Kuis terkait panduan · Keras Tingkat

Kuis Model Markov Tersembunyi

Memeriksa status HMM, transisi dan emisi, algoritma Forward dan Viterbi, pembelajaran Baum-Welch dan ketergantungan urutan.

Jalur panduan terkaitModel Markov Tersembunyi
Pertanyaan 1 dari 8

Apa yang dimaksud dengan 'tersembunyi' dalam Model Markov Tersembunyi?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Apa yang dimaksud dengan 'tersembunyi' dalam Model Markov Tersembunyi?
    • Negara bagian tidak dapat diobservasi dan disimpulkan dari keluaran
    • Parameter model bersifat rahasia
    • Pengamatan dienkripsi
    • Transisinya acak dan tidak dapat diketahui
  2. Apa properti Markov yang dimiliki oleh HMM?
    • Semua negara bagian memancarkan simbol yang sama
    • Keadaan selanjutnya hanya bergantung pada keadaan saat ini
    • Pengamatan tidak bergantung pada negara bagian
    • Setiap negara bagian memiliki kemungkinan yang sama
  3. Algoritme manakah yang menemukan urutan keadaan tersembunyi yang paling mungkin?
    • Algoritma Maju
    • Baum-Welch
    • Algoritma Viterbi
    • Penurunan gradien
  4. Tiga rangkaian probabilitas manakah yang sepenuhnya menentukan HMM?
    • Sebelumnya, kemungkinan, dan bukti
    • Mean, varians, dan kovarians
    • Bobot masukan, tersembunyi, dan keluaran
    • Keadaan awal, transisi, dan probabilitas emisi
  5. Apa yang dilakukan algoritma Baum-Welch?
    • Mempelajari parameter HMM dari data melalui pemaksimalan ekspektasi
    • Mengenkripsi urutan observasi
    • Menemukan jalur tunggal yang paling mungkin
    • Menghitung matriks transisi yang tepat dalam bentuk tertutup
  6. Which Transformer feature can directly relate tokens at distant positions in a sequence?
    • An HMM emission table
    • Self-attention over positions in the input
    • A fixed single-state transition
    • A requirement to process only one token ever
  7. What does the Forward algorithm compute for a sequence of observations?
    • Only the single most likely state path
    • The most likely parameter initialization
    • The total probability of the observations by summing over possible hidden-state paths
    • The mean of the emission probabilities
  8. A hidden state emits a word or acoustic symbol. Which HMM probability describes that relation?
    • The initial-state probability
    • The transition probability
    • The discount factor
    • The emission probability