Quiz o ukrytych modelach Markowa

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Do czego odnosi się „ukryty” w ukrytym modelu Markowa?
   • Stany są nieobserwowalne i można je wywnioskować z wyników
   • Parametry modelu są tajne
   • Obserwacje są szyfrowane
   • Przejścia są przypadkowe i niepoznawalne
2. Jaką właściwość Markowa przyjmuje HMM?
   • Wszystkie stany emitują ten sam symbol
   • Następny stan zależy tylko od stanu bieżącego
   • Obserwacje są niezależne od stanów
   • Każdy stan jest równie prawdopodobny
3. Który algorytm znajduje najbardziej prawdopodobną sekwencję ukrytych stanów?
   • Algorytm „do przodu”.
   • Bauma-Welcha
   • Algorytm Viterbiego
   • Zejście gradientowe
4. Które trzy zestawy prawdopodobieństw w pełni określają HMM?
   • Wcześniejsze, prawdopodobieństwo i dowody
   • Średnia, wariancja i kowariancja
   • Wagi wejściowe, ukryte i wyjściowe
   • Prawdopodobieństwo stanu początkowego, przejścia i emisji
5. Do czego służy algorytm Bauma-Welcha?
   • Uczy się parametrów HMM z danych poprzez maksymalizację oczekiwań
   • Szyfruje sekwencję obserwacji
   • Znajduje najbardziej prawdopodobną pojedynczą ścieżkę
   • Oblicza dokładną macierz przejścia w postaci zamkniętej
6. Which Transformer feature can directly relate tokens at distant positions in a sequence?
   • An HMM emission table
   • Self-attention over positions in the input
   • A fixed single-state transition
   • A requirement to process only one token ever
7. What does the Forward algorithm compute for a sequence of observations?
   • Only the single most likely state path
   • The most likely parameter initialization
   • The total probability of the observations by summing over possible hidden-state paths
   • The mean of the emission probabilities
8. A hidden state emits a word or acoustic symbol. Which HMM probability describes that relation?
   • The initial-state probability
   • The transition probability
   • The discount factor
   • The emission probability