Questionário de incorporação de subpalavras FastText

As respostas e explicações aparecem conforme você responde ao teste.

1. Como o FastText representa uma única palavra?
   • Como um saco de caracteres n-gramas somados
   • Apenas como um token indivisível
   • Como sua definição de um dicionário
   • Como um vetor aleatório
2. Qual é a principal limitação do Word2Vec e GloVe que o FastText supera?
   • Eles correm muito rápido
   • Eles não podem criar vetores para palavras fora do vocabulário
   • Eles ignoram a pontuação
   • Eles só funcionam em inglês
3. Para a palavra "onde" com n-gramas de 3 caracteres, qual é um n-grama válido (com marcadores de limite)?
   • <onde>apenas
   • xyz
   • quando
   • o
4. Em qual objetivo de treinamento subjacente o modelo de incorporação do FastText se baseia?
   • Fatoração da matriz GloVe
   • Tradução em nível de frase
   • Perda de classificação de imagem
   • Skip-Gram com amostragem negativa
5. Por que o FastText é especialmente útil para idiomas como finlandês ou turco?
   • Eles são morfologicamente ricos com muitas formas de palavras flexionadas que compartilham subpalavras
   • Eles têm muito poucas palavras
   • Eles não usam espaços
   • Eles não têm palavras raras
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