Prueba de incrustaciones de palabras

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

1. How does a learned word embedding represent a word for numerical comparison?
   • As a plain-text dictionary entry only
   • As a vector of learned numerical features
   • As a complete recorded pronunciation only
   • As a manually assigned grammar rule
2. ¿Cómo aprenden modelos como word2vec lo que significa una palabra?
   • Leyendo definiciones escritas a mano en un diccionario.
   • Contando letras en cada palabra.
   • Observando qué otras palabras tienden a aparecer cerca de él en grandes cantidades de texto.
   • Pidiendo a evaluadores humanos que califiquen cada palabra
3. What does the classic king-minus-man-plus-woman vector example illustrate?
   • Some learned representations capture relationships through vector offsets
   • Every word relation obeys an exact arithmetic law
   • Vector arithmetic verifies every factual statement
   • The vector stores a word's exact spelling only
4. ¿Cuál es la principal diferencia entre las incrustaciones de word2vec/GloVe y las incrustaciones dentro de los modelos de transformadores modernos?
   • Los transformadores no usan ningún número
   • GloVe solo funciona con imágenes
   • Los modelos modernos no pueden representar el significado.
   • Word2vec proporciona un vector fijo por palabra, mientras que los transformadores producen vectores dependientes del contexto.
5. ¿Qué tarea depende más directamente de la comparación de vectores de incrustación?
   • Contar el número total de palabras de un documento
   • Convertir texto a mayúsculas
   • Búsqueda semántica que encuentra documentos con significado similar a una consulta
   • Comprobar el tamaño de un archivo en el disco
6. Which scale of dimensionality is found in common released classic word-vector configurations?
   • Exactly one coordinate for every model
   • Tens or hundreds of learned coordinates per word
   • Exactly two coordinates in all word2vec models
   • At least ten million coordinates per word by definition
7. In a toy word-vector comparison, what is the cosine similarity of the nonzero vectors one-zero and zero-one?
   • uno
   • Minus one
   • dos
   • Cero
8. What should the first coordinate of an arbitrary learned word embedding be assumed to mean?
   • A learned feature without a universal predetermined linguistic label
   • The word's character count in every model
   • A fixed sentiment score in every dataset
   • The document's factual reliability by definition