Kuis Augmentasi Data

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. Apa tujuan utama augmentasi data?
   • Untuk memperluas dan mendiversifikasi data pelatihan sehingga model dapat digeneralisasi dengan lebih baik
   • Untuk mempercepat inferensi pada model terlatih
   • Untuk mengompresi ukuran dataset pada disk
   • Untuk memberi label pada contoh yang tidak berlabel secara otomatis
2. Manakah dari teknik berikut yang merupakan teknik augmentasi gambar yang umum?
   • Penurunan gradien
   • Pembalikan horizontal acak
   • Tokenisasi
   • Putus sekolah
3. Apa yang dilakukan terjemahan balik dalam augmentasi teks?
   • Membalikkan urutan kata dalam sebuah kalimat
   • Menghapus semua kata-kata berhenti dari teks
   • Menerjemahkan teks ke bahasa lain dan kembali lagi untuk membuat parafrase
   • Mengonversi teks menjadi embeddings numerik
4. Mengapa augmentasi harus bersifat 'melestarikan label'?
   • Untuk menjaga ukuran file dataset tetap konstan
   • Agar latihan berjalan lebih cepat
   • Karena model tidak dapat membaca label sebaliknya
   • Karena mengubah label akan mengajarkan model asosiasi yang salah
5. Apa yang dilakukan teknik Mixup?
   • Memadukan dua contoh dan labelnya menjadi satu sampel pelatihan
   • Menyamarkan wilayah persegi panjang pada suatu gambar
   • Mencari kebijakan augmentasi terbaik secara otomatis
   • Menambahkan noise acak ke bobot model
6. Kapan augmentasi data sangat bermanfaat?
   • Ketika Anda sudah memiliki data berlabel tanpa batas
   • Ketika data berlabel langka dan sulit mengumpulkan lebih banyak
   • Hanya ketika model sudah terlatih sepenuhnya
   • Hanya untuk data spreadsheet tabel
7. What does CutMix do to an image and its training label?
   • It adds a random word to a sentence without changing the label
   • It swaps only class names in the dataset
   • It replaces a patch with a patch from another image and mixes labels by the replaced area
   • It blurs every input and keeps a single label unchanged
8. How does AutoAugment select augmentation policies in its original paper?
   • It chooses transformations from a fixed human-written list without evaluation
   • It uses test labels to relabel training images
   • It selects operations from inference-time confidence only
   • It searches for policies using validation performance as a reward signal