Quiz collegato alla guida · Difficile Livello
Quiz sui processi gaussiani
Controlla le distribuzioni delle funzioni GP, i kernel, l'incertezza a posteriori, il ridimensionamento cubico, la regolazione degli iperparametri e l'ottimizzazione bayesiana.
Domanda 1 di 8
Un processo gaussiano definisce una distribuzione di probabilità su cosa?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Un processo gaussiano definisce una distribuzione di probabilità su cosa?
- Funzioni
- Solo punti dati individuali
- Etichette di classi discrete
- Pesi della rete neurale
- Beyond a point estimate, what does a Gaussian Process return under its chosen kernel and noise assumptions?
- Only an exact parameter vector
- A posterior predictive distribution with an uncertainty estimate
- A guaranteed calibrated interval under any model mismatch
- A deterministic label with no variance
- Che ruolo gioca il kernel (funzione di covarianza) in un GP?
- Etichetta i dati di addestramento
- Elimina la necessità di dati di addestramento
- Codifica quanto sono simili gli output per gli input vicini
- Imposta il tasso di apprendimento
- Perché i processi gaussiani standard hanno difficoltà con set di dati molto grandi?
- Non possono rappresentare funzioni non lineari
- Richiedono classi etichettate
- Ignorano completamente i dati di addestramento
- L'inversione della matrice del kernel costa circa n-cubi di tempo
- Come vengono solitamente scelti gli iperparametri GP come la scala di lunghezza?
- Massimizzando la probabilità marginale
- Per ipotesi casuale
- Riducendo al minimo il numero di punti dati
- Sono sempre fissi e mai sintonizzati
- In quale tecnica popolare i processi gaussiani sono una componente fondamentale?
- Classificazione convoluzionale delle immagini
- Ottimizzazione bayesiana per la regolazione degli iperparametri
- Tokenizzazione del testo
- Backpropagation attraverso reti profonde
- Which kernel is described in the guide as smoother than the Matérn alternative?
- A unigram frequency kernel
- A transition-probability kernel
- The RBF (squared exponential) kernel
- The Viterbi kernel
- Why can a GP’s predictive uncertainty widen far from training observations?
- The model adds more observed labels automatically
- The mean function becomes a neural network
- The kernel matrix becomes smaller than zero
- There is less nearby data constraining the function under the selected covariance assumptions