Quiz dotyczący osadzania podsłów FastText

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. W jaki sposób FastText reprezentuje pojedyncze słowo?
   • Jako worek znaków n-gramów zsumowanych
   • Tylko jako jeden niepodzielny znak
   • Zgodnie z definicją ze słownika
   • Jako wektor losowy
2. Jakie główne ograniczenia Word2Vec i GloVe pokonuje FastText?
   • Biegają za szybko
   • Nie mogą tworzyć wektorów dla słów spoza słownika
   • Ignorują interpunkcję
   • Działają tylko w języku angielskim
3. Dla słowa „gdzie” z 3-znakowymi n-gramami, który jest prawidłowym n-gramem (ze znacznikami granic)?
   • <gdzie>tylko
   • xyz
   • kiedy
   • the
4. Na jakim podstawowym celu szkoleniowym opiera się model osadzania FastText?
   • Faktoryzacja macierzy GloVe
   • Tłumaczenie na poziomie zdania
   • Utrata klasyfikacji obrazu
   • Skip-Gram z próbkowaniem negatywnym
5. Dlaczego FastText jest szczególnie przydatny w przypadku języków takich jak fiński czy turecki?
   • Są bogate morfologicznie w wiele odmienionych form słów, które mają wspólne podsłowa
   • Mają bardzo mało słów
   • Nie używają spacji
   • Nie mają rzadkich słów
6. 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
7. 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
8. 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