Quiz sur l'intégration de sous-mots FastText

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

1. Comment FastText représente-t-il un seul mot ?
   • Comme un sac de n-grammes de caractères additionnés
   • Comme un seul jeton indivisible
   • Comme sa définition dans un dictionnaire
   • En tant que vecteur aléatoire
2. Quelle limitation majeure de Word2Vec et GloVe FastText surmonte-t-il ?
   • Ils courent trop vite
   • Ils ne peuvent pas créer de vecteurs pour des mots hors vocabulaire
   • Ils ignorent la ponctuation
   • Ils ne travaillent qu'en anglais
3. Pour le mot « où » avec des n-grammes à 3 caractères, quel est un n-gramme valide (avec des bornes) ?
   • <où> seulement
   • xyz
   • où
   • le
4. Sur quel objectif de formation sous-jacent le modèle d'intégration de FastText s'appuie-t-il ?
   • Factorisation matricielle GloVe
   • Traduction au niveau de la phrase
   • Perte de classification d'image
   • Skip-Gram avec échantillonnage négatif
5. Pourquoi FastText est-il particulièrement utile pour des langues comme le finnois ou le turc ?
   • Ils sont morphologiquement riches avec de nombreuses formes de mots fléchis qui partagent des sous-mots.
   • Ils ont très peu de mots
   • Ils n'utilisent aucun espace
   • Ils n'ont pas de mots rares
6. Quelle méthode distincte Sennrich et ses collègues ont-ils décrit pour représenter des mots rares dans la traduction automatique neuronale ?
   • Codage par paire d'octets sous forme d'unités de sous-mots
   • Table de compartiments n-grammes de caractères hachés de FastText
   • Un vocabulaire composé uniquement de mots complets qui élimine les jetons rares
   • Matrice globale de cooccurrence de GloVe
7. Comment FastText stocke-t-il les fonctionnalités apprenables pour ses n-grammes de caractères ?
   • Il stocke chaque phrase complète sous forme de vecteur distinct
   • Il attribue à chaque n-gramme une grille de pixels dans un décodeur convolutif
   • Il hache les n-grammes dans une table de compartiments de taille fixe avec des vecteurs appris
   • Il remplace toutes les fonctionnalités de sous-mots par un dictionnaire manuscrit
8. Que peut faire efficacement le mode supervisé de fastText avec son modèle de sac de fonctionnalités ?
   • Estimer la forme 3D d'un objet à partir d'une seule image
   • Générer de nouvelles formes d'onde audio à partir d'un spectrogramme
   • Calculer uniquement une matrice globale de cooccurrence mot-mot
   • Classer le texte pour des tâches telles que l'identification de la langue ou le marquage