Kvíz spojený s průvodcem · Těžko úroveň

Gaussovské procesy kvíz

Kontroluje rozdělení funkcí GP, jádra, zadní nejistotu, kubické škálování, ladění hyperparametrů a bayesovskou optimalizaci.

Související vodicí cestyGaussovy procesy
Otázka 1 z 8

Gaussův proces definuje rozdělení pravděpodobnosti nad čím?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Gaussův proces definuje rozdělení pravděpodobnosti nad čím?
    • Funkce
    • Pouze jednotlivé datové body
    • Samostatné štítky tříd
    • Váhy neuronové sítě
  2. 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
  3. 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
  4. 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
  5. 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
  6. Ve které populární technice jsou gaussovské procesy hlavní součástí?
    • Konvoluční klasifikace obrázků
    • Bayesovská optimalizace pro ladění hyperparametrů
    • Tokenizace textu
    • Backpropagation prostřednictvím hlubokých sítí
  7. 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
  8. 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