Kvíz spojený s průvodcem · Střední úroveň

Kvíz mnohorukých banditů

Kontroluje průzkum, využívání, lítost, epsilon-chtivost, bonusy za důvěru UCB, Thompsonovo vzorkování a kontextové funkce.

Související vodicí cestyVíceozbrojení bandité
Otázka 1 z 8

Ústřední kompromis v problému vícerukého bandity je mezi:

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Ústřední kompromis v problému vícerukého bandity je mezi:
    • Průzkum a exploatace
    • Předpojatost a rozptyl
    • Přesnost a zapamatovatelnost
    • Školení a vyvozování
  2. V problémech s bandity se „lítost“ týká:
    • Paměť používaná algoritmem
    • Kumulativní mezera v odměnách versus vždy hrát nejlepší ruku
    • Počet dostupných zbraní
    • Čas trénovat modelku
  3. Co dělá epsilon-chtivá strategie?
    • Vždy vybírá paži s nejvyšším průměrem
    • Nikdy nezkoumá žádnou paži
    • Většinou využívá nejlepší ruku, ale zkoumá náhodně s pravděpodobností epsilon
    • Zatáhněte za každou paži stejně kolikrát navždy
  4. Metoda Upper Confidence Bound (UCB) se řídí principem:
    • Pesimismus tváří v tvář nejistotě
    • Zcela ignorovat nejistotu
    • Pouze náhodný výběr
    • Optimismus tváří v tvář nejistotě
  5. Thompson sampling vybírá rameno podle:
    • Vzorkování ze zadního přesvědčení každé paže a přehrávání nejlepšího vzorku
    • Vždy vybírejte paži nejméně zataženou
    • Sběrací ramena v pevném pořadí
    • Minimalizace tréninkových ztrát
  6. Jak se liší kontextový bandita od standardního?
    • Úplně ignoruje odměny
    • K informování o volbě využívá rysy aktuální situace
    • Má jen jednu ruku
    • Časem se to nedá naučit
  7. In UCB, which arm usually receives a larger exploration bonus?
    • An arm whose sample count is largest
    • An arm with no uncertainty by definition
    • An arm that has been sampled relatively few times
    • An arm with a negative reward only
  8. What does logarithmic regret growth indicate over a long run?
    • The algorithm receives zero reward after each round
    • The best arm changes at every step
    • Exploration stops before the first observation
    • The cumulative gap from always choosing the best arm grows much slower than the number of rounds