Тест, свързан с ръководство · трудно Ниво

Тест за процесите на Гаус

Проверява разпределенията на GP функцията, ядрата, задната несигурност, кубичното мащабиране, настройката на хиперпараметъра и байесовото оптимизиране.

Свързани ръководни пътекиГаусови процеси
Въпрос 1 на 8

Процесът на Гаус определя вероятностно разпределение върху какво?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Процесът на Гаус определя вероятностно разпределение върху какво?
    • Функции
    • Само отделни точки от данни
    • Етикети на дискретни класове
    • Тегла на невронни мрежи
  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. Каква роля играе ядрото (ковариационна функция) в GP?
    • Той обозначава данните за обучението
    • Премахва необходимостта от данни за обучение
    • Той кодира колко подобни изходи са за близките входове
    • Той определя скоростта на обучение
  4. Защо стандартните гаусови процеси се борят с много големи набори от данни?
    • Те не могат да представят нелинейни функции
    • Те изискват етикетирани класове
    • Те пренебрегват изцяло данните за обучението
    • Обръщането на матрицата на ядрото струва около n-кубично време
  5. Как обикновено се избират хиперпараметрите на GP, като скалата на дължината?
    • Чрез максимизиране на пределната вероятност
    • Чрез произволно отгатване
    • Чрез минимизиране на броя на точките от данни
    • Те винаги са фиксирани и никога не са настройвани
  6. В коя популярна техника процесите на Гаус са основен компонент?
    • Конволюционна класификация на изображения
    • Байесова оптимизация за настройка на хиперпараметър
    • Токенизиране на текст
    • Обратно разпространение чрез дълбоки мрежи
  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