karteikarten und Zusammenfassungen für den Kurs Introduction to Deep Learning an der TU München.

Beispielhafte Karteikarten für Introduction to Deep Learning an der TU München auf StudySmarter:

During forward propagation, in the forward function for a layer l you need to know what is the activation function in a layer (Sigmoid, tanh, ReLU, etc.). During backpropagation, the corresponding backward function also needs to know what is the activation function for layer l, since the gradient depends on it.

Wählen Sie die richtigen Antworten aus:

  1. True

  2. False

Beispielhafte Karteikarten für Introduction to Deep Learning an der TU München auf StudySmarter:

How can we prevent our model from overfitting?

Beispielhafte Karteikarten für Introduction to Deep Learning an der TU München auf StudySmarter:

What does the analogy "AI is the new electricity" refer to?

Wählen Sie die richtigen Antworten aus:

  1. Similar to electricity starting about 100 years ago, AI is transforming multiple industries

  2. AI is powering personal devices in our homes and offices, similar to elextricity

  3. AI runs on computers and is thus powered by electricity, but it is letting computers do things not possible before

  4. Through the „smart grid“, AI is delivering a new wave of electricity

Beispielhafte Karteikarten für Introduction to Deep Learning an der TU München auf StudySmarter:

How does the k-NN Algorithm work?

Beispielhafte Karteikarten für Introduction to Deep Learning an der TU München auf StudySmarter:

What happens if we initialize all weights with small random numbers?

Beispielhafte Karteikarten für Introduction to Deep Learning an der TU München auf StudySmarter:

When an experienced deep learning engineer works on a new problem, they can usually use insight from previous problems to train a good model on the first try, without needing to iterate multiple times through different models.

Wählen Sie die richtigen Antworten aus:

  1. False

  2. True

Beispielhafte Karteikarten für Introduction to Deep Learning an der TU München auf StudySmarter:

What does a neuron compute?

Wählen Sie die richtigen Antworten aus:

  1. A neuron computes the mean of all features before applying the output to an activation function

  2. A neuron computes an activation function followed by a linear function (z = Wx +b)

  3. A neuron computes a linear function (z = Wx + b) followed by an activation function

  4. A neuron computes a function g that scales the input x linearly (Wx +b)

Beispielhafte Karteikarten für Introduction to Deep Learning an der TU München auf StudySmarter:

List advanced regularization approaches

Beispielhafte Karteikarten für Introduction to Deep Learning an der TU München auf StudySmarter:

A demographic dataset with statistics on different cities' population, GPD per capita, economic growth is an example of "unstructured" data because it contains data coming from different sources.

Wählen Sie die richtigen Antworten aus:

  1. False

  2. True

Beispielhafte Karteikarten für Introduction to Deep Learning an der TU München auf StudySmarter:

Which of the following are true?

Wählen Sie die richtigen Antworten aus:

  1. X is a matrix in which each column is one training example

  2. a₄[²] is the activation output by the 4th neuron of the 2nd layer

  3. a[²]⁽¹²⁾ denotes activation vector of the 12th layer on the 2nd training example

  4. a[²] denotes the activation vextor of the 2nd layer

  5. a₄[²] is the activation output of the 2nd layer for the 4th training example

  6. a[²]⁽¹²⁾ denotes the activation vector of the 2nd layer for the 12th training example

Beispielhafte Karteikarten für Introduction to Deep Learning an der TU München auf StudySmarter:

The tanh activation usually works better than sigmoid activation function for hidden units because the mean of its output is closer to zero, and so it centers the data better for the next layer.

Wählen Sie die richtigen Antworten aus:

  1. True

  2. False

Beispielhafte Karteikarten für Introduction to Deep Learning an der TU München auf StudySmarter:

Images for cat recognition is an example of "structured" data, because it is represented as a structured array in a computer.

Wählen Sie die richtigen Antworten aus:

  1. True

  2. False

Kommilitonen im Kurs Introduction to Deep Learning an der TU München. erstellen und teilen Zusammenfassungen, Karteikarten, Lernpläne und andere Lernmaterialien mit der intelligenten StudySmarter Lernapp. Jetzt mitmachen!

Jetzt mitmachen!

Flashcard Flashcard

Beispielhafte Karteikarten für Introduction to Deep Learning an der TU München auf StudySmarter:

Introduction to Deep Learning

During forward propagation, in the forward function for a layer l you need to know what is the activation function in a layer (Sigmoid, tanh, ReLU, etc.). During backpropagation, the corresponding backward function also needs to know what is the activation function for layer l, since the gradient depends on it.

  1. True

  2. False

Introduction to Deep Learning

How can we prevent our model from overfitting?

Regularization

Introduction to Deep Learning

What does the analogy "AI is the new electricity" refer to?

  1. Similar to electricity starting about 100 years ago, AI is transforming multiple industries

  2. AI is powering personal devices in our homes and offices, similar to elextricity

  3. AI runs on computers and is thus powered by electricity, but it is letting computers do things not possible before

  4. Through the „smart grid“, AI is delivering a new wave of electricity

Introduction to Deep Learning

How does the k-NN Algorithm work?

A classifier that looks at the distance of k neighbors:

1. Load the data

2. Initialise the value of k 

3. For gettin the predicted class, iterate from 1 tot toal number of training data points

3.1. Calculate the distance between test data and each row of training data (e.g. Euclidean Distance)

3.2. Add the distance and the index of the example to an ordered collection

4. Sort the calculated distances in ascending order based on distance values

5. Get top k rows from the sorted array

6. Get the most frequent class of theses rows

7. Return the predicted class

8. If regression: return the mean of the K; else: return the mode of the K Labels

Introduction to Deep Learning

What happens if we initialize all weights with small random numbers?

Gradients vanish

Introduction to Deep Learning

When an experienced deep learning engineer works on a new problem, they can usually use insight from previous problems to train a good model on the first try, without needing to iterate multiple times through different models.

  1. False

  2. True

Introduction to Deep Learning

What does a neuron compute?

  1. A neuron computes the mean of all features before applying the output to an activation function

  2. A neuron computes an activation function followed by a linear function (z = Wx +b)

  3. A neuron computes a linear function (z = Wx + b) followed by an activation function

  4. A neuron computes a function g that scales the input x linearly (Wx +b)

Introduction to Deep Learning

List advanced regularization approaches

  • Weight Decay
  • Early Stopping
  • Bagging and Ensemble Methods
  • Dropout
  • Batch Normalization

Introduction to Deep Learning

A demographic dataset with statistics on different cities' population, GPD per capita, economic growth is an example of "unstructured" data because it contains data coming from different sources.

  1. False

  2. True

Introduction to Deep Learning

Which of the following are true?

  1. X is a matrix in which each column is one training example

  2. a₄[²] is the activation output by the 4th neuron of the 2nd layer

  3. a[²]⁽¹²⁾ denotes activation vector of the 12th layer on the 2nd training example

  4. a[²] denotes the activation vextor of the 2nd layer

  5. a₄[²] is the activation output of the 2nd layer for the 4th training example

  6. a[²]⁽¹²⁾ denotes the activation vector of the 2nd layer for the 12th training example

Introduction to Deep Learning

The tanh activation usually works better than sigmoid activation function for hidden units because the mean of its output is closer to zero, and so it centers the data better for the next layer.

  1. True

  2. False

Introduction to Deep Learning

Images for cat recognition is an example of "structured" data, because it is represented as a structured array in a computer.

  1. True

  2. False

Melde dich jetzt kostenfrei an um alle Karteikarten und Zusammenfassungen für Introduction to Deep Learning an der TU München zu sehen

Singup Image Singup Image
Wave

Andere Kurse aus deinem Studiengang

Für deinen Studiengang Informatik an der TU München gibt es bereits viele Kurse auf StudySmarter, denen du beitreten kannst. Karteikarten, Zusammenfassungen und vieles mehr warten auf dich.

Zurück zur TU München Übersichtsseite

Blockchain

Cognitive System

Databases for modern CPU

Protein Prediction I

Data Analysis in R

18WS_Strategisches_IT_Management

Patterns

Softwaretechnik

Autonomous Driving

Requirements Engineering

Web Application Engineering

Business Analytics

Echtzeitsysteme

Patterns in Software Engineering

Principles of Economics

Data Mining and Knowledge Discovery

Data Mining and KD

Visual data analytics

Security Engineering

Algorithmic Game Theory

Grundlagen der Künstlichen Intelligenz

Was ist StudySmarter?

Was ist StudySmarter?

StudySmarter ist eine intelligente Lernapp für Studenten. Mit StudySmarter kannst du dir effizient und spielerisch Karteikarten, Zusammenfassungen, Mind-Maps, Lernpläne und mehr erstellen. Erstelle deine eigenen Karteikarten z.B. für Introduction to Deep Learning an der TU München oder greife auf tausende Lernmaterialien deiner Kommilitonen zu. Egal, ob an deiner Uni oder an anderen Universitäten. Hunderttausende Studierende bereiten sich mit StudySmarter effizient auf ihre Klausuren vor. Erhältlich auf Web, Android & iOS. Komplett kostenfrei. Keine Haken.

Awards

Bestes EdTech Startup in Deutschland

Awards
Awards

European Youth Award in Smart Learning

Awards
Awards

Bestes EdTech Startup in Europa

Awards
Awards

Bestes EdTech Startup in Deutschland

Awards
Awards

European Youth Award in Smart Learning

Awards
Awards

Bestes EdTech Startup in Europa

Awards

So funktioniert's

Top-Image

Individueller Lernplan

StudySmarter erstellt dir einen individuellen Lernplan, abgestimmt auf deinen Lerntyp.

Top-Image

Erstelle Karteikarten

Erstelle dir Karteikarten mit Hilfe der Screenshot-, und Markierfunktion, direkt aus deinen Inhalten.

Top-Image

Erstelle Zusammenfassungen

Markiere die wichtigsten Passagen in deinen Dokumenten und bekomme deine Zusammenfassung.

Top-Image

Lerne alleine oder im Team

StudySmarter findet deine Lerngruppe automatisch. Teile deine Lerninhalte mit Freunden und erhalte Antworten auf deine Fragen.

Top-Image

Statistiken und Feedback

Behalte immer den Überblick über deinen Lernfortschritt. StudySmarter führt dich zur Traumnote.

1

Lernplan

2

Karteikarten

3

Zusammenfassungen

4

Teamwork

5

Feedback