مسابقة زيادة البيانات

تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.

1. ما هو الغرض الأساسي من زيادة البيانات؟
   • لتوسيع وتنويع بيانات التدريب بحيث يتم تعميم النماذج بشكل أفضل
   • لتسريع الاستدلال على نموذج مدرب
   • لضغط حجم مجموعة البيانات الموجودة على القرص
   • لتسمية الأمثلة غير المسماة تلقائيًا
2. أي مما يلي يعد من الأساليب الشائعة لتكبير الصورة؟
   • نزول متدرج
   • التقليب الأفقي العشوائي
   • الترميز
   • التسرب
3. ماذا تفعل الترجمة الخلفية في تكبير النص؟
   • يعكس ترتيب الكلمات في الجملة
   • إزالة جميع كلمات التوقف من النص
   • يترجم النص إلى لغة أخرى ويعيده لإنشاء إعادة صياغة
   • تحويل النص إلى تضمينات رقمية
4. لماذا يجب أن تكون التعزيزات "محافظة على التسمية"؟
   • للحفاظ على حجم ملف مجموعة البيانات ثابتًا
   • لجعل التدريب يسير بشكل أسرع
   • لأن النماذج لا تستطيع قراءة التسميات بطريقة أخرى
   • لأن تغيير التسمية من شأنه أن يعلم النموذج ارتباطات خاطئة
5. ماذا تفعل تقنية الخلط؟
   • يدمج مثالين ومسمياتهما في عينة تدريبية واحدة
   • أقنعة منطقة مستطيلة من الصورة
   • يبحث عن أفضل سياسة التعزيز تلقائيا
   • يضيف ضوضاء عشوائية إلى أوزان النموذج
6. متى تكون زيادة البيانات ذات قيمة خاصة؟
   • عندما يكون لديك بالفعل بيانات مصنفة غير محدودة
   • عندما تكون البيانات المصنفة نادرة ويكون جمع المزيد أمرًا صعبًا
   • فقط عندما يتم تدريب النموذج بشكل كامل
   • فقط لبيانات جدول البيانات
7. What does CutMix do to an image and its training label?
   • It adds a random word to a sentence without changing the label
   • It swaps only class names in the dataset
   • It replaces a patch with a patch from another image and mixes labels by the replaced area
   • It blurs every input and keeps a single label unchanged
8. How does AutoAugment select augmentation policies in its original paper?
   • It chooses transformations from a fixed human-written list without evaluation
   • It uses test labels to relabel training images
   • It selects operations from inference-time confidence only
   • It searches for policies using validation performance as a reward signal