Quiz collegato alla guida · Medio Livello
Quiz sugli incorporamenti
Esplora la geometria incorporata e la somiglianza del coseno, con analogie vettoriali, ricerca approssimativa, distorsioni apprese e calcoli di distanza normalizzata.
Domanda 1 di 8
What is an embedding in the numerical representation sense used here?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- What is an embedding in the numerical representation sense used here?
- A dictionary definition that must be stored verbatim
- A required compression format for image files
- A vector representing an item for a model or comparison task
- An exact database row identifier only
- What can closeness in a trained semantic embedding space indicate?
- Similarity learned under that model’s objective
- A guarantee that two statements are equally true
- An identical byte sequence in every case
- A universal relation independent of training
- Quale metrica viene comunemente utilizzata per confrontare due incorporamenti?
- Differenza nella dimensione del file
- Ordinamento alfabetico
- Conteggio delle parole
- Somiglianza del coseno
- What tradeoff can an approximate embedding index such as HNSW introduce?
- A guarantee of complete exact retrieval in every configuration
- Faster search with possible missed exact nearest neighbors
- A required change of every vector to a word definition
- Automatic removal of all training-data bias
- Cosa dimostra il classico esempio 're - uomo + donna ≈ regina' riguardo alle incorporazioni?
- Possono catturare relazioni attraverso l'aritmetica vettoriale
- Memorizzano le definizioni esatte delle parole
- Funzionano solo per termini di royalty
- Sono casuali e privi di significato
- Qual è il rischio reale quando si utilizzano gli incorporamenti?
- Non possono essere archiviati in un database
- Funzionano solo in inglese
- Possono ereditare e riflettere i pregiudizi presenti nei dati di addestramento
- Effettuano tutte le ricerche solo con corrispondenza esatta
- Two unit-length embedding vectors have dot product 0.8. What is their squared Euclidean distance?
- 0,2
- 0.4
- 0,8
- 1.6
- When does an inner-product score equal cosine similarity for two nonzero embedding vectors?
- Whenever their dimensions are equal
- Whenever they came from two unrelated model families
- Only when their coordinates are all zero
- When both vectors have been normalized to unit length