Kvíz spojený s průvodcem · Těžko úroveň
Gaussovské procesy kvíz
Kontroluje rozdělení funkcí GP, jádra, zadní nejistotu, kubické škálování, ladění hyperparametrů a bayesovskou optimalizaci.
Otázka 1 z 8
Gaussův proces definuje rozdělení pravděpodobnosti nad čím?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Gaussův proces definuje rozdělení pravděpodobnosti nad čím?
- Funkce
- Pouze jednotlivé datové body
- Samostatné štítky tříd
- Váhy neuronové sítě
- 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
- Jakou roli hraje jádro (kovarianční funkce) u praktického lékaře?
- Označuje tréninková data
- Odstraňuje potřebu tréninkových dat
- Kóduje, jak podobné jsou výstupy pro blízké vstupy
- Nastavuje rychlost učení
- Proč se standardní gaussovské procesy potýkají s velmi velkými datovými sadami?
- Nemohou reprezentovat nelineární funkce
- Vyžadují označené třídy
- Úplně ignorují tréninková data
- Inverze matice jádra stojí asi n-krychlových času
- Jak se obvykle volí hyperparametry GP, jako je délková stupnice?
- Maximalizací mezní pravděpodobnosti
- Náhodným hádáním
- Minimalizací počtu datových bodů
- Jsou vždy pevné a nikdy se neladí
- Ve které populární technice jsou gaussovské procesy hlavní součástí?
- Konvoluční klasifikace obrázků
- Bayesovská optimalizace pro ladění hyperparametrů
- Tokenizace textu
- Backpropagation prostřednictvím hlubokých sítí
- 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