Kuiz Pembenaman Subkata FastText

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

1. Bagaimanakah FastText mewakili satu perkataan?
   • Sebagai satu beg aksara n-gram dijumlahkan bersama
   • Sebagai satu token yang tidak boleh dibahagikan sahaja
   • Seperti definisinya daripada kamus
   • Sebagai vektor rawak
2. Apakah had utama Word2Vec dan GloVe yang FastText atasi?
   • Mereka berlari terlalu laju
   • Mereka tidak boleh mencipta vektor untuk perkataan di luar perbendaharaan kata
   • Mereka mengabaikan tanda baca
   • Mereka hanya bekerja dalam bahasa Inggeris
3. Untuk perkataan "di mana" dengan 3 aksara n-gram, yang manakah merupakan n-gram yang sah (dengan penanda sempadan)?
   • <di mana>sahaja
   • xyz
   • wh
   • yang
4. Objektif latihan asas manakah yang dibina oleh model pembenaman FastText?
   • Pemfaktoran matriks GloV
   • Terjemahan peringkat ayat
   • Kehilangan klasifikasi imej
   • Langkau-Gram dengan persampelan negatif
5. Mengapakah FastText amat berguna untuk bahasa seperti Finland atau Turki?
   • Mereka kaya secara morfologi dengan banyak bentuk perkataan infleksi yang berkongsi subkata
   • Mereka mempunyai sangat sedikit perkataan
   • Mereka tidak menggunakan ruang
   • Mereka tidak mempunyai perkataan yang jarang berlaku
6. Which separate method did Sennrich and colleagues describe for representing rare words in neural machine translation?
   • Byte-pair encoding as subword units
   • FastText’s hashed character n-gram bucket table
   • A full-word-only vocabulary that discards rare tokens
   • GloVe’s global co-occurrence matrix
7. How does FastText store learnable features for its character n-grams?
   • It stores every complete sentence as a separate vector
   • It assigns each n-gram a pixel grid in a convolutional decoder
   • It hashes n-grams into a fixed-size bucket table with learned vectors
   • It replaces all subword features with a hand-written dictionary
8. What can fastText's supervised mode do efficiently with its bag-of-features model?
   • Estimate the 3D shape of an object from a single image
   • Generate new audio waveforms from a spectrogram
   • Compute a global word-word co-occurrence matrix only
   • Classify text for tasks such as language identification or tagging