แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ยาก ระดับ

แบบทดสอบกระบวนการแบบเกาส์เซียน

ตรวจสอบการกระจายฟังก์ชัน GP เคอร์เนล ความไม่แน่นอนด้านหลัง มาตราส่วนลูกบาศก์ การปรับไฮเปอร์พารามิเตอร์ และการเพิ่มประสิทธิภาพแบบเบย์

เส้นทางแนะนำที่เกี่ยวข้องกระบวนการเกาส์เซียน
คำถาม 1 ของ 8

กระบวนการเกาส์เซียนกำหนดการแจกแจงความน่าจะเป็นเหนืออะไร

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. กระบวนการเกาส์เซียนกำหนดการแจกแจงความน่าจะเป็นเหนืออะไร
    • ฟังก์ชั่น
    • จุดข้อมูลส่วนบุคคลเท่านั้น
    • ป้ายกำกับคลาสแบบแยกส่วน
    • น้ำหนักโครงข่ายประสาทเทียม
  2. Beyond a point estimate, what does a Gaussian Process return under its chosen kernel and noise assumptions?
    • Only an exact parameter vector
    • A posterior predictive distribution with an uncertainty estimate
    • A guaranteed calibrated interval under any model mismatch
    • A deterministic label with no variance
  3. เคอร์เนล (ฟังก์ชันความแปรปรวนร่วม) มีบทบาทอย่างไรใน GP
    • มันติดป้ายกำกับข้อมูลการฝึกอบรม
    • โดยไม่จำเป็นต้องใช้ข้อมูลการฝึกอบรมอีกต่อไป
    • โดยจะเข้ารหัสว่าเอาต์พุตใกล้เคียงกันเป็นอย่างไร
    • มันกำหนดอัตราการเรียนรู้
  4. เหตุใด Gaussian Processes มาตรฐานจึงต้องต่อสู้กับชุดข้อมูลขนาดใหญ่มาก
    • ไม่สามารถแสดงฟังก์ชันที่ไม่เชิงเส้นได้
    • พวกเขาต้องการคลาสที่มีป้ายกำกับ
    • พวกเขาเพิกเฉยต่อข้อมูลการฝึกอบรมโดยสิ้นเชิง
    • การกลับค่าเมทริกซ์เคอร์เนลมีค่าใช้จ่ายประมาณเวลา n-cubed
  5. โดยทั่วไปจะเลือกไฮเปอร์พารามิเตอร์ของ GP เช่น สเกลความยาวอย่างไร
    • โดยการเพิ่มโอกาสส่วนเพิ่มให้สูงสุด
    • โดยการสุ่มเดา
    • โดยการลดจำนวนจุดข้อมูลให้เหลือน้อยที่สุด
    • พวกเขาจะได้รับการแก้ไขเสมอและไม่เคยปรับแต่ง
  6. เทคนิคยอดนิยมข้อใดที่ Gaussian Processes เป็นองค์ประกอบหลัก
    • การจำแนกภาพแบบ Convolutional
    • การเพิ่มประสิทธิภาพแบบเบย์สำหรับการปรับแต่งไฮเปอร์พารามิเตอร์
    • Tokenization ของข้อความ
    • การแพร่กระจายกลับผ่านเครือข่ายระดับลึก
  7. Which kernel is described in the guide as smoother than the Matérn alternative?
    • A unigram frequency kernel
    • A transition-probability kernel
    • The RBF (squared exponential) kernel
    • The Viterbi kernel
  8. Why can a GP’s predictive uncertainty widen far from training observations?
    • The model adds more observed labels automatically
    • The mean function becomes a neural network
    • The kernel matrix becomes smaller than zero
    • There is less nearby data constraining the function under the selected covariance assumptions