https://vik.wiki/api.php?action=feedcontributions&feedformat=atom&user=Szab%C3%B3+BenceVIK Wiki - Felhasználó közreműködései [hu]2026-04-08T19:11:17ZFelhasználó közreműködéseiMediaWiki 1.43.6https://vik.wiki/index.php?title=Intelligens_rendszerek_laborat%C3%B3rium_1_-_5._Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek&diff=184910Intelligens rendszerek laboratórium 1 - 5. Ellenőrző kérdések2015-03-22T22:27:43Z<p>Szabó Bence: </p>
<hr />
<div>{{vissza|Intelligens rendszerek laboratórium 1}}<br />
<br />
;Milyen problémák megoldására valók az SVM-ek (Szupport Vektor Gépek)?<br />
Az SVM-ek a bemeneti adatok vizsgálatával azokban mintákat keresnek. Osztályozásra, és regressziós analízisre (függvény approximáció) használjuk.<br />
<br />
;Milyen formában adottak a problémát leíró mintapontok általában?<br />
;Milyen 2 főbb csoportra oszthatók a mintapontok SVM-tanítás esetén?<br />
;Mit értünk függvény approximáció, avagy regresszió alatt (SVM-ek esetén)?<br />
Függvény approximáció a rendelkezésre álló adatok közötti függvénykapcsolat közlítését jelenti.<br />
<br />
;Mit értünk osztályozás alatt (SVM-ek esetén)?<br />
;Mi az alapötlete az osztályozásra alkalmas SVM-ek regressziós feladatra való alkalmazásának?<br />
;Mit értünk egy (pl. SVM-es) modell általánosítási hibáján?<br />
A tanítás során nem használt mintapontokra számított hiba. Ha alacsony a modell komplexitása, akkor nagyobb a hiba.<br />
<br />
;Minek a minimalizálására törekszik az SVM? [vázlatos képlet]<br />
A tanulási algoritmus törekszik a modell méretének minimalizálására (ritka modellt alkot), ami a hiba rovására történik.<br /><br />
min(Hiba + 1/C * Komplexitás)<br />
<br />
;Mik a szupport vektorok?<br />
A szupport vektor gép a megoldás során kiválasztja a tanító vektorok egy részhalmazát, amelyek a modell alapját adják. Ezek a vektorok az úgynevezett szupport vektorok (tartó vektorok).<br />
<br />
;Mi az "outlier"?<br />
Az outlier egy olyan megfigyelési pont, ami távol áll a többi megfigyelési ponttól.<br />
<br />
;Mik a főbb hasonlóságok és különbségek a neurális hálózatok és az SVM-ek között?<br />
;Mik az RBF (Radial Basis Function) halók?<br />
;Mit jelent az, hogy egy probléma lineárisan szeparálható?<br />
;Mit értünk "kernel trükk" alatt?<br />
;Melyik kernel függvényt használjuk a laborgyakorlat során? [képlet]<br />
;Mely 3 hiperparamétert használjuk a laborgyakorlat során az SVM-ek tanításánál?<br />
;Milyen célból használunk keresztkiértékelést (cross validation) az osztályozós SVM tanítása során?<br />
Kézzel behangolni az osztályozó hibaparamétereit nehézkes. A keresztkiértékelés magában foglal egy ciklust, ami<br />
folyamatosan változtatja a hiperparaméterek értékét egy-egy tartományon, majd rendre elvégzi a<br />
modellezést (azaz felépíti az SVM-et), ellenőrzi az adott modell eredményét, és megjegyzi hibát. A<br />
ciklus lefutatása után a legkisebb hibát eredményező hiperparaméter-kombinációt kell kiválasztani<br />
<br />
;Mit jelöl a "C" hiperparaméter?<br />
;Mit jelöl a "sigma" hiperparaméter?<br />
<br />
<br />
;Mit jelöl az "epsilon" hiperparaméter és mikor van rá szükség?<br />
Azokra a mintákra, melyek az érzéketlenségi sávon belül esnek, a hiba értéke 0, míg a kívül eső pontok hibáját büntetjük. Az epsilon érzéketlenségű veszteség függvény alkalmazásával az osztályozós problémához hasonló optimalizálási feladatra jutunk.<br />
<br />
;Mi az epsilon-érzéketlenségi sávval rendelkező abszolútérték függvény képlete, és hol használjuk?<br />
if |f(x)-y| < epsilon:<br />
elteres = 0<br />
else:<br />
elteres = |f(x)-y|-epsilon<br />
<br />
;Milyen ágensek szerepelnek a laborgyakorlat regressziós feladatrészében, és hogyan működnek együtt?<br />
TeacherAgent akik a sinc (x) = sin(x) x függvényt paraméterezhetően megadható zajjal tudják mintavételezni.<br /><br />
StudentAgent akik a tanár ágens(ek)től kérdezik le a függvény értékeit és ez alapján (ha elegendő információ összegyűlt), approximálják a függvényt.<br />
<br />
;Milyen indítási paramétereket vár a TeacherAgent ágens?<br />
A TeacherAgent indításkor egy paramétert (egy valós számot) vár, ami arányos a sinc(x)-re adott Gauss zaj mértékével (0 a zajmentes eset, míg a 0.3 érték már egy elég zajos mintát eredményez). Itt tulajdonképpen azt lehet megadni, hogy az egyes tanárok mennyire pontosan, illetve pontatlanul ismerik a megtanulandó függvényt.<br />
<br />
;Milyen indítási paramétereket vár a StudentAgent ágens?<br />
A StudentAgent egyetlen indítási paramétere a tanuláshoz szükséges minták/mintapontok száma,<br />
azaz hogy hányszor, hány helyen fogja a diák lekérdezni a tanárok által ismert függvényt.<br />
<br />
;Hogyan választhat a diák ágens több tanár közül?<br />
Kevésbé realisztikus megoldás: a StudentAgent ágens a sinc(x) függvényt 20<br />
pontban ismerheti (pl. [-10,10] tartomány egész pontjain) és ennek fényében választja<br />
ki a legjobb tanárt. Itt a legegyszerűbb, ha az ismert pontokban lekérdezi az egyes<br />
tanítókat (többször is, hiszen a random zajnak csak a szórását állítottuk be), és azt<br />
választja, amelyik a legpontosabb válaszokat adja.<br />
<br /><br /><br />
Realisztikusabb megoldás: a StudentAgent ágens ugyanazon pontban többször is<br />
lekérdezi ugyanazon tanítót, és ennek alapján számítja ki a zaj szórását. Ezt minden<br />
tanítóval megismételve kiválasztható a legpontosabban válaszoló, „legmagabiztosabb”<br />
tanító. Megj. : feltételezzük, hogy a tanítók helyesen tudják a megtanulandó függvényt.<br />
<br />
;A laborgyakorlat osztályozós részében kétféle osztályozást végzünk. Melyik ez a kettő?<br />
;Milyen ágensek szerepelnek a laborgyakorlat osztályozós feladatrészében, és hogyan működnek együtt?<br />
A WebcamAgent egy vektorizált képet küld az osztályozó ClassifierAgent ágensnek, amely ennek alapján tanul, és osztályozza a kapott mintákat.<br />
<br />
;Mik a WebcamAgent és ClassifierAgent ágensek indítási paraméterei?<br />
;Milyen formában adottak a problémát leíró mintapontok (a képek és a hozzájuk tartozó osztály-azonosítók) a laborgyakorlat osztályozós részénél?<br />
;A laborgyakorlat mindkét osztályozós részfeladatában (+/- és boldog/szomorú smiley) 0-tól 3-ig számozottak a mintapontok. Miért?<br />
<br />
[[Kategória:Mérnök informatikus]]<br />
[[Kategória:Autonóm intelligens rendszerek szakirány]]</div>Szabó Bencehttps://vik.wiki/index.php?title=Intelligens_rendszerek_laborat%C3%B3rium_1_-_5._Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek&diff=184909Intelligens rendszerek laboratórium 1 - 5. Ellenőrző kérdések2015-03-22T22:27:18Z<p>Szabó Bence: </p>
<hr />
<div>{{vissza|Intelligens rendszerek laboratórium 1}}<br />
<br />
;Milyen problémák megoldására valók az SVM-ek (Szupport Vektor Gépek)?<br />
Az SVM-ek a bemeneti adatok vizsgálatával azokban mintákat keresnek. Osztályozásra, és regressziós analízisre (függvény approximáció) használjuk.<br />
<br />
;Milyen formában adottak a problémát leíró mintapontok általában?<br />
;Milyen 2 főbb csoportra oszthatók a mintapontok SVM-tanítás esetén?<br />
;Mit értünk függvény approximáció, avagy regresszió alatt (SVM-ek esetén)?<br />
Függvény approximáció a rendelkezésre álló adatok közötti függvénykapcsolat közlítését jelenti.<br />
<br />
;Mit értünk osztályozás alatt (SVM-ek esetén)?<br />
;Mi az alapötlete az osztályozásra alkalmas SVM-ek regressziós feladatra való alkalmazásának?<br />
;Mit értünk egy (pl. SVM-es) modell általánosítási hibáján?<br />
A tanítás során nem használt mintapontokra számított hiba. Ha alacsony a modell komplexitása, akkor nagyobb a hiba.<br />
<br />
;Minek a minimalizálására törekszik az SVM? [vázlatos képlet]<br />
A tanulási algoritmus törekszik a modell méretének minimalizálására (ritka modellt alkot), ami a hiba rovására történik.<br /><br />
min(Hiba + 1/C * Komplexitás)<br />
<br />
;Mik a szupport vektorok?<br />
A szupport vektor gép a megoldás során kiválasztja a tanító vektorok egy részhalmazát, amelyek a modell alapját adják. Ezek a vektorok az úgynevezett szupport vektorok (tartó vektorok).<br />
<br />
;Mi az "outlier"?<br />
Az outlier egy olyan megfigyelési pont, ami távol áll a többi megfigyelési ponttól.<br />
<br />
;Mik a főbb hasonlóságok és különbségek a neurális hálózatok és az SVM-ek között?<br />
;Mik az RBF (Radial Basis Function) halók?<br />
;Mit jelent az, hogy egy probléma lineárisan szeparálható?<br />
;Mit értünk "kernel trükk" alatt?<br />
;Melyik kernel függvényt használjuk a laborgyakorlat során? [képlet]<br />
;Mely 3 hiperparamétert használjuk a laborgyakorlat során az SVM-ek tanításánál?<br />
;Milyen célból használunk keresztkiértékelést (cross validation) az osztályozós SVM tanítása során?<br />
Kézzel behangolni az osztályozó hibaparamétereit nehézkes. A keresztkiértékelés magában foglal egy ciklust, ami<br />
folyamatosan változtatja a hiperparaméterek értékét egy-egy tartományon, majd rendre elvégzi a<br />
modellezést (azaz felépíti az SVM-et), ellenőrzi az adott modell eredményét, és megjegyzi hibát. A<br />
ciklus lefutatása után a legkisebb hibát eredményező hiperparaméter-kombinációt kell kiválasztani<br />
<br />
;Mit jelöl a "C" hiperparaméter?<br />
;Mit jelöl a "sigma" hiperparaméter?<br />
<br />
<br />
;Mit jelöl az "epsilon" hiperparaméter és mikor van rá szükség?<br />
Azokra a mintákra, melyek az érzéketlenségi sávon belül esnek, a hiba értéke 0, míg a kívül eső pontok hibáját büntetjük. Az epsilon érzéketlenségű veszteség függvény alkalmazásával az osztályozós problémához hasonló optimalizálási feladatra jutunk.<br />
<br />
;Mi az epsilon-érzéketlenségi sávval rendelkező abszolútérték függvény képlete, és hol használjuk?<br />
if |f(x)-y| < epsilon:<br /><br />
elteres = 0<br /><br />
else:<br /><br />
elteres = |f(x)-y|-epsilon<br /><br />
<br />
;Milyen ágensek szerepelnek a laborgyakorlat regressziós feladatrészében, és hogyan működnek együtt?<br />
TeacherAgent akik a sinc (x) = sin(x) x függvényt paraméterezhetően megadható zajjal tudják mintavételezni.<br /><br />
StudentAgent akik a tanár ágens(ek)től kérdezik le a függvény értékeit és ez alapján (ha elegendő információ összegyűlt), approximálják a függvényt.<br />
<br />
;Milyen indítási paramétereket vár a TeacherAgent ágens?<br />
A TeacherAgent indításkor egy paramétert (egy valós számot) vár, ami arányos a sinc(x)-re adott Gauss zaj mértékével (0 a zajmentes eset, míg a 0.3 érték már egy elég zajos mintát eredményez). Itt tulajdonképpen azt lehet megadni, hogy az egyes tanárok mennyire pontosan, illetve pontatlanul ismerik a megtanulandó függvényt.<br />
<br />
;Milyen indítási paramétereket vár a StudentAgent ágens?<br />
A StudentAgent egyetlen indítási paramétere a tanuláshoz szükséges minták/mintapontok száma,<br />
azaz hogy hányszor, hány helyen fogja a diák lekérdezni a tanárok által ismert függvényt.<br />
<br />
;Hogyan választhat a diák ágens több tanár közül?<br />
Kevésbé realisztikus megoldás: a StudentAgent ágens a sinc(x) függvényt 20<br />
pontban ismerheti (pl. [-10,10] tartomány egész pontjain) és ennek fényében választja<br />
ki a legjobb tanárt. Itt a legegyszerűbb, ha az ismert pontokban lekérdezi az egyes<br />
tanítókat (többször is, hiszen a random zajnak csak a szórását állítottuk be), és azt<br />
választja, amelyik a legpontosabb válaszokat adja.<br />
<br /><br /><br />
Realisztikusabb megoldás: a StudentAgent ágens ugyanazon pontban többször is<br />
lekérdezi ugyanazon tanítót, és ennek alapján számítja ki a zaj szórását. Ezt minden<br />
tanítóval megismételve kiválasztható a legpontosabban válaszoló, „legmagabiztosabb”<br />
tanító. Megj. : feltételezzük, hogy a tanítók helyesen tudják a megtanulandó függvényt.<br />
<br />
;A laborgyakorlat osztályozós részében kétféle osztályozást végzünk. Melyik ez a kettő?<br />
;Milyen ágensek szerepelnek a laborgyakorlat osztályozós feladatrészében, és hogyan működnek együtt?<br />
A WebcamAgent egy vektorizált képet küld az osztályozó ClassifierAgent ágensnek, amely ennek alapján tanul, és osztályozza a kapott mintákat.<br />
<br />
;Mik a WebcamAgent és ClassifierAgent ágensek indítási paraméterei?<br />
;Milyen formában adottak a problémát leíró mintapontok (a képek és a hozzájuk tartozó osztály-azonosítók) a laborgyakorlat osztályozós részénél?<br />
;A laborgyakorlat mindkét osztályozós részfeladatában (+/- és boldog/szomorú smiley) 0-tól 3-ig számozottak a mintapontok. Miért?<br />
<br />
[[Kategória:Mérnök informatikus]]<br />
[[Kategória:Autonóm intelligens rendszerek szakirány]]</div>Szabó Bencehttps://vik.wiki/index.php?title=Intelligens_rendszerek_laborat%C3%B3rium_1_-_5._Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek&diff=184908Intelligens rendszerek laboratórium 1 - 5. Ellenőrző kérdések2015-03-22T22:26:32Z<p>Szabó Bence: </p>
<hr />
<div>{{vissza|Intelligens rendszerek laboratórium 1}}<br />
<br />
;Milyen problémák megoldására valók az SVM-ek (Szupport Vektor Gépek)?<br />
Az SVM-ek a bemeneti adatok vizsgálatával azokban mintákat keresnek. Osztályozásra, és regressziós analízisre (függvény approximáció) használjuk.<br />
<br />
;Milyen formában adottak a problémát leíró mintapontok általában?<br />
;Milyen 2 főbb csoportra oszthatók a mintapontok SVM-tanítás esetén?<br />
;Mit értünk függvény approximáció, avagy regresszió alatt (SVM-ek esetén)?<br />
Függvény approximáció a rendelkezésre álló adatok közötti függvénykapcsolat közlítését jelenti.<br />
<br />
;Mit értünk osztályozás alatt (SVM-ek esetén)?<br />
;Mi az alapötlete az osztályozásra alkalmas SVM-ek regressziós feladatra való alkalmazásának?<br />
;Mit értünk egy (pl. SVM-es) modell általánosítási hibáján?<br />
A tanítás során nem használt mintapontokra számított hiba. Ha alacsony a modell komplexitása, akkor nagyobb a hiba.<br />
<br />
;Minek a minimalizálására törekszik az SVM? [vázlatos képlet]<br />
A tanulási algoritmus törekszik a modell méretének minimalizálására (ritka modellt alkot), ami a hiba rovására történik.<br /><br />
min(Hiba + 1/C * Komplexitás)<br />
<br />
;Mik a szupport vektorok?<br />
A szupport vektor gép a megoldás során kiválasztja a tanító vektorok egy részhalmazát, amelyek a modell alapját adják. Ezek a vektorok az úgynevezett szupport vektorok (tartó vektorok).<br />
<br />
;Mi az "outlier"?<br />
Az outlier egy olyan megfigyelési pont, ami távol áll a többi megfigyelési ponttól.<br />
<br />
;Mik a főbb hasonlóságok és különbségek a neurális hálózatok és az SVM-ek között?<br />
;Mik az RBF (Radial Basis Function) halók?<br />
;Mit jelent az, hogy egy probléma lineárisan szeparálható?<br />
;Mit értünk "kernel trükk" alatt?<br />
;Melyik kernel függvényt használjuk a laborgyakorlat során? [képlet]<br />
;Mely 3 hiperparamétert használjuk a laborgyakorlat során az SVM-ek tanításánál?<br />
;Milyen célból használunk keresztkiértékelést (cross validation) az osztályozós SVM tanítása során?<br />
Kézzel behangolni az osztályozó hibaparamétereit nehézkes. A keresztkiértékelés magában foglal egy ciklust, ami<br />
folyamatosan változtatja a hiperparaméterek értékét egy-egy tartományon, majd rendre elvégzi a<br />
modellezést (azaz felépíti az SVM-et), ellenőrzi az adott modell eredményét, és megjegyzi hibát. A<br />
ciklus lefutatása után a legkisebb hibát eredményező hiperparaméter-kombinációt kell kiválasztani<br />
<br />
;Mit jelöl a "C" hiperparaméter?<br />
;Mit jelöl a "sigma" hiperparaméter?<br />
<br />
<br />
;Mit jelöl az "epsilon" hiperparaméter és mikor van rá szükség?<br />
Azokra a mintákra, melyek az érzéketlenségi sávon belül esnek, a hiba értéke 0, míg a kívül eső pontok hibáját büntetjük. Az epsilon érzéketlenségű veszteség függvény alkalmazásával az osztályozós problémához hasonló optimalizálási feladatra jutunk.<br />
<br />
;Mi az epsilon-érzéketlenségi sávval rendelkező abszolútérték függvény képlete, és hol használjuk?<br />
if |f(x)-y| < epsilon:<br /><br />
elteres = 0<br /><br />
else:<br /><br />
elteres = |f(x)-y|-epsilon<br /><br />
<br />
;Milyen ágensek szerepelnek a laborgyakorlat regressziós feladatrészében, és hogyan működnek együtt?<br />
TeacherAgent akik a sinc (x) = sin(x) x függvényt paraméterezhetően megadható zajjal tudják mintavételezni.<br /><br />
StudentAgent akik a tanár ágens(ek)től kérdezik le a függvény értékeit és ez alapján (ha elegendő információ összegyűlt), approximálják a függvényt.<br />
<br />
;Milyen indítási paramétereket vár a TeacherAgent ágens?<br />
A TeacherAgent indításkor egy paramétert (egy valós számot) vár, ami arányos a sinc(x)-re adott Gauss zaj mértékével (0 a zajmentes eset, míg a 0.3 érték már egy elég zajos mintát eredményez). Itt tulajdonképpen azt lehet megadni, hogy az egyes tanárok mennyire pontosan, illetve pontatlanul ismerik a megtanulandó függvényt.<br />
<br />
;Milyen indítási paramétereket vár a StudentAgent ágens?<br />
A StudentAgent egyetlen indítási paramétere a tanuláshoz szükséges minták/mintapontok száma,<br />
azaz hogy hányszor, hány helyen fogja a diák lekérdezni a tanárok által ismert függvényt.<br />
<br />
;Hogyan választhat a diák ágens több tanár közül?<br />
Kevésbé realisztikus megoldás: a StudentAgent ágens a sinc(x) függvényt 20<br />
pontban ismerheti (pl. [-10,10] tartomány egész pontjain) és ennek fényében választja<br />
ki a legjobb tanárt. Itt a legegyszerűbb, ha az ismert pontokban lekérdezi az egyes<br />
tanítókat (többször is, hiszen a random zajnak csak a szórását állítottuk be), és azt<br />
választja, amelyik a legpontosabb válaszokat adja.<br />
<br /><br /><br />
Realisztikusabb megoldás: a StudentAgent ágens ugyanazon pontban többször is<br />
lekérdezi ugyanazon tanítót, és ennek alapján számítja ki a zaj szórását. Ezt minden<br />
tanítóval megismételve kiválasztható a legpontosabban válaszoló, „legmagabiztosabb”<br />
tanító. Megj. : feltételezzük, hogy a tanítók helyesen tudják a megtanulandó függvényt.<br />
<br />
;A laborgyakorlat osztályozós részében kétféle osztályozást végzünk. Melyik ez a kettő?<br />
;Milyen ágensek szerepelnek a laborgyakorlat osztályozós feladatrészében, és hogyan működnek együtt?<br />
A WebcamAgent egy vektorizált képet küld az osztályozó ClassifierAgent ágensnek, amely ennek alapján tanul, és osztályozza a kapott mintákat.<br />
<br />
;Mik a WebcamAgent és ClassifierAgent ágensek indítási paraméterei?<br />
;Milyen formában adottak a problémát leíró mintapontok (a képek és a hozzájuk tartozó osztály-azonosítók) a laborgyakorlat osztályozós részénél?<br />
;A laborgyakorlat mindkét osztályozós részfeladatában (+/- és boldog/szomorú smiley) 0-tól 3-ig számozottak a mintapontok. Miért?<br />
<br />
[[Kategória:Mérnök informatikus]]<br />
[[Kategória:Autonóm intelligens rendszerek szakirány]]</div>Szabó Bencehttps://vik.wiki/index.php?title=Intelligens_rendszerek_laborat%C3%B3rium_1_-_5._Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek&diff=184907Intelligens rendszerek laboratórium 1 - 5. Ellenőrző kérdések2015-03-22T22:10:12Z<p>Szabó Bence: </p>
<hr />
<div>{{vissza|Intelligens rendszerek laboratórium 1}}<br />
<br />
;Milyen problémák megoldására valók az SVM-ek (Szupport Vektor Gépek)?<br />
Az SVM-ek a bemeneti adatok vizsgálatával azokban mintákat keresnek. Osztályozásra, és regressziós analízisre (függvény approximáció) használjuk.<br />
<br />
;Milyen formában adottak a problémát leíró mintapontok általában?<br />
;Milyen 2 főbb csoportra oszthatók a mintapontok SVM-tanítás esetén?<br />
;Mit értünk függvény approximáció, avagy regresszió alatt (SVM-ek esetén)?<br />
Függvény approximáció a rendelkezésre álló adatok közötti függvénykapcsolat közlítését jelenti.<br />
<br />
;Mit értünk osztályozás alatt (SVM-ek esetén)?<br />
;Mi az alapötlete az osztályozásra alkalmas SVM-ek regressziós feladatra való alkalmazásának?<br />
;Mit értünk egy (pl. SVM-es) modell általánosítási hibáján?<br />
A tanítás során nem használt mintapontokra számított hiba. Ha alacsony a modell komplexitása, akkor nagyobb a hiba.<br />
<br />
;Minek a minimalizálására törekszik az SVM? [vázlatos képlet]<br />
A tanulási algoritmus törekszik a modell méretének minimalizálására (ritka modellt alkot), ami a hiba rovására történik.<br /><br />
min(Hiba + 1/C * Komplexitás)<br />
<br />
;Mik a szupport vektorok?<br />
A szupport vektor gép a megoldás során kiválasztja a tanító vektorok egy részhalmazát, amelyek a modell alapját adják. Ezek a vektorok az úgynevezett szupport vektorok (tartó vektorok).<br />
<br />
;Mi az "outlier"?<br />
Az outlier egy olyan megfigyelési pont, ami távol áll a többi megfigyelési ponttól.<br />
<br />
;Mik a főbb hasonlóságok és különbségek a neurális hálózatok és az SVM-ek között?<br />
;Mik az RBF (Radial Basis Function) halók?<br />
;Mit jelent az, hogy egy probléma lineárisan szeparálható?<br />
;Mit értünk "kernel trükk" alatt?<br />
;Melyik kernel függvényt használjuk a laborgyakorlat során? [képlet]<br />
;Mely 3 hiperparamétert használjuk a laborgyakorlat során az SVM-ek tanításánál?<br />
;Milyen célból használunk keresztkiértékelést (cross validation) az osztályozós SVM tanítása során?<br />
;Mit jelöl a "C" hiperparaméter?<br />
;Mit jelöl a "sigma" hiperparaméter?<br />
;Mit jelöl az "epsilon" hiperparaméter és mikor van rá szükség?<br />
;Mi az epsilon-érzéketlenségi sávval rendelkező abszolútérték függvény képlete, és hol használjuk?<br />
;Milyen ágensek szerepelnek a laborgyakorlat regressziós feladatrészében, és hogyan működnek együtt?<br />
TeacherAgent akik a sinc (x) = sin(x) x függvényt paraméterezhetően megadható zajjal tudják mintavételezni.<br /><br />
StudentAgent akik a tanár ágens(ek)től kérdezik le a függvény értékeit és ez alapján (ha elegendő információ összegyűlt), approximálják a függvényt.<br />
<br />
;Milyen indítási paramétereket vár a TeacherAgent ágens?<br />
A TeacherAgent indításkor egy paramétert (egy valós számot) vár, ami arányos a sinc(x)-re adott Gauss zaj mértékével (0 a zajmentes eset, míg a 0.3 érték már egy elég zajos mintát eredményez). Itt tulajdonképpen azt lehet megadni, hogy az egyes tanárok mennyire pontosan, illetve pontatlanul ismerik a megtanulandó függvényt.<br />
<br />
;Milyen indítási paramétereket vár a StudentAgent ágens?<br />
A StudentAgent egyetlen indítási paramétere a tanuláshoz szükséges minták/mintapontok száma,<br />
azaz hogy hányszor, hány helyen fogja a diák lekérdezni a tanárok által ismert függvényt.<br />
<br />
;Hogyan választhat a diák ágens több tanár közül?<br />
Kevésbé realisztikus megoldás: a StudentAgent ágens a sinc(x) függvényt 20<br />
pontban ismerheti (pl. [-10,10] tartomány egész pontjain) és ennek fényében választja<br />
ki a legjobb tanárt. Itt a legegyszerűbb, ha az ismert pontokban lekérdezi az egyes<br />
tanítókat (többször is, hiszen a random zajnak csak a szórását állítottuk be), és azt<br />
választja, amelyik a legpontosabb válaszokat adja.<br />
<br /><br /><br />
Realisztikusabb megoldás: a StudentAgent ágens ugyanazon pontban többször is<br />
lekérdezi ugyanazon tanítót, és ennek alapján számítja ki a zaj szórását. Ezt minden<br />
tanítóval megismételve kiválasztható a legpontosabban válaszoló, „legmagabiztosabb”<br />
tanító. Megj. : feltételezzük, hogy a tanítók helyesen tudják a megtanulandó függvényt.<br />
<br />
;A laborgyakorlat osztályozós részében kétféle osztályozást végzünk. Melyik ez a kettő?<br />
;Milyen ágensek szerepelnek a laborgyakorlat osztályozós feladatrészében, és hogyan működnek együtt?<br />
A WebcamAgent egy vektorizált képet küld az osztályozó ClassifierAgent ágensnek, amely ennek alapján tanul, és osztályozza a kapott mintákat.<br />
<br />
;Mik a WebcamAgent és ClassifierAgent ágensek indítási paraméterei?<br />
;Milyen formában adottak a problémát leíró mintapontok (a képek és a hozzájuk tartozó osztály-azonosítók) a laborgyakorlat osztályozós részénél?<br />
;A laborgyakorlat mindkét osztályozós részfeladatában (+/- és boldog/szomorú smiley) 0-tól 3-ig számozottak a mintapontok. Miért?<br />
<br />
[[Kategória:Mérnök informatikus]]<br />
[[Kategória:Autonóm intelligens rendszerek szakirány]]</div>Szabó Bence