শব্দ এমবেডিং কুইজ

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

1. How does a learned word embedding represent a word for numerical comparison?
   • As a plain-text dictionary entry only
   • As a vector of learned numerical features
   • As a complete recorded pronunciation only
   • As a manually assigned grammar rule
2. word2vec-এর মতো মডেলগুলি কীভাবে একটি শব্দের অর্থ শিখবে?
   • একটি অভিধান থেকে হাতে লেখা সংজ্ঞা পড়ার মাধ্যমে
   • প্রতিটি শব্দে অক্ষর গণনা করে
   • কোনটি পর্যবেক্ষণ করে অন্যান্য শব্দগুলি পাঠ্যের বড় পরিমাণে এটির কাছাকাছি উপস্থিত হতে থাকে
   • মানব রেটারকে প্রতিটি শব্দ স্কোর করতে বলে
3. What does the classic king-minus-man-plus-woman vector example illustrate?
   • Some learned representations capture relationships through vector offsets
   • Every word relation obeys an exact arithmetic law
   • Vector arithmetic verifies every factual statement
   • The vector stores a word's exact spelling only
4. Word2vec/GloVe এম্বেডিং এবং আধুনিক ট্রান্সফরমার মডেলের মধ্যে এমবেডিংয়ের মধ্যে প্রধান পার্থক্য কী?
   • ট্রান্সফরমার কোনো সংখ্যা ব্যবহার করে না
   • গ্লোভ শুধুমাত্র ছবিতে কাজ করে
   • আধুনিক মডেল অর্থ উপস্থাপন করতে পারে না
   • Word2vec প্রতি শব্দে একটি নির্দিষ্ট ভেক্টর দেয়, যখন ট্রান্সফরমারগুলি প্রসঙ্গ-নির্ভর ভেক্টর তৈরি করে
5. কোন কাজটি সরাসরি এম্বেডিং ভেক্টরের তুলনা করার উপর নির্ভর করে?
   • একটি নথিতে মোট শব্দ সংখ্যা গণনা
   • টেক্সটকে বড় হাতের অক্ষরে রূপান্তর করা হচ্ছে
   • শব্দার্থিক অনুসন্ধান যা একটি প্রশ্নের অনুরূপ অর্থ সহ নথি খুঁজে পায়
   • ডিস্কে একটি ফাইলের আকার পরীক্ষা করা হচ্ছে
6. Which scale of dimensionality is found in common released classic word-vector configurations?
   • Exactly one coordinate for every model
   • Tens or hundreds of learned coordinates per word
   • Exactly two coordinates in all word2vec models
   • At least ten million coordinates per word by definition
7. In a toy word-vector comparison, what is the cosine similarity of the nonzero vectors one-zero and zero-one?
   • এক
   • Minus one
   • দুই
   • শূন্য
8. What should the first coordinate of an arbitrary learned word embedding be assumed to mean?
   • A learned feature without a universal predetermined linguistic label
   • The word's character count in every model
   • A fixed sentiment score in every dataset
   • The document's factual reliability by definition