Kvíz spojený s průvodcem · Střední úroveň

Kvíz o vkládání

Prozkoumejte vloženou geometrii a kosinusovou podobnost s vektorovými analogiemi, přibližným vyhledáváním, naučeným zkreslením a normalizovanými výpočty vzdálenosti.

Související vodicí cestyVložení
Otázka 1 z 8

What is an embedding in the numerical representation sense used here?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. What is an embedding in the numerical representation sense used here?
    • A dictionary definition that must be stored verbatim
    • A required compression format for image files
    • A vector representing an item for a model or comparison task
    • An exact database row identifier only
  2. What can closeness in a trained semantic embedding space indicate?
    • Similarity learned under that model’s objective
    • A guarantee that two statements are equally true
    • An identical byte sequence in every case
    • A universal relation independent of training
  3. Která metrika se běžně používá k porovnání dvou vložení?
    • Rozdíl ve velikosti souboru
    • Abecední řazení
    • Počet slov
    • Kosinusová podobnost
  4. What tradeoff can an approximate embedding index such as HNSW introduce?
    • A guarantee of complete exact retrieval in every configuration
    • Faster search with possible missed exact nearest neighbors
    • A required change of every vector to a word definition
    • Automatic removal of all training-data bias
  5. Co ukazuje klasický příklad „král – muž + žena ≈ královna“ o vkládání?
    • Mohou zachytit vztahy pomocí vektorové aritmetiky
    • Ukládají přesné definice slov
    • Fungují pouze za licenčních podmínek
    • Jsou náhodné a nesmyslné
  6. Co je skutečné riziko při použití vložení?
    • Nelze je uložit do databáze
    • Pracují pouze v angličtině
    • Mohou zdědit a odrážet předsudky přítomné v jejich tréninkových datech
    • Vytvářejí všechna vyhledávání pouze s přesnou shodou
  7. Two unit-length embedding vectors have dot product 0.8. What is their squared Euclidean distance?
    • 0.2
    • 0,4
    • 0.8
    • 1.6
  8. When does an inner-product score equal cosine similarity for two nonzero embedding vectors?
    • Whenever their dimensions are equal
    • Whenever they came from two unrelated model families
    • Only when their coordinates are all zero
    • When both vectors have been normalized to unit length