Kuis Penyematan Kata

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. How does a learned word embedding represent a word for numerical comparison?
   • As a plain-text dictionary entry only
   • As a vector of learned numerical features
   • As a complete recorded pronunciation only
   • As a manually assigned grammar rule
2. Bagaimana model seperti word2vec mempelajari arti sebuah kata?
   • Dengan membaca definisi tulisan tangan dari kamus
   • Dengan menghitung huruf di setiap kata
   • Dengan mengamati kata lain mana yang cenderung muncul di dekatnya dalam teks dalam jumlah besar
   • Dengan meminta penilai manusia untuk menilai setiap kata
3. What does the classic king-minus-man-plus-woman vector example illustrate?
   • Some learned representations capture relationships through vector offsets
   • Every word relation obeys an exact arithmetic law
   • Vector arithmetic verifies every factual statement
   • The vector stores a word's exact spelling only
4. Apa perbedaan utama antara penyematan word2vec/GloVe dan penyematan di dalam model transformator modern?
   • Transformer tidak menggunakan angka sama sekali
   • GloVe hanya berfungsi pada gambar
   • Model modern tidak dapat mewakili makna
   • Word2vec memberikan satu vektor tetap per kata, sedangkan transformator menghasilkan vektor yang bergantung pada konteks
5. Tugas mana yang paling bergantung langsung pada perbandingan vektor penyematan?
   • Menghitung jumlah kata dalam sebuah dokumen
   • Mengubah teks menjadi huruf besar
   • Pencarian semantik yang menemukan dokumen dengan arti yang mirip dengan kueri
   • Memeriksa ukuran file pada disk
6. Which scale of dimensionality is found in common released classic word-vector configurations?
   • Exactly one coordinate for every model
   • Tens or hundreds of learned coordinates per word
   • Exactly two coordinates in all word2vec models
   • At least ten million coordinates per word by definition
7. In a toy word-vector comparison, what is the cosine similarity of the nonzero vectors one-zero and zero-one?
   • Satu
   • Minus one
   • Dua
   • Nol
8. What should the first coordinate of an arbitrary learned word embedding be assumed to mean?
   • A learned feature without a universal predetermined linguistic label
   • The word's character count in every model
   • A fixed sentiment score in every dataset
   • The document's factual reliability by definition