Quiz lié à un guide · Difficile Niveau

Quiz sur les processus gaussiens

Vérifie les distributions des fonctions GP, les noyaux, l'incertitude a posteriori, la mise à l'échelle cubique, le réglage des hyperparamètres et l'optimisation bayésienne.

Chemins de guidage associésProcessus gaussiens
Question 1 de 8

Un processus gaussien définit une distribution de probabilité sur quoi ?

Prévisualisez chaque question8 des questions

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

  1. Un processus gaussien définit une distribution de probabilité sur quoi ?
    • Fonctions
    • Points de données individuels uniquement
    • Étiquettes de classe discrètes
    • Pondérations des réseaux neuronaux
  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. Quel rôle le noyau (fonction de covariance) joue-t-il dans un GP ?
    • Il étiquette les données d'entraînement
    • Cela supprime le besoin de données de formation
    • Il code à quel point les sorties sont similaires pour les entrées proches
    • Il définit le taux d'apprentissage
  4. Pourquoi les processus gaussiens standards ont-ils du mal avec de très grands ensembles de données ?
    • Ils ne peuvent pas représenter des fonctions non linéaires
    • Ils nécessitent des classes étiquetées
    • Ils ignorent complètement les données de formation
    • L'inversion de la matrice du noyau coûte environ un temps n-cubé
  5. Comment les hyperparamètres GP tels que l’échelle de longueur sont-ils généralement choisis ?
    • En maximisant la vraisemblance marginale
    • Par devinettes aléatoires
    • En minimisant le nombre de points de données
    • Ils sont toujours fixes et jamais réglés
  6. Dans quelle technique populaire les processus gaussiens sont-ils un composant essentiel ?
    • Classification d'images convolutives
    • Optimisation bayésienne pour le réglage des hyperparamètres
    • Tokenisation du texte
    • Rétropropagation à travers des réseaux profonds
  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