Kvíz spojený s průvodcem · Střední úroveň

FastText kvíz vkládání podslov

Prozkoumejte n-gramy znaků FastTextu, hašované skupiny funkcí, podporu mimo slovní zásobu, morfologii a rychlou klasifikaci textu pod dohledem.

Související vodicí cestyFasttext Subword Embedding
Otázka 1 z 8

Jak FastText představuje jedno slovo?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Jak FastText představuje jedno slovo?
    • Jako pytel znaků n-gramů sečtených dohromady
    • Pouze jako jeden nedělitelný token
    • Jako jeho definice ze slovníku
    • Jako náhodný vektor
  2. Jaké hlavní omezení Word2Vec a GloVe FastText překonává?
    • Běží příliš rychle
    • Nedokážou vytvořit vektory pro slova mimo slovní zásobu
    • Ignorují interpunkci
    • Pracují pouze v angličtině
  3. Pro slovo „kde“ s n-gramy o 3 znacích, které je platným n-gramem (s hraničními značkami)?
    • <kam>pouze
    • xyz
    • kdy
    • a
  4. Na jakém základním cíli školení staví model vkládání FastTextu?
    • Faktorizace matice GloVe
    • Překlad na úrovni vět
    • Ztráta klasifikace obrazu
    • Skip-Gram s negativním vzorkováním
  5. Proč je FastText zvláště užitečný pro jazyky jako finština nebo turečtina?
    • Jsou morfologicky bohaté s mnoha přechylovanými tvary slov, které sdílejí podslova
    • Mají velmi málo slov
    • Nevyužívají žádné prostory
    • Nemají žádná vzácná slova
  6. Which separate method did Sennrich and colleagues describe for representing rare words in neural machine translation?
    • Byte-pair encoding as subword units
    • FastText’s hashed character n-gram bucket table
    • A full-word-only vocabulary that discards rare tokens
    • GloVe’s global co-occurrence matrix
  7. How does FastText store learnable features for its character n-grams?
    • It stores every complete sentence as a separate vector
    • It assigns each n-gram a pixel grid in a convolutional decoder
    • It hashes n-grams into a fixed-size bucket table with learned vectors
    • It replaces all subword features with a hand-written dictionary
  8. What can fastText's supervised mode do efficiently with its bag-of-features model?
    • Estimate the 3D shape of an object from a single image
    • Generate new audio waveforms from a spectrogram
    • Compute a global word-word co-occurrence matrix only
    • Classify text for tasks such as language identification or tagging