Викторина «Вес и предубеждения»

Ответы и пояснения появляются по мере прохождения теста.

1. Какую основную проблему в машинном обучении в первую очередь решают весы и смещения?
   • Отслеживание и воспроизведение экспериментов и их метрик
   • Сжатие весов нейронной сети для мобильных устройств
   • Автоматическое создание синтетических обучающих данных
   • Шифрование весов модели для безопасного развертывания
2. Какие два вызова Python являются типичной точкой входа для входа в W&B?
   • wandb.train() и wandb.deploy()
   • wandb.init() и wandb.log()
   • model.fit() и model.save()
   • wandb.connect() и wandb.send()
3. Какова цель W&B Sweeps?
   • Очистка поврежденных данных обучения
   • Удаление старых журналов экспериментов для экономии места.
   • Автоматический поиск гиперпараметров во многих прогонах
   • Потоковое видео обучающего графического процессора
4. Что позволяют вам делать W&B Artifacts?
   • Рендеринг 3D-визуализации нейронных сетей
   • Автоматически писать научные статьи
   • Преобразование моделей в другую структуру
   • Версируйте наборы данных и модели, чтобы результаты можно было воспроизвести.
5. Какая компания приобрела Weights & Biases в марте 2025 года?
   • CoreWeave
   • NVIDIA
   • Microsoft
   • Hugging Face
6. Для чего предназначена W&B Weave?
   • Генерация вложений для поиска
   • Отслеживание и оценка заявок на LLM
   • Управление кластерами Kubernetes
   • Маркировка изображений для контролируемого обучения
7. What can a W&B Table help a team compare?
   • Only GPU temperatures from a single machine
   • Only source-code branches with no logged data
   • Predictions or examples across models, epochs, or individual cases
   • Only user accounts and billing plans
8. What does W&B record when a run uses a logged artifact as an input?
   • A guarantee the model will reproduce identical results on all hardware
   • An automatic change to the dataset contents
   • A license grant for every file
   • A versioned input relationship that helps trace run lineage