Útmutatóhoz kapcsolódó kvíz · Kemény Szint
Gauss-folyamatok kvíz
Checks GP function distributions, kernels, posterior uncertainty, cubic scaling, hyperparameter tuning and Bayesian optimization.
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.
- A Gauss-folyamat mi alapján határoz meg valószínűségi eloszlást?
- Funkciók
- Csak egyedi adatpontok
- Diszkrét osztálycímkék
- Neurális hálózatok súlyai
- 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
- 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
- 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
- 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
- Melyik népszerű technikában képezik a Gauss-folyamatok központi elemét?
- Konvolúciós képosztályozás
- Bayes-i optimalizálás a hiperparaméterek hangolásához
- Szöveg tokenizálása
- Visszaterjesztés mély hálózatokon keresztül
- 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
- 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