Gids-gekoppelde quiz · Moeilijk Niveau

Gaussiaanse Processen Quiz

Controleert GP-functieverdelingen, kernels, posterieure onzekerheid, kubieke schaling, afstemming van hyperparameters en Bayesiaanse optimalisatie.

Gerelateerde gidspadenGaussiaanse processen
Vraag 1 van 8

Een Gaussiaans proces definieert een waarschijnlijkheidsverdeling waarover?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Een Gaussiaans proces definieert een waarschijnlijkheidsverdeling waarover?
    • Functies
    • Alleen individuele gegevenspunten
    • Discrete klassenlabels
    • Neurale netwerkgewichten
  2. 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
  3. 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
  4. 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
  5. 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
  6. In welke populaire techniek zijn Gaussiaanse processen een kerncomponent?
    • Convolutionele beeldclassificatie
    • Bayesiaanse optimalisatie voor afstemming van hyperparameters
    • Tokenisatie van tekst
    • Backpropagatie via diepe netwerken
  7. 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
  8. 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