গাইড লিঙ্ক ক্যুইজ · কঠিন স্তর
গাউসিয়ান প্রসেস কুইজ
জিপি ফাংশন ডিস্ট্রিবিউশন, কার্নেল, পোস্টেরিয়র অনিশ্চয়তা, কিউবিক স্কেলিং, হাইপারপ্যারামিটার টিউনিং এবং বায়েসিয়ান অপ্টিমাইজেশান চেক করে।
প্রশ্ন 1 এর 8
একটি গাউসিয়ান প্রক্রিয়া কিসের উপর একটি সম্ভাব্যতা বন্টন সংজ্ঞায়িত করে?
প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন
আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।
- একটি গাউসিয়ান প্রক্রিয়া কিসের উপর একটি সম্ভাব্যতা বন্টন সংজ্ঞায়িত করে?
- ফাংশন
- শুধুমাত্র ব্যক্তিগত ডেটা পয়েন্ট
- বিচ্ছিন্ন শ্রেণীর লেবেল
- নিউরাল নেটওয়ার্ক ওজন
- 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
- একটি জিপিতে কার্নেল (কোভারিয়েন্স ফাংশন) কী ভূমিকা পালন করে?
- এটি প্রশিক্ষণের ডেটা লেবেল করে
- এটি প্রশিক্ষণের ডেটার প্রয়োজনীয়তাকে সরিয়ে দেয়
- এটি কাছাকাছি ইনপুটগুলির জন্য অনুরূপ আউটপুটগুলিকে এনকোড করে৷
- এটি শেখার হার নির্ধারণ করে
- কেন স্ট্যান্ডার্ড গাউসিয়ান প্রক্রিয়াগুলি খুব বড় ডেটাসেটের সাথে লড়াই করে?
- তারা অরৈখিক ফাংশন প্রতিনিধিত্ব করতে পারে না
- তাদের লেবেলযুক্ত ক্লাস প্রয়োজন
- তারা প্রশিক্ষণের তথ্য সম্পূর্ণরূপে উপেক্ষা করে
- কার্নেল ম্যাট্রিক্সকে উল্টাতে প্রায় এন-কিউবড সময় লাগে
- কিভাবে জিপি হাইপারপ্যারামিটার যেমন দৈর্ঘ্য স্কেল সাধারণত নির্বাচিত হয়?
- প্রান্তিক সম্ভাবনা সর্বাধিক দ্বারা
- এলোমেলো অনুমান দ্বারা
- ডাটা পয়েন্ট সংখ্যা কম করে
- তারা সবসময় স্থির এবং সুর করা হয় না
- কোন জনপ্রিয় কৌশলে গাউসিয়ান প্রসেস একটি মূল উপাদান?
- কনভোল্যুশনাল ইমেজ শ্রেণীবিভাগ
- হাইপারপ্যারামিটার টিউনিংয়ের জন্য বায়েসিয়ান অপ্টিমাইজেশান
- পাঠ্যের টোকেনাইজেশন
- গভীর নেটওয়ার্কের মাধ্যমে ব্যাকপ্রপাগেশন
- 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
- 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