गाऊसी प्रक्रियाएँ प्रश्नोत्तरी

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

1. गॉसियन प्रक्रिया किस पर संभाव्यता वितरण को परिभाषित करती है?
   • कार्य
   • केवल व्यक्तिगत डेटा बिंदु
   • पृथक वर्ग लेबल
   • तंत्रिका नेटवर्क भार
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. जीपी में कर्नेल (सहसंयोजक फ़ंक्शन) क्या भूमिका निभाता है?
   • यह प्रशिक्षण डेटा को लेबल करता है
   • यह प्रशिक्षण डेटा की आवश्यकता को हटा देता है
   • यह एन्कोड करता है कि आस-पास के इनपुट के लिए समान आउटपुट कैसे हैं
   • यह सीखने की दर निर्धारित करता है
4. मानक गाऊसी प्रक्रियाएँ बहुत बड़े डेटासेट के साथ संघर्ष क्यों करती हैं?
   • वे अरेखीय कार्यों का प्रतिनिधित्व नहीं कर सकते
   • उन्हें लेबल वाली कक्षाओं की आवश्यकता होती है
   • वे प्रशिक्षण डेटा को पूरी तरह से नजरअंदाज कर देते हैं
   • कर्नेल मैट्रिक्स को उलटने में लगभग n-घन समय खर्च होता है
5. लंबाई पैमाने जैसे जीपी हाइपरपैरामीटर आमतौर पर कैसे चुने जाते हैं?
   • सीमांत संभावना को अधिकतम करके
   • यादृच्छिक अनुमान से
   • डेटा बिंदुओं की संख्या कम करके
   • वे हमेशा स्थिर रहते हैं और कभी ट्यून नहीं होते
6. गॉसियन प्रक्रियाएँ किस लोकप्रिय तकनीक का मुख्य घटक हैं?
   • संवादी छवि वर्गीकरण
   • हाइपरपैरामीटर ट्यूनिंग के लिए बायेसियन अनुकूलन
   • पाठ का टोकनीकरण
   • गहरे नेटवर्क के माध्यम से बैकप्रोपेगेशन
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