Kuiz Peningkatan Data

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

1. Apakah tujuan utama penambahan data?
   • Untuk mengembangkan dan mempelbagaikan data latihan supaya model digeneralisasikan dengan lebih baik
   • Untuk mempercepatkan inferens pada model terlatih
   • Untuk memampatkan saiz set data pada cakera
   • Untuk melabelkan contoh tidak berlabel secara automatik
2. Manakah antara ini merupakan teknik pembesaran imej yang biasa?
   • Keturunan kecerunan
   • Melibas mendatar rawak
   • Tokenisasi
   • Keciciran
3. Apakah yang dilakukan oleh terjemahan belakang dalam penambahan teks?
   • Membalikkan susunan perkataan dalam ayat
   • Mengalih keluar semua perkataan henti daripada teks
   • Menterjemah teks ke bahasa lain dan kembali untuk membuat parafrasa
   • Menukar teks kepada benam berangka
4. Mengapakah penambahan mesti 'memelihara label'?
   • Untuk memastikan saiz fail set data tetap
   • Untuk membuat latihan berjalan lebih cepat
   • Kerana model tidak boleh membaca label sebaliknya
   • Kerana menukar label akan mengajar model perkaitan yang salah
5. Apakah yang dilakukan oleh teknik Mixup?
   • Menggabungkan dua contoh dan labelnya ke dalam satu sampel latihan
   • Menyamarkan kawasan segi empat tepat imej
   • Mencari dasar penambahan terbaik secara automatik
   • Menambah hingar rawak pada berat model
6. Bilakah penambahan data amat berharga?
   • Apabila anda sudah mempunyai data berlabel tanpa had
   • Apabila data berlabel adalah terhad dan mengumpul lebih banyak adalah sukar
   • Hanya apabila model terlatih sepenuhnya
   • Hanya untuk data hamparan jadual
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