Cuestionario vinculado a una guía · duro Nivel

Prueba de procesos gaussianos

Comprueba las distribuciones de funciones GP, los núcleos, la incertidumbre posterior, el escalamiento cúbico, el ajuste de hiperparámetros y la optimización bayesiana.

Rutas de guía relacionadasProcesos gaussianos
Pregunta 1 de 8

¿Un proceso gaussiano define una distribución de probabilidad sobre qué?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. ¿Un proceso gaussiano define una distribución de probabilidad sobre qué?
    • Funciones
    • Solo puntos de datos individuales
    • Etiquetas de clases discretas
    • Pesos de redes neuronales
  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. ¿Qué papel juega el núcleo (función de covarianza) en un médico de cabecera?
    • Etiqueta los datos de entrenamiento.
    • Elimina la necesidad de datos de entrenamiento.
    • Codifica cuán similares son las salidas para las entradas cercanas.
    • Establece la tasa de aprendizaje.
  4. ¿Por qué los procesos gaussianos estándar tienen dificultades con conjuntos de datos muy grandes?
    • No pueden representar funciones no lineales.
    • Requieren clases etiquetadas
    • Ignoran por completo los datos de entrenamiento.
    • Invertir la matriz del núcleo cuesta alrededor de n tiempos cúbicos
  5. ¿Cómo se eligen habitualmente los hiperparámetros de GP, como la escala de longitud?
    • Maximizando la probabilidad marginal
    • Por adivinanzas aleatorias
    • Minimizando el número de puntos de datos
    • Siempre están arreglados y nunca sintonizados.
  6. ¿En qué técnica popular los procesos gaussianos son un componente central?
    • Clasificación de imágenes convolucionales
    • Optimización bayesiana para ajuste de hiperparámetros
    • Tokenización de texto
    • Propagación hacia atrás a través de redes profundas
  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