Quiz dotyczący powiększania danych

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Jaki jest główny cel powiększania danych?
   • Rozszerzanie i dywersyfikacja danych szkoleniowych, aby modele lepiej się uogólniały
   • Aby przyspieszyć wnioskowanie na wyuczonym modelu
   • Aby skompresować rozmiar zestawu danych na dysku
   • Aby automatycznie oznaczyć nieoznakowane przykłady
2. Która z nich jest popularną techniką powiększania obrazu?
   • Zejście gradientowe
   • Losowe przerzucanie w poziomie
   • Tokenizacja
   • Rezygnacja
3. Co robi tłumaczenie wsteczne w powiększaniu tekstu?
   • Odwraca kolejność słów w zdaniu
   • Usuwa wszystkie słowa stop z tekstu
   • Tłumaczy tekst na inny język i z powrotem, tworząc parafrazy
   • Konwertuje tekst na osadzenie numeryczne
4. Dlaczego uzupełnienia muszą „zachowywać etykietę”?
   • Aby zachować stały rozmiar pliku zestawu danych
   • Aby trening przebiegał szybciej
   • Ponieważ modele nie mogą w inny sposób czytać etykiet
   • Bo zmiana etykiety nauczyłaby model błędnych skojarzeń
5. Do czego służy technika Mixup?
   • Łączy dwa przykłady i ich etykiety w jedną próbkę szkoleniową
   • Maskuje prostokątny obszar obrazu
   • Automatycznie wyszukuje najlepszą politykę rozszerzania
   • Dodaje losowy szum do ciężarów modeli
6. Kiedy powiększanie danych jest szczególnie cenne?
   • Gdy masz już nieograniczoną liczbę danych oznaczonych etykietami
   • Kiedy oznakowanych danych jest niewiele i zebranie ich większej ilości jest trudne
   • Tylko wtedy, gdy model jest w pełni wyszkolony
   • Tylko dla danych tabelarycznych w arkuszu kalkulacyjnym
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