Questionário de incorporação de palavras

As respostas e explicações aparecem conforme você responde ao teste.

1. How does a learned word embedding represent a word for numerical comparison?
   • As a plain-text dictionary entry only
   • As a vector of learned numerical features
   • As a complete recorded pronunciation only
   • As a manually assigned grammar rule
2. Como modelos como o word2vec aprendem o que uma palavra significa?
   • Lendo definições manuscritas de um dicionário
   • Contando letras em cada palavra
   • Observando quais outras palavras tendem a aparecer próximas a ela em grandes quantidades de texto
   • Pedindo aos avaliadores humanos que pontuassem cada palavra
3. What does the classic king-minus-man-plus-woman vector example illustrate?
   • Some learned representations capture relationships through vector offsets
   • Every word relation obeys an exact arithmetic law
   • Vector arithmetic verifies every factual statement
   • The vector stores a word's exact spelling only
4. Qual é a principal diferença entre os embeddings word2vec/GloVe e os embeddings dentro dos modelos de transformadores modernos?
   • Os transformadores não usam números
   • GloVe só funciona em imagens
   • Modelos modernos não podem representar significado
   • Word2vec fornece um vetor fixo por palavra, enquanto os transformadores produzem vetores dependentes do contexto
5. Qual tarefa depende mais diretamente da comparação de vetores de incorporação?
   • Contando o número total de palavras em um documento
   • Convertendo texto para maiúsculas
   • Pesquisa semântica que encontra documentos com significado semelhante a uma consulta
   • Verificando o tamanho de um arquivo no disco
6. Which scale of dimensionality is found in common released classic word-vector configurations?
   • Exactly one coordinate for every model
   • Tens or hundreds of learned coordinates per word
   • Exactly two coordinates in all word2vec models
   • At least ten million coordinates per word by definition
7. In a toy word-vector comparison, what is the cosine similarity of the nonzero vectors one-zero and zero-one?
   • Um
   • Minus one
   • Dois
   • zero
8. What should the first coordinate of an arbitrary learned word embedding be assumed to mean?
   • A learned feature without a universal predetermined linguistic label
   • The word's character count in every model
   • A fixed sentiment score in every dataset
   • The document's factual reliability by definition