Questionário de aumento de dados

As respostas e explicações aparecem conforme você responde ao teste.

1. Qual é o objetivo principal do aumento de dados?
   • Para expandir e diversificar os dados de treinamento para que os modelos generalizem melhor
   • Para acelerar a inferência em um modelo treinado
   • Para compactar o tamanho do conjunto de dados no disco
   • Para rotular exemplos não rotulados automaticamente
2. Qual destas é uma técnica comum de aumento de imagem?
   • Descida gradiente
   • Inversão horizontal aleatória
   • Tokenização
   • Abandono
3. O que a retrotradução faz no aumento de texto?
   • Inverte a ordem das palavras em uma frase
   • Remove todas as palavras irrelevantes do texto
   • Traduz texto para outro idioma e vice-versa para criar paráfrases
   • Converte texto em incorporações numéricas
4. Por que os aumentos devem 'preservar o rótulo'?
   • Para manter o tamanho do arquivo do conjunto de dados constante
   • Para fazer o treinamento correr mais rápido
   • Porque os modelos não podem ler os rótulos de outra forma
   • Porque mudar o rótulo ensinaria ao modelo associações erradas
5. O que a técnica Mixup faz?
   • Combina dois exemplos e seus rótulos em um exemplo de treinamento
   • Mascara uma região retangular de uma imagem
   • Procura a melhor política de aumento automaticamente
   • Adiciona ruído aleatório aos pesos do modelo
6. Quando o aumento de dados é especialmente valioso?
   • Quando você já tem dados rotulados ilimitados
   • Quando os dados rotulados são escassos e coletar mais é difícil
   • Somente quando o modelo estiver totalmente treinado
   • Somente para dados de planilhas tabulares
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