Quiz sur l'augmentation des données

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

1. Quel est l’objectif principal de l’augmentation des données ?
   • Pour élargir et diversifier les données de formation afin que les modèles se généralisent mieux
   • Pour accélérer l'inférence sur un modèle entraîné
   • Pour compresser la taille de l'ensemble de données sur le disque
   • Pour étiqueter automatiquement les exemples non étiquetés
2. Laquelle de ces techniques est une technique d’augmentation d’image courante ?
   • Descente de gradient
   • Retournement horizontal aléatoire
   • Tokenisation
   • Abandon
3. À quoi sert la rétro-traduction dans l’augmentation de texte ?
   • Inverse l'ordre des mots dans une phrase
   • Supprime tous les mots vides du texte
   • Traduit le texte dans une autre langue et inversement pour créer des paraphrases
   • Convertit le texte en intégrations numériques
4. Pourquoi les augmentations doivent-elles « préserver l’étiquette » ?
   • Pour garder la taille du fichier de l'ensemble de données constante
   • Pour que l'entraînement se déroule plus rapidement
   • Parce que les modèles ne peuvent pas lire les étiquettes autrement
   • Parce que changer l'étiquette enseignerait au modèle de mauvaises associations
5. A quoi sert la technique du Mixup ?
   • Mélange deux exemples et leurs étiquettes en un seul échantillon de formation
   • Masque une région rectangulaire d'une image
   • Recherche automatiquement la meilleure politique d'augmentation
   • Ajoute du bruit aléatoire aux poids du modèle
6. Quand l’augmentation des données est-elle particulièrement utile ?
   • Lorsque vous disposez déjà de données étiquetées illimitées
   • Lorsque les données étiquetées sont rares et qu’il est difficile d’en collecter davantage
   • Seulement lorsque le modèle est entièrement formé
   • Uniquement pour les données de feuilles de calcul tabulaires
7. What does CutMix do to an image and its training label?
   • It adds a random word to a sentence without changing the label
   • It swaps only class names in the dataset
   • It replaces a patch with a patch from another image and mixes labels by the replaced area
   • It blurs every input and keeps a single label unchanged
8. How does AutoAugment select augmentation policies in its original paper?
   • It chooses transformations from a fixed human-written list without evaluation
   • It uses test labels to relabel training images
   • It selects operations from inference-time confidence only
   • It searches for policies using validation performance as a reward signal