Gids-gekoppelde quiz · Middelmatig Niveau
FastText subwoord-insluitingsquiz
Ontdek de teken-n-grammen van FastText, gehashte feature-buckets, ondersteuning voor buiten-vocabulaire, morfologie en snelle gecontroleerde tekstclassificatie.
Vraag 1 van 8
Hoe vertegenwoordigt FastText een enkel woord?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Hoe vertegenwoordigt FastText een enkel woord?
- Als een zak karakter-n-grammen bij elkaar opgeteld
- Als slechts één ondeelbaar teken
- Zoals de definitie uit een woordenboek
- Als willekeurige vector
- Welke belangrijke beperking van Word2Vec en GloVe overwint FastText?
- Ze rennen te snel
- Ze kunnen geen vectoren maken voor woorden die niet in de woordenschat voorkomen
- Ze negeren interpunctie
- Ze werken alleen in het Engels
- Wat is voor het woord "waar" met n-grammen van 3 tekens een geldig n-gram (met grensmarkeringen)?
- alleen <waar>
- xyz
- wie
- de
- Op welk onderliggend trainingsdoel bouwt het inbeddingsmodel van FastText voort?
- GloVe matrixfactorisatie
- Vertaling op zinsniveau
- Verlies van beeldclassificatie
- Skip-Gram met negatieve bemonstering
- Waarom is FastText vooral handig voor talen als Fins of Turks?
- Ze zijn morfologisch rijk met veel verbogen woordvormen die subwoorden delen
- Ze hebben heel weinig woorden
- Ze gebruiken geen spaties
- Ze hebben geen zeldzame woorden
- 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
- 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
- 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