Gids-gekoppelde quiz · Middelmatig Niveau
Inbeddingsquiz
Ontdek de inbedding van geometrie en cosinusovereenkomst, met vectoranalogieën, zoeken bij benadering, aangeleerde bias en genormaliseerde afstandsberekeningen.
Vraag 1 van 8
What is an embedding in the numerical representation sense used here?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- 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
- Welke statistiek wordt vaak gebruikt om twee insluitingen te vergelijken?
- Verschil in bestandsgrootte
- Alfabetische volgorde
- Aantal woorden
- Cosinus gelijkenis
- 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
- Wat laat het klassieke 'koning - man + vrouw ≈ koningin'-voorbeeld zien over inbedding?
- Ze kunnen relaties vastleggen via vectorberekeningen
- Ze slaan exacte definities van woorden op
- Ze werken alleen voor royaltyvoorwaarden
- Ze zijn willekeurig en betekenisloos
- Wat is een reëel risico bij het gebruik van inbedding?
- Ze kunnen niet in een database worden opgeslagen
- Ze werken alleen in het Engels
- Ze kunnen vooroordelen in hun trainingsgegevens erven en weerspiegelen
- Ze zorgen ervoor dat alle zoekopdrachten alleen exact overeenkomen
- 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