パーセプトロン – LTU

パーセプトロンの説明として正しいものを選択肢から選んでください．

[選択肢]
1. パーセプトロンの基礎である LTU では、重みと入力の加重総和に対してステップ関数を適用することで、最終的な値を出力する．
2. パーセプトロンの理論が生まれたの 2000 年代の序盤頃であり、その登場して以来、瞬く間に Deep Learning の理論へと発展いく
3. パーセプトロンでは、2 値分類しか行えない．
4. パーセプトロンの基礎である LTU を単体で用いて、排他的論理和を得ことができる．

パーセプトロン – LTU

パーセプトロンを説明している以下の文で空欄に入る適切な単語を選択肢から選んでください．

パーセプトロンは ( Q1 ___ ) と呼ばれる人口ニューロンを基礎としており個々の入力の接続部に ( Q2 ___ ) が与えられる．

[Q1の選択肢]
1. 樹状突起
2. SGD
3. 基礎ノード
4. LTU

[Q2の選択肢]
1. 学習率
2. 重み
3. 目的変数
4. 活性化関数

パーセプトロン – LTU

パーセプトロンを説明している以下の文で空欄に入る適切な単語を選択肢から選んでください．

パーセプトロンは ( Q1 ___ ) と呼ばれる人口ニューロンを基礎としており個々の入力の接続部に ( Q2 ___ ) が与えられる．

[Q1の選択肢]
1. LTU
2. 初期カーネル
3. 基礎ノード
4. 樹状突起

[Q2の選択肢]
1. 特徴量
2. 重み
3. 活性化関数
4. 学習率

LLE – 最近傍インスタンス

LLE を説明している以下の文で空欄に入る適切な単語を選択肢 1 ~ 3 からそれぞれ選んでください．

LLE は非常に強力な ( Q1 ___ ) のテクニックで、PCA のように ( Q2 ___ )に依存しない多様体学習テクニックである．

[Q1の選択肢]
1. 線減高次元圧縮
2. 形次元削
3. 非線形次元削減

[Q2の選択肢]
1. ランダムサーチ
2. 特徴量
3. 射影

入力 / 出力層

パーセプトロの入力層、出力層を説明している以下の文で空欄に入る適切な単語を選択肢 1 ~ 4 からそれぞれ選んでください．

パーセプトロンの入力層は ( Q1 ___ ) からなり、出力層は ( Q2 ___ ) からなる．

1. LTU
2. バイアスニューロンと入力ニューロン
3. 入力ニューロン
4. LTU とバイアスニューロン

パーセプトロンの構造

パーセプトロンを説明している以下の文で空欄に入る適切な単語をそれぞれ選んでください．
また、パーセプトロンのネットワーク構造として最も正しい図を 1 ~ 3 から選んでください (Q5).

LTU は、与えられた入力をそのまま出力するパススルーニューロンである ( Q1 ___ ) の出力を全て受け取る．
また同時に、常に 1 を出力する( Q2 ____ ) からの出力も受け取り、全ての入力から ( Q3 ____ ) を求める．
この値を ( Q4 ___ ) に通し最終的な出力を決定する．

[Q1,Q2の選択肢]
1. 入力ニューロン
2. 出力ニューロン
3. 活性化ニューロン
4. バイアスニューロン

[Q3の選択肢]
1. 入力全体の分散
2. 入力の期待値
3. 荷重総和

[Q4の選択肢]
1. 出力関数
2. 決定関数
3. 活性化関数

[Q5の選択肢 ( 図を選択する問題です )]
1. 2 つのニューロンからなる AND ネットワーク
2. パーセプトロン
3. 2 つのニューロンからなる or ネットワーク

パーセプトロンの構造

パーセプトロンを説明している以下の文で空欄に入る適切な単語をそれぞれ選んでください．
また、パーセプトロンのネットワーク構造として最も正しい図を 1 ~ 3 から選んでください (Q5).

LTU は、与えられた入力をそのまま出力するパススルーニューロンである ( Q1 ___ ) からの出力を全て受け取る．
また同時に、常に 1 を出力する( Q2 ____ ) からの出力も受け取り、全ての入力から ( Q3 ____ ) を求める．
この値を ( Q4 ___ ) に通し最終的な出力を決定する．

[Q1,Q2の選択肢]
1. 入力ニューロン
2. 出力ニューロン
3. 活性化ニューロン
4. バイアスニューロン

[Q3の選択肢]
1. 荷重総和
2. 入力全体の分散
3. 入力の期待値

[Q4の選択肢]
1. 活性化関数
2. 出力関数
3. 決定関数

[Q5の選択肢 ( 図を選択する問題です )]
1. 2 つのニューロンからなる AND ネットワーク
2. パーセプトロン
3. 2 つのニューロンからなる or ネットワーク

LLE – 最近傍インスタンス

LLE を説明している以下の文で空欄に入る適切な単語を選択肢 1 ~ 3 からそれぞれ選んでください．

LLE は非常に強力な ( Q1 ___ ) のテクニックで、PCA のように ( Q2 ___ )に依存しない多様体学習テクニックである．

[Q1の選択肢]
1. 線形次元削減
2. 非線形次元削減
3. 高次元圧縮

[Q2の選択肢]
1. 射影
2. 特徴量
3. ランダムサーチ

ランダム化 PCA

下記の設問に対する答えとして相応しものを選択肢から選び、次のコードの空欄（##########）を埋めてください．

追加学習型 PCA のクラスをインポートしてください．
1. from skleran.decomposition import PCA
2. from skleran.decomposition import RandomPCA
3. from skleran.decomposition import IncrementalPCA
4. from skleran.decomposition import KernelPCA