مسابقة العمليات الغوسية

تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.

1. تحدد العملية الغوسية التوزيع الاحتمالي على ماذا؟
   • وظائف
   • نقاط البيانات الفردية فقط
   • تسميات فئة منفصلة
   • أوزان الشبكة العصبية
2. Beyond a point estimate, what does a Gaussian Process return under its chosen kernel and noise assumptions?
   • Only an exact parameter vector
   • A posterior predictive distribution with an uncertainty estimate
   • A guaranteed calibrated interval under any model mismatch
   • A deterministic label with no variance
3. ما هو الدور الذي تلعبه النواة (وظيفة التغاير) في GP؟
   • يقوم بتسمية بيانات التدريب
   • يلغي الحاجة إلى بيانات التدريب
   • فهو يرمز إلى مدى تشابه المخرجات مع المدخلات القريبة
   • يحدد معدل التعلم
4. لماذا تواجه العمليات الغوسية القياسية صعوبة في التعامل مع مجموعات البيانات الكبيرة جدًا؟
   • لا يمكنهم تمثيل وظائف غير خطية
   • أنها تتطلب فئات مصنفة
   • إنهم يتجاهلون بيانات التدريب تمامًا
   • إن عكس مصفوفة النواة يكلف حوالي n-cubed time
5. كيف يتم عادةً اختيار معلمات GP الفائقة مثل مقياس الطول؟
   • عن طريق تعظيم الاحتمال الهامشي
   • عن طريق التخمين العشوائي
   • عن طريق تقليل عدد نقاط البيانات
   • فهي ثابتة دائمًا ولا يتم ضبطها أبدًا
6. في أي تقنية شائعة تعد العمليات الغوسية مكونًا أساسيًا؟
   • تصنيف الصور التلافيفية
   • تحسين بايزي لضبط المعلمة الفائقة
   • ترميز النص
   • الانتشار العكسي عبر الشبكات العميقة
7. Which kernel is described in the guide as smoother than the Matérn alternative?
   • A unigram frequency kernel
   • A transition-probability kernel
   • The RBF (squared exponential) kernel
   • The Viterbi kernel
8. Why can a GP’s predictive uncertainty widen far from training observations?
   • The model adds more observed labels automatically
   • The mean function becomes a neural network
   • The kernel matrix becomes smaller than zero
   • There is less nearby data constraining the function under the selected covariance assumptions