Optimizasyon Ustaları: Gradyan ve Backpropagation Bilgi Yarışması

Soru 1

Gradyan inişi (Gradient Descent) algoritmasında 'learning rate' parametresinin çok büyük seçilmesinin temel sonucu nedir?

A Global minimuma ulaşmanın imkansız hale gelmesi ve osilasyonlar

B Modelin aşırı öğrenmesi (overfitting)

C Kaybolan gradyan (vanishing gradient) sorununun oluşması

D Veri setinin yetersiz kalması

Soru 2

Backpropagation algoritması temel olarak hangi matematiksel kurala dayanır?

A Taylor Serisi Açılımı

B Zincir Kuralı (Chain Rule)

C L'Hôpital Kuralı

D Kramer Kuralı

Soru 3

Stochastic Gradient Descent (SGD) yönteminin standart Gradient Descent'e göre temel avantajı nedir?

A Daha kararlı bir yakınsama sağlaması

B Her iterasyonda tüm veri setini kullanması

C Hesaplama maliyetinin düşük olması ve yerel minimumlardan kaçabilme potansiyeli

D Hata fonksiyonunun her zaman konveks olmasını garanti etmesi

Soru 4

Backpropagation sırasında 'Vanishing Gradient' problemi genellikle hangi aktivasyon fonksiyonu ile daha sık yaşanır?

A Sigmoid

B ReLU

C Leaky ReLU

D Maxout

Soru 5

Momentum tabanlı gradyan inişi algoritmasının temel amacı nedir?

A Öğrenme oranını her adımda otomatik artırmak

B Geçmiş gradyanların ağırlıklı ortalamasını kullanarak daha hızlı ve kararlı yakınsama sağlamak

C Ağırlıkları rastgele sıfırlayarak yerel minimumlardan çıkmak

D Backpropagation işlemini hızlandırmak için paralel hesaplama yapmak

📋 Bu yarışmada toplam 12 soru bulunmaktadır.

Tüm soruları ve doğru yanıtları görmek için giriş yapın!

Sorular