বায়েসিয়ান ডিপ লার্নিং কুইজ

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

1. কিভাবে একটি Bayesian নিউরাল নেটওয়ার্ক তার ওজন একটি আদর্শ এক থেকে ভিন্নভাবে আচরণ করে?
   • এটি প্রতিটি ওজনকে একটি নির্দিষ্ট মানের পরিবর্তে একটি সম্ভাব্যতা বন্টন হিসাবে বিবেচনা করে
   • এটি দশমিকের পরিবর্তে পূর্ণসংখ্যা ওজন ব্যবহার করে
   • এটি ওজন সম্পূর্ণরূপে অপসারণ করে
   • এটি সমস্ত স্তর জুড়ে একটি ওজন ভাগ করে
2. What can a Bayesian approach provide that a single fixed-weight network does not directly represent?
   • A guarantee that every confidence score is calibrated
   • A distribution of predictions that reflects uncertainty about model weights
   • A proof that the model will detect every unfamiliar input
   • A way to remove all noise from the data
3. How can epistemic uncertainty change as relevant, representative training data are added?
   • It is guaranteed to reach zero with any added data
   • It is identical to label noise
   • It may decrease under the chosen model and data assumptions
   • It always increases linearly
4. প্রকরণগত অনুমান বা MCMC এর মতো অনুমান কেন প্রয়োজন?
   • কারণ নিউরাল নেটওয়ার্কের কোনো লস ফাংশন নেই
   • কারণ GPU যোগ করতে পারে না
   • কারণ ওজন অবশ্যই পূর্ণসংখ্যা হতে হবে
   • কারণ লক্ষ লক্ষ ওজনের সঠিক পশ্চাৎভাগ গণনাগতভাবে জটিল
5. অনিশ্চয়তা অনুমান করতে মন্টে কার্লো ড্রপআউট কি করে?
   • পরীক্ষার সময় ড্রপআউট সক্রিয় রাখে এবং আউটপুট ছড়িয়ে দিয়ে নেটওয়ার্ক অনেকবার চালায়
   • ড্রপআউট বন্ধ করে এবং দীর্ঘক্ষণ ট্রেন চালায়
   • স্থায়ীভাবে সব নিউরন অপসারণ
   • এলোমেলো শব্দ দিয়ে ক্ষতি প্রতিস্থাপন করে
6. প্রকরণগত অনুমান কোন ধরনের সমস্যা হিসাবে পোস্টেরিয়র অনুমানকে রিফ্রেম করে?
   • একটি বাছাই সমস্যা
   • একটি অপ্টিমাইজেশান সমস্যা যা কেএল ডাইভারজেন্স কমিয়ে দেয় (ELBO এর মাধ্যমে)
   • কোন উদ্দেশ্য ছাড়া একটি বিশুদ্ধ র্যান্ডম নমুনা সমস্যা
   • একটি হার্ডওয়্যার ডিজাইন সমস্যা
7. How does Bayes’ rule relate a prior, likelihood, and posterior?
   • The posterior is the prior plus the likelihood, without normalization
   • It is the likelihood divided by the prior without normalization
   • The posterior is proportional to the prior times the likelihood
   • It is the fixed point estimate of the most likely weight vector
8. How does MCMC approximate a Bayesian neural-network posterior?
   • By training a single point estimate with dropout disabled
   • By ranking model outputs with a fixed rule
   • By minimizing an ELBO with a simpler variational family
   • By drawing samples through a Markov chain whose stationary distribution targets the posterior