Quiz collegato alla guida · Facile Livello

Quiz sull'aumento dei dati

Esamina i metodi di aumento dei dati per immagini e testo, comprese le trasformazioni che preservano l'etichetta, la combinazione e le politiche apprese.

Percorsi guida correlatiAumento dei dati
Domanda 1 di 8

Qual è lo scopo principale dell'aumento dei dati?

Anteprima di ogni domanda8 domande

Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.

  1. Qual è lo scopo principale dell'aumento dei dati?
    • Per espandere e diversificare i dati di addestramento in modo che i modelli si generalizzino meglio
    • Per accelerare l'inferenza su un modello addestrato
    • Per comprimere la dimensione del set di dati su disco
    • Per etichettare automaticamente gli esempi senza etichetta
  2. Quale di queste è una tecnica comune di aumento delle immagini?
    • Discesa gradiente
    • Capovolgimento orizzontale casuale
    • Tokenizzazione
    • Abbandono
  3. Cosa fa la traduzione inversa nell'aumento del testo?
    • Inverte l'ordine delle parole in una frase
    • Rimuove tutte le parole stop dal testo
    • Traduce il testo in un'altra lingua e viceversa per creare parafrasi
    • Converte il testo in incorporamenti numerici
  4. Perché gli aumenti devono preservare l'etichetta?
    • Per mantenere costante la dimensione del file del set di dati
    • Per rendere l'allenamento più veloce
    • Perché altrimenti i modelli non possono leggere le etichette
    • Perché cambiare l’etichetta insegnerebbe al modello associazioni sbagliate
  5. Cosa fa la tecnica Mixup?
    • Unisce due esempi e le relative etichette in un unico campione di training
    • Maschera un'area rettangolare di un'immagine
    • Cerca automaticamente la migliore politica di aumento
    • Aggiunge rumore casuale ai pesi del modello
  6. Quando l’aumento dei dati è particolarmente utile?
    • Quando hai già dati etichettati illimitati
    • Quando i dati etichettati sono scarsi e raccoglierne di più è difficile
    • Solo quando il modello è completamente addestrato
    • Solo per i dati dei fogli di calcolo tabulari
  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