Kuis Penyematan Subkata FastText

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. Bagaimana FastText mewakili satu kata?
   • Sebagai sekantong karakter n-gram yang dijumlahkan
   • Hanya sebagai satu tanda yang tidak dapat dibagi-bagi
   • Seperti definisinya dari kamus
   • Sebagai vektor acak
2. Apa batasan utama Word2Vec dan GloVe yang diatasi FastText?
   • Mereka berlari terlalu cepat
   • Mereka tidak dapat membuat vektor untuk kata-kata di luar kosa kata
   • Mereka mengabaikan tanda baca
   • Mereka hanya bekerja dalam bahasa Inggris
3. Untuk kata “di mana” dengan 3 karakter n-gram, manakah yang merupakan n-gram valid (dengan penanda batas)?
   • <di mana> saja
   • xyz
   • dimana
   • itu
4. Tujuan pelatihan mendasar manakah yang dibangun oleh model penyematan FastText?
   • Faktorisasi matriks GloVe
   • Terjemahan tingkat kalimat
   • Kehilangan klasifikasi gambar
   • Lewati-Gram dengan pengambilan sampel negatif
5. Mengapa FastText sangat berguna untuk bahasa seperti Finlandia atau Turki?
   • Mereka kaya secara morfologis dengan banyak bentuk kata infleksi yang berbagi subkata
   • Kata-kata mereka sangat sedikit
   • Mereka tidak menggunakan spasi
   • Mereka tidak memiliki kata-kata yang langka
6. Which separate method did Sennrich and colleagues describe for representing rare words in neural machine translation?
   • Byte-pair encoding as subword units
   • FastText’s hashed character n-gram bucket table
   • A full-word-only vocabulary that discards rare tokens
   • GloVe’s global co-occurrence matrix
7. How does FastText store learnable features for its character n-grams?
   • It stores every complete sentence as a separate vector
   • It assigns each n-gram a pixel grid in a convolutional decoder
   • It hashes n-grams into a fixed-size bucket table with learned vectors
   • It replaces all subword features with a hand-written dictionary
8. What can fastText's supervised mode do efficiently with its bag-of-features model?
   • Estimate the 3D shape of an object from a single image
   • Generate new audio waveforms from a spectrogram
   • Compute a global word-word co-occurrence matrix only
   • Classify text for tasks such as language identification or tagging