Υπολογιστική Νοημοσύνη — Απρίλιος 2024¶
Μεταγραφή από τη φωτογραφία 2024-04-18_10.35.46_.png.
2024-04-18_10.35.46_.png¶
γ) Ποια συνάρτηση ενεργοποίησης θα χρησιμοποιήσετε για το επίπεδο εξόδου; Σιγμοειδή, γραμμική, Softmax ή κάποια άλλη; Είναι προφανές ότι η συνάρτηση ενεργοποίησης στο επίπεδο εξόδου θα πρέπει να είναι σε θέση να παράξει τιμές στο διαθέσιμο εύρος χρονολογιών – ενδεχομένως με κάποιο μετασχηματισμό (βλ. και Α1-β). [5]
Λύσεις (⚪ AI, μη επαληθευμένο)
Κατάσταση: ⚪ AI, μη επαληθευμένο Πηγή: λύσεις AI (deepseek-flash, gemini-3.7-flash), ανεξάρτητη επανάληψη και αντιπαραβολή· καμία δεν έχει ελεγχθεί από άνθρωπο
Προσοχή
Λύση από AI — ελέγξτε την· δεν έχει επαληθευτεί από άνθρωπο. Η ένδειξη «δύο λύσεις συμφωνούν» δεν σημαίνει ότι η απάντηση είναι σωστή.
AI λύσεις — 2024-04¶
Οι λύσεις γράφτηκαν από μοντέλα AI και δεν έχουν ελεγχθεί από άνθρωπο. Η αρίθμηση ακολουθεί το αρχείο θεμάτων.
Θέμα Α1 (ερώτηση γ)¶
Αξιοπιστία: δύο ανεξάρτητες λύσεις συμφωνούν · εμπιστοσύνη λύτη: μέτρια
Θα χρησιμοποιούσα γραμμική συνάρτηση ενεργοποίησης στην έξοδο, \( \hat{y}=W h+b \), αφού το ζητούμενο είναι παλινδρόμηση σε χρονολογικές τιμές και όχι κατηγορική ταξινόμηση. Για να προσαρμοστεί το εύρος εξόδου στις διαθέσιμες χρονολογίες, κανονικοποιούμε/τυποποιούμε τους στόχους κατά την εκπαίδευση (π.χ. min-max στο \([0,1]\) ή \([-1,1]\)) και εφαρμόζουμε τον αντίστροφο μετασχηματισμό στην έξοδο. Η Softmax δεν ενδείκνυται παρά μόνο αν οι χρονολογίες αντιμετωπίζονται ως διακριτές κλάσεις· η σιγμοειδής θα περιόριζε την έξοδο στο \((0,1)\) και θα απαιτούσε οπωσδήποτε κατάλληλο affine μετασχηματισμό/κλιμάκωση.