Викторина по встраиванию подслов FastText

Ответы и пояснения появляются по мере прохождения теста.

1. Как FastText представляет одно слово?
   • Как мешок символов-н-грамм, сложенных вместе.
   • Лишь как один неделимый знак
   • Как его определение из словаря
   • Как случайный вектор
2. Какое основное ограничение Word2Vec и GloVe преодолевает FastText?
   • Они бегают слишком быстро
   • Они не могут создавать векторы для слов, которых нет в словаре.
   • Они игнорируют знаки препинания
   • Они работают только на английском языке
3. Для слова «где» с трехсимвольными n-граммами какая является допустимой n-граммой (с граничными маркерами)?
   • <где>только
   • xyz
   • когда
   • тот
4. На какой основной цели обучения основана модель внедрения FastText?
   • Факторизация матрицы перчаток
   • Перевод на уровне предложения
   • Потеря классификации изображений
   • Skip-Gram с отрицательным отбором проб
5. Почему FastText особенно полезен для таких языков, как финский или турецкий?
   • Они морфологически богаты множеством словоформ, имеющих общие подслова.
   • У них очень мало слов
   • Они не используют пробелы
   • У них нет редких слов
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