Quiz sur les intégrations de mots

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

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. Comment des modèles comme word2vec apprennent-ils ce que signifie un mot ?
   • En lisant les définitions écrites à la main dans un dictionnaire
   • En comptant les lettres dans chaque mot
   • En observant quels autres mots ont tendance à apparaître à proximité dans de grandes quantités de texte
   • En demandant à des évaluateurs humains de noter chaque mot
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. Quelle est la principale différence entre les intégrations word2vec/GloVe et les intégrations dans les modèles de transformateurs modernes ?
   • Les transformateurs n'utilisent aucun chiffre
   • GloVe ne fonctionne que sur les images
   • Les modèles modernes ne peuvent pas représenter le sens
   • Word2vec donne un vecteur fixe par mot, tandis que les transformateurs produisent des vecteurs dépendants du contexte
5. Quelle tâche repose le plus directement sur la comparaison de vecteurs d’intégration ?
   • Compter le nombre total de mots dans un document
   • Conversion du texte en majuscules
   • Recherche sémantique qui trouve des documents ayant une signification similaire à une requête
   • Vérifier la taille d'un fichier sur le disque
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?
   • Un
   • Minus one
   • Deux
   • Zéro
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