\documentclass[13pt]{extarticle}
\usepackage[utf8]{inputenc}
\usepackage{amsmath}
\usepackage{geometry}
\usepackage{graphicx,float}
\usepackage{comment}
\usepackage{graphicx}
 \geometry{
 a4paper,
 total={170mm,257mm},
 left=10mm,
 right = 10 mm,
 top=5mm,
 bottom = 20mm,
 }
\setlength{\arrayrulewidth}{1mm}
\setlength{\tabcolsep}{18pt}
\renewcommand{\arraystretch}{1.5}

\title{VIR otazky}
\author{Moroz Artem}
\date{08.11.2021}

\begin{document}

\maketitle


\section{Otazka 1}

\textbf{Vysvětlit principiální rozdíl mezi Gradient Descent a Stochastic Gradient Descent.}


Gradientní metoda předpokládá použití celého datasetu, což je obvykle obrovské množství dat a je tato metoda časové a výpočetně náročná.

Stochastická gradientní metoda používá jenom relativně malé podmnožiny datasetu. Ve výsledku jsou gradienty zašuměné, protože tvar ztrátové funkce je pozměněný vůči obyčejné Gradientní metodě.
Výpočetně a časově je mnohem méně náročná.

\section{Otazka 2}
\textbf{Hlavní nevýhody použití sigmoidy jako aktivační funkce? }


V širším rozsahu svého definičního oboru je sigmoida relativně plochá funkce, což vede obvykle na hodně malé hodnoty gradientů

\section{Otazka 3}
\textbf{Napsat vztah pro accuracy modelu a jeho souvislost s hodnotou loss.}

accuracy = $\frac{TP + TN}{TP + TN + FP + FN}$

loss = 1 - accuracy
\end{document}
