ऑटोएन्कोडर्स प्रश्नोत्तरी

जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।

1. ऑटोएन्कोडर में 'अड़चन' (अव्यक्त कोड) का उद्देश्य क्या है?
   • नेटवर्क को एक कॉम्पैक्ट प्रतिनिधित्व में मजबूर करने के लिए जो आवश्यक संरचना को कैप्चर करता है
   • अधिक पैरामीटर जोड़ने और मॉडल क्षमता बढ़ाने के लिए
   • पर्यवेक्षित वर्गीकरण के लिए लेबल संग्रहीत करना
   • बेहतर स्थिरता के लिए प्रशिक्षण को धीमा करना
2. ऑटोएन्कोडर्स को स्व-पर्यवेक्षित क्यों माना जाता है?
   • उन्हें विशाल लेबल वाले डेटासेट की आवश्यकता होती है
   • प्रशिक्षण लक्ष्य इनपुट ही है, इसलिए किसी बाहरी लेबल की आवश्यकता नहीं है
   • एक मानव प्रत्येक पुनर्निर्माण को हाथ से लेबल करता है
   • वे केवल पूर्व-वर्गीकृत छवियों पर काम करते हैं
3. एक डीनोइजिंग ऑटोएनकोडर मानक ऑटोएनकोडर से किस प्रकार भिन्न है?
   • यह डिकोडर को पूरी तरह से हटा देता है
   • यह केवल टेक्स्ट डेटा के साथ काम करता है
   • इसे दूषित संस्करण से साफ़ इनपुट को फिर से बनाने के लिए प्रशिक्षित किया जाता है
   • इसके लिए किसी टोंटी परत की आवश्यकता नहीं है
4. वेरिएबल ऑटोएनकोडर (वीएई) को नया डेटा उत्पन्न करने में क्या सक्षम बनाता है?
   • यह प्रत्येक प्रशिक्षण उदाहरण को याद रखता है
   • यह किसी डिकोडर का उपयोग नहीं करता है
   • यह तंत्रिका नेटवर्क को निर्णय वृक्षों से प्रतिस्थापित करता है
   • यह एक सहज, संभाव्य अव्यक्त स्थान सीखता है जिसका आप नमूना ले सकते हैं
5. माध्य-वर्ग त्रुटि के साथ प्रशिक्षित एक रैखिक ऑटोएनकोडर किस क्लासिक तकनीक से काफी मिलता जुलता है?
   • प्रमुख घटक विश्लेषण (पीसीए)
   • K- का अर्थ है क्लस्टरिंग
   • निर्णय वृक्ष
   • लॉजिस्टिक रिग्रेशन
6. ऑटोएनकोडर विसंगति का पता लगाने के लिए उपयुक्त क्यों हैं?
   • वे प्रशिक्षण के दौरान विसंगतियों को लेबल करते हैं
   • वे सामान्य पैटर्न को अच्छी तरह से पुनर्निर्माण करते हैं लेकिन दुर्लभ, अनदेखे पैटर्न पर बड़ी त्रुटियां दिखाते हैं
   • वे पुनर्निर्माण त्रुटि को पूरी तरह से नजरअंदाज कर देते हैं
   • वे केवल बाइनरी वर्गीकरण आउटपुट करते हैं
7. Which reconstruction loss does the guide associate with binary-pixel data?
   • त्रिक मार्जिन हानि
   • Temporal-difference error
   • Cross-entropy
   • Cosine annealing loss
8. Why can nonlinear activations make an autoencoder more expressive than a linear one?
   • They force the latent code to equal the input size
   • They remove the decoder from the model
   • They guarantee zero reconstruction error on unseen data
   • They allow it to learn nonlinear or curved structures in the data