Útmutatóhoz kapcsolódó kvíz · Kemény Szint

Gauss-folyamatok kvíz

Checks GP function distributions, kernels, posterior uncertainty, cubic scaling, hyperparameter tuning and Bayesian optimization.

Kapcsolódó útmutató utakGauss-folyamatok
kérdés 1 -ból 8

A Gauss-folyamat mi alapján határoz meg valószínűségi eloszlást?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. A Gauss-folyamat mi alapján határoz meg valószínűségi eloszlást?
    • Funkciók
    • Csak egyedi adatpontok
    • Diszkrét osztálycímkék
    • Neurális hálózatok súlyai
  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. Milyen szerepet játszik a kernel (kovarianciafüggvény) a GP-ben?
    • Felcímkézi az edzési adatokat
    • Megszünteti a képzési adatok szükségességét
    • Kódolja, hogy a közeli bemenetekhez mennyire hasonlóak a kimenetek
    • Ez határozza meg a tanulási sebességet
  4. Miért küzdenek a szabványos Gauss-folyamatok nagyon nagy adathalmazokkal?
    • Nem ábrázolhatnak nemlineáris függvényeket
    • Címkézett osztályokat igényelnek
    • Teljesen figyelmen kívül hagyják a képzési adatokat
    • A kernelmátrix megfordítása körülbelül n-kockás időbe kerül
  5. Általában hogyan választják ki a háziorvosi hiperparamétereket, például a hosszskálát?
    • A marginális valószínűség maximalizálásával
    • Véletlen találgatásokkal
    • Az adatpontok számának minimalizálásával
    • Mindig rögzítve vannak, és soha nem hangolják
  6. Melyik népszerű technikában képezik a Gauss-folyamatok központi elemét?
    • Konvolúciós képosztályozás
    • Bayes-i optimalizálás a hiperparaméterek hangolásához
    • Szöveg tokenizálása
    • Visszaterjesztés mély hálózatokon keresztül
  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