Was ist ein Convolutional Neural Network?
Ein neuronales Netz das Faltungen verwendet um lokale Muster in Daten wie Bildern zu erkennen.
Warum sind CNNs besonders gut für Bilder geeignet?
Weil sie lokale räumliche Strukturen und Nachbarschaften von Pixeln nutzen.
Was ist eine Convolution?
Eine Operation bei der ein Filter über ein Bild gleitet und lokale Muster berechnet.
Was ist ein Filter oder Kernel in CNNs?
Eine kleine Gewichtsmatrix die über das Bild bewegt wird um bestimmte Features zu erkennen.
Was erkennt ein CNN in frühen Layern?
Einfache Muster wie Kanten oder Texturen.
Was erkennen tiefere CNN Layer?
Komplexe Strukturen wie Formen oder Objekte.
Was ist Feature Map?
Die Ausgabe einer Convolution die zeigt wo ein bestimmtes Feature im Bild vorkommt.
Was ist Stride?
Die Schrittweite mit der ein Filter über das Bild bewegt wird.
Was bewirkt ein größerer Stride?
Das Bild wird schneller reduziert und die Feature Map wird kleiner.
Was ist Padding?
Das Hinzufügen von Pixeln am Rand eines Bildes um die Größe nach der Convolution zu kontrollieren.
Warum verwendet man Padding?
Damit Randinformationen nicht verloren gehen und Feature Maps gleich groß bleiben können.
Was ist Pooling?
Eine Operation die die räumliche Größe der Feature Maps reduziert.
Was ist Max Pooling?
Eine Pooling Methode die den größten Wert in einem Fenster auswählt.
Warum verwendet man Pooling?
Um Rechenaufwand zu reduzieren und Translationstoleranz zu erhöhen.
Was ist eine Feature Hierarchie in CNNs?
Ein Prozess bei dem einfache Features zu komplexeren kombiniert werden.
Was ist Parameter Sharing?
Die Verwendung desselben Filters über das ganze Bild.
Warum ist Parameter Sharing wichtig?
Es reduziert die Anzahl der Parameter stark.
Was ist ein Fully Connected Layer in CNNs?
Ein klassischer Dense Layer der am Ende Features für die Klassifikation kombiniert.
Warum wird Flatten vor Fully Connected verwendet?
Um die Feature Maps in einen Vektor umzuwandeln.
Was ist ReLU in CNNs?
Eine Aktivierungsfunktion die negative Werte auf Null setzt.
Warum verwendet man ReLU in CNNs?
Weil sie das Training stabilisiert und Vanishing Gradients reduziert.
Was ist ein typischer Aufbau eines CNN?
Convolution Activation Pooling wiederholt gefolgt von Fully Connected Layers.
Was ist Data Augmentation?
Das künstliche Vergrößern des Trainingsdatensatzes durch Transformationen von Bildern.
Warum hilft Data Augmentation?
Es verbessert Generalisierung und reduziert Overfitting.
-
Explainable AI13
-
ML Basics5
-
MLP - Multilayer Perceptron87
-
K-Means10
-
MINE - network5
-
GAN17
-
ResNet5
-
Foundations11
-
Learning to Rank (LTR)12
-
Verlustfunktion22
-
Vokabular4
-
Batch Normalisierung13
-
Aktivierungsfunktionen9
-
A Recipe for Training Neural Networks15
-
Optimizers13
-
Pitfalls5
-
Regularisierung14
-
Prüfungsfragen5
-
Formeln10
-
Attention26
-
BERT26
-
CNN26
-
MicroGrad24
-
NLP Text Preprocessing20
-
NLP Document representation und Querying20
-
NLP Word Embeddings20
-
Language Modelling und Sntiment Analysis20
-
NLP Transformers Decoders20
-
NLP Transformers Encoders20
