Quiz połączony z przewodnikiem · Ciężko Poziom
Quiz dotyczący procesów Gaussa
Sprawdza rozkłady funkcji GP, jądra, niepewność a posteriori, skalowanie sześcienne, strojenie hiperparametrów i optymalizację Bayesa.
Pytanie 1 z 8
Proces Gaussa definiuje rozkład prawdopodobieństwa na podstawie czego?
Podgląd każdego pytania8 pytania
Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.
- Proces Gaussa definiuje rozkład prawdopodobieństwa na podstawie czego?
- Funkcje
- Tylko indywidualne punkty danych
- Dyskretne etykiety klas
- Wagi sieci neuronowych
- Co poza oszacowaniem punktowym zwraca proces Gaussa przy wybranych założeniach dotyczących jądra i szumu?
- Tylko dokładny wektor parametrów
- Późniejszy rozkład predykcyjny z oszacowaniem niepewności
- Gwarantowany skalibrowany interwał w przypadku dowolnego niedopasowania modelu
- Etykieta deterministyczna bez wariancji
- Jaką rolę pełni jądro (funkcja kowariancji) w GP?
- Oznacza dane szkoleniowe
- Eliminuje to potrzebę danych szkoleniowych
- Koduje podobieństwo wyników dla pobliskich wejść
- Określa tempo uczenia się
- Dlaczego standardowe procesy Gaussa radzą sobie z bardzo dużymi zbiorami danych?
- Nie mogą reprezentować funkcji nieliniowych
- Wymagają klas oznaczonych etykietą
- Całkowicie ignorują dane szkoleniowe
- Odwrócenie macierzy jądra kosztuje około czasu n-sześciennego
- W jaki sposób zwykle wybiera się hiperparametry GP, takie jak skala długości?
- Maksymalizacja prawdopodobieństwa krańcowego
- Przez losowe zgadywanie
- Minimalizując liczbę punktów danych
- Są zawsze naprawione i nigdy nie dostrajane
- W której popularnej technice procesy Gaussa są głównym elementem?
- Klasyfikacja obrazów splotowych
- Optymalizacja bayesowska do dostrajania hiperparametrów
- Tokenizacja tekstu
- Propagacja wsteczna w głębokich sieciach
- Które jądro opisano w przewodniku jako płynniejsze niż alternatywa Matérna?
- Jądro częstotliwości unigramu
- Jądro prawdopodobieństwa przejścia
- Jądro RBF (kwadrat wykładniczy).
- Jądro Viterbiego
- Dlaczego niepewność przewidywania lekarza pierwszego kontaktu może wykraczać poza obserwacje szkoleniowe?
- Model automatycznie dodaje więcej zaobserwowanych etykiet
- Funkcja średnia staje się siecią neuronową
- Macierz jądra staje się mniejsza od zera
- Mniej jest pobliskich danych ograniczających funkcję przy wybranych założeniach kowariancji