Neurale netværk og deep learning

Kommunikation og IT A · HTX · A-niveau · AI og maskinlæring

💻 Neurale netværk

Inspireret af hjernen: neuroner forbundet i lag.

Arkitektur:

• Input Layer → Hidden Layer(s) → Output Layer
• [billede-pixels] → [features] → [kat/hund]

Aktivationsfunktioner: tilføjer ikke-linearitet

• ReLU: f(x) = max(0, x) — mest brugt i skjulte lag
• Sigmoid: f(x) = 1/(1+e^-x) — output 0-1 (binær klassifikation)
• Softmax: sandsynligheder der summerer til 1 (multi-klasse)

Backpropagation: beregn gradient af tab-funktion → opdatér vægte.

Deep Learning = neurale netværk med mange lag.

CNN (Convolutional Neural Network): specialiseret til billeder.

RNN/LSTM: specialiseret til sekvenser (tekst, tidsserier).

TensorFlow/Keras eksempel:

```python

from tensorflow import keras

model = keras.Sequential([

keras.layers.Dense(128, activation="relu", input_shape=(784,)),

keras.layers.Dense(64, activation="relu"),

keras.layers.Dense(10, activation="softmax")

])

model.compile(optimizer="adam", loss="sparse_categorical_crossentropy")

```

GPU-krav: store modeller kræver GPU til træning.

Læringsmål

• Beskrive arkitekturen i et neuralt netværk (lag, neuroner, vægte)
• Forklare backpropagation konceptuelt
• Bygge og træne et simpelt netværk i Keras
• Skelne CNN, RNN og dense netværk og deres use cases

Sådan kan du arbejde med emnet

• Tegn et simpelt neuralt netværk med et input-, et skjult og et output-lag
• Forklar hvad en aktiveringsfunktion gør
• Diskutér hvorfor deep learning kræver store mængder data og regnekraft

Træningsforslag

• Byg en MNIST-håndskrift-klassifikator (99%+ nøjagtighed er muligt)
• Brug Google Colab (gratis GPU) til at træne et neuralt netværk
• Visualisér hvad et CNN ser i hvert lag med feature maps