แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ยาก ระดับ
แบบทดสอบกระบวนการแบบเกาส์เซียน
ตรวจสอบการกระจายฟังก์ชัน GP เคอร์เนล ความไม่แน่นอนด้านหลัง มาตราส่วนลูกบาศก์ การปรับไฮเปอร์พารามิเตอร์ และการเพิ่มประสิทธิภาพแบบเบย์
คำถาม 1 ของ 8
กระบวนการเกาส์เซียนกำหนดการแจกแจงความน่าจะเป็นเหนืออะไร
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- กระบวนการเกาส์เซียนกำหนดการแจกแจงความน่าจะเป็นเหนืออะไร
- ฟังก์ชั่น
- จุดข้อมูลส่วนบุคคลเท่านั้น
- ป้ายกำกับคลาสแบบแยกส่วน
- น้ำหนักโครงข่ายประสาทเทียม
- 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
- เคอร์เนล (ฟังก์ชันความแปรปรวนร่วม) มีบทบาทอย่างไรใน GP
- มันติดป้ายกำกับข้อมูลการฝึกอบรม
- โดยไม่จำเป็นต้องใช้ข้อมูลการฝึกอบรมอีกต่อไป
- โดยจะเข้ารหัสว่าเอาต์พุตใกล้เคียงกันเป็นอย่างไร
- มันกำหนดอัตราการเรียนรู้
- เหตุใด Gaussian Processes มาตรฐานจึงต้องต่อสู้กับชุดข้อมูลขนาดใหญ่มาก
- ไม่สามารถแสดงฟังก์ชันที่ไม่เชิงเส้นได้
- พวกเขาต้องการคลาสที่มีป้ายกำกับ
- พวกเขาเพิกเฉยต่อข้อมูลการฝึกอบรมโดยสิ้นเชิง
- การกลับค่าเมทริกซ์เคอร์เนลมีค่าใช้จ่ายประมาณเวลา n-cubed
- โดยทั่วไปจะเลือกไฮเปอร์พารามิเตอร์ของ GP เช่น สเกลความยาวอย่างไร
- โดยการเพิ่มโอกาสส่วนเพิ่มให้สูงสุด
- โดยการสุ่มเดา
- โดยการลดจำนวนจุดข้อมูลให้เหลือน้อยที่สุด
- พวกเขาจะได้รับการแก้ไขเสมอและไม่เคยปรับแต่ง
- เทคนิคยอดนิยมข้อใดที่ Gaussian Processes เป็นองค์ประกอบหลัก
- การจำแนกภาพแบบ Convolutional
- การเพิ่มประสิทธิภาพแบบเบย์สำหรับการปรับแต่งไฮเปอร์พารามิเตอร์
- Tokenization ของข้อความ
- การแพร่กระจายกลับผ่านเครือข่ายระดับลึก
- 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
- 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