Differences

This shows you the differences between two versions of the page.

--- muszaki_informatika:neuralis_halok_alapjai [2025/03/12 07:12] – [A súlyok módosítása a hiba függvényében] knehez
+++ muszaki_informatika:neuralis_halok_alapjai [2025/03/13 22:57] (current) – knehez
@@ Line 427: / Line 427: @@
 </sxh>
-==== Generatív nyelvi modellek ====
+===== Generatív nyelvi modellek =====
 A generatív nyelvi modellek az emberi nyelv megértésére és szöveg generálására irányuló kutatások központi elemei. Ezek a modellek arra képesek, hogy a bemenetként adott szöveg alapján értelmes és összefüggő szöveget állítsanak elő. Az alábbiakban bemutatjuk a generatív nyelvi modellek fejlődését, amely a GPT (Generative Pre-trained Transformer) családhoz vezetett.
@@ Line 463: / Line 463: @@
 Számlafeldolgozó minta bemutatása.
-=== RAG technika ===
-...
 === Neurális hálózatok, felmerülő kérdések ====
@@ Line 472: / Line 468: @@
   - Magyarázható-e a működése? (a súlyok alapján érthető-e a döntés?)
   - Van-e itt intelligencia egyáltalán?
+===== Ellenőrző kérdések =====
+** Mi a neurális hálózatok alapvető építőeleme? **
+  A) Node
+  B) Neuron
+  C) Hurok
+  D) Adatbázis
+Megoldás: B
+----
+**Milyen műveleteket végez egy neuron alapvetően?**
+  A) Csak adatot tárol
+  B) Memóriát kezel
+  C) Súlyozott összegzést és aktivációt végez
+  D) Csak véletlenszerű értékeket generál
+Megoldás: C
+----
+** Mi a tipikus célja a neurális hálózatok tanításának? **
+  A) A bemenet másolása a kimenetre változtatás nélkül
+  B) Az adatokban található mintázatok megtanulása és általánosítása
+  C) Minél több neuron használata
+  D) A memóriahasználat csökkentése
+Megoldás: B
+----
+** Miért alkalmazunk aktivációs függvényeket a neurális hálózatokban? **
+  A) Csak esztétikai okokból
+  B) Azért, hogy lineáris problémákat oldjunk meg
+  C) A hálózat nemlinearitásának biztosítására
+  D) A bemenet normalizálására
+Megoldás: C
+----
+**Mi az alábbiak közül egy közismert aktivációs függvény?**
+  A) XOR
+  B) NAND
+  C) Sigmoid
+  D) AND
+Megoldás: C
+----
+**Hogyan nevezzük azt a folyamatot, amikor a hibát visszafelé terjesztjük a hálózaton a tanítás során?**
+  A) Feedforward
+  B) Backpropagation
+  C) Regularizáció
+  D) Dropout
+Megoldás: B
+----
+** Mi az "epoch" fogalma neurális háló tanítása során? **
+  A) Egyetlen neuron frissítése
+  B) Egy súlyfrissítés lépése
+  C) A teljes tanító adathalmaz egyszeri áthaladása
+  D) A tanítás sebessége
+Megoldás: C
+----
+** Mi a célja a tanulási rátának (learning rate)? **
+  A) Meghatározza, hogy a háló hány rétegből álljon
+  B) Meghatározza, hogy mennyire gyorsan tanuljon a hálózat (a súlyok frissítésének mértéke)
+  C) Megadja, hány neuron legyen egy rétegben
+  D) Meghatározza a tanítás során használt neuronok számát
+Megoldás: B
+----
+** Mi a "túlillesztés" (overfitting) jelensége neurális hálók esetén? **
+  A) A hálózat nem tanul eleget az adatokból
+  B) A hálózat túl általános megoldást ad
+  C) A hálózat túl jól illeszkedik a tanuló adathalmazra, de nem jól általánosít
+  D) A hálózat nem tudja kezelni a bemeneteket
+Megoldás: C
+----
+**Mi lehet egy jó módszer a túlillesztés csökkentésére?**
+  A) Több réteg hozzáadása
+  B) Nagyobb neuronok számának használata
+  C) Dropout vagy regularizáció alkalmazása
+  D) Tanítási adatok csökkentése
+Megoldás: C
+----
+** Mi a felügyelt tanulás (supervised learning) jelentése? **
+  A) A neurális háló saját maga fedezi fel a mintázatokat
+  B) Az adatok mellé címkéket (helyes válaszokat) is adunk a tanításhoz
+  C) A hálózat nem kap visszajelzést a tanulás során
+  D) Véletlenszerű tanítási módszer használata
+Megoldás: B
+----
+** Mi igaz a „feedforward” folyamatra egy neurális hálóban? **
+  A) A bemenetet visszafelé dolgozza fel
+  B) A bemenetet a kimenet felé haladva dolgozza fel a háló
+  C) Csak hibaszámításra alkalmas
+  D) A súlyok módosítására használjuk
+Megoldás: B
+----
+**Mi történik egy neurális háló tanításakor, ha túl nagy a learning rate?**
+  A) A tanulás gyorsabb és stabilabb lesz
+  B) A hálózat túl lassan tanul
+  C) A tanítás instabillá válhat, és nem konvergál optimálisan
+  D) A neurális háló egyáltalán nem tanul
+Megoldás: C