Gids-gekoppelde quiz · Moeilijk Niveau
Gaussiaanse Processen Quiz
Controleert GP-functieverdelingen, kernels, posterieure onzekerheid, kubieke schaling, afstemming van hyperparameters en Bayesiaanse optimalisatie.
Vraag 1 van 8
Een Gaussiaans proces definieert een waarschijnlijkheidsverdeling waarover?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Een Gaussiaans proces definieert een waarschijnlijkheidsverdeling waarover?
- Functies
- Alleen individuele gegevenspunten
- Discrete klassenlabels
- Neurale netwerkgewichten
- Beyond a point estimate, what does a Gaussian Process return under its chosen kernel and noise assumptions?
- Only an exact parameter vector
- A posterior predictive distribution with an uncertainty estimate
- A guaranteed calibrated interval under any model mismatch
- A deterministic label with no variance
- Welke rol speelt de kernel (covariantiefunctie) bij een huisarts?
- Het labelt de trainingsgegevens
- Het elimineert de noodzaak voor trainingsgegevens
- Het codeert hoe vergelijkbare uitgangen zijn voor nabijgelegen ingangen
- Het bepaalt het leertempo
- Waarom worstelen standaard Gaussische processen met zeer grote datasets?
- Ze kunnen geen niet-lineaire functies vertegenwoordigen
- Ze vereisen gelabelde klassen
- Ze negeren de trainingsgegevens volledig
- Het omkeren van de kernelmatrix kost ongeveer n-kubieke tijd
- Hoe worden GP-hyperparameters zoals de lengteschaal meestal gekozen?
- Door de marginale waarschijnlijkheid te maximaliseren
- Door willekeurig te raden
- Door het aantal datapunten te minimaliseren
- Ze staan altijd vast en zijn nooit afgesteld
- In welke populaire techniek zijn Gaussiaanse processen een kerncomponent?
- Convolutionele beeldclassificatie
- Bayesiaanse optimalisatie voor afstemming van hyperparameters
- Tokenisatie van tekst
- Backpropagatie via diepe netwerken
- Which kernel is described in the guide as smoother than the Matérn alternative?
- A unigram frequency kernel
- A transition-probability kernel
- The RBF (squared exponential) kernel
- The Viterbi kernel
- Why can a GP’s predictive uncertainty widen far from training observations?
- The model adds more observed labels automatically
- The mean function becomes a neural network
- The kernel matrix becomes smaller than zero
- There is less nearby data constraining the function under the selected covariance assumptions