Gids-gekoppelde quiz · Gemakkelijk Niveau

Data-augmentatiequiz

Bekijk data-augmentatiemethoden voor afbeeldingen en tekst, inclusief label-behoudende transformaties, mixing en geleerd beleid.

Gerelateerde gidspadenGegevensvergroting
Vraag 1 van 8

Wat is het primaire doel van data-vergroting?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Wat is het primaire doel van data-vergroting?
    • Trainingsgegevens uitbreiden en diversifiëren, zodat modellen beter generaliseren
    • Om de gevolgtrekking op een getraind model te versnellen
    • Om de grootte van de dataset op schijf te comprimeren
    • Om niet-gelabelde voorbeelden automatisch te labelen
  2. Welke van deze is een veelgebruikte beeldvergrotingstechniek?
    • Gradiënt afdaling
    • Willekeurig horizontaal spiegelen
    • Tokenisatie
    • Uitval
  3. Wat doet terugvertaling bij tekstvergroting?
    • Draait de volgorde van woorden in een zin om
    • Verwijdert alle stopwoorden uit de tekst
    • Vertaalt tekst naar een andere taal en terug om parafrases te creëren
    • Converteert tekst naar numerieke insluitingen
  4. Waarom moeten augmentaties 'labelbehoud' zijn?
    • Om de bestandsgrootte van de dataset constant te houden
    • Om de training sneller te laten verlopen
    • Omdat modellen anders geen labels kunnen lezen
    • Omdat het veranderen van het label het model verkeerde associaties zou aanleren
  5. Wat doet de Mixup-techniek?
    • Combineert twee voorbeelden en hun labels tot één trainingsvoorbeeld
    • Maskert een rechthoekig gebied van een afbeelding
    • Zoekt automatisch naar het beste augmentatiebeleid
    • Voegt willekeurige ruis toe aan modelgewichten
  6. Wanneer is data-vergroting vooral waardevol?
    • Wanneer u al onbeperkt gelabelde gegevens heeft
    • Wanneer gelabelde gegevens schaars zijn en het verzamelen van meer gegevens moeilijk is
    • Alleen als het model volledig is getraind
    • Alleen voor tabellarische spreadsheetgegevens
  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