แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบโจรหลายอาวุธ
ตรวจสอบการสำรวจ การใช้ประโยชน์ ความเสียใจ ความโลภของเอปไซลอน โบนัสความเชื่อมั่นของ UCB การสุ่มตัวอย่างของ Thompson และคุณลักษณะตามบริบท
คำถาม 1 ของ 8
ข้อเสียเปรียบหลักในปัญหาโจรที่มีกลุ่มติดอาวุธอยู่ระหว่าง:
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- ข้อเสียเปรียบหลักในปัญหาโจรที่มีกลุ่มติดอาวุธอยู่ระหว่าง:
- การสำรวจและการแสวงหาผลประโยชน์
- อคติและความแปรปรวน
- ความแม่นยำและการจดจำ
- การฝึกอบรมและการอนุมาน
- ในปัญหาโจร 'เสียใจ' หมายถึง:
- หน่วยความจำที่ใช้โดยอัลกอริทึม
- ช่องว่างรางวัลสะสมเทียบกับการเล่นแขนที่ดีที่สุดเสมอ
- จำนวนอาวุธที่มีอยู่
- ถึงเวลาฝึกโมเดล
- กลยุทธ์เอปไซลอนโลภทำอะไร?
- เลือกแขนที่มีค่าเฉลี่ยสูงสุดเสมอ
- ไม่เคยสำรวจแขนใดๆ
- ใช้ประโยชน์จากแขนที่ดีที่สุดเป็นส่วนใหญ่ แต่สำรวจแบบสุ่มด้วยความน่าจะเป็นของเอปไซลอน
- ดึงแขนทุกข้างจำนวนเท่าๆ กันตลอดไป
- วิธี Upper Confidence Bound (UCB) เป็นไปตามหลักการของ:
- การมองโลกในแง่ร้ายเมื่อเผชิญกับความไม่แน่นอน
- ละเลยความไม่แน่นอนโดยสิ้นเชิง
- สุ่มเลือกเท่านั้น
- มองในแง่ดีเมื่อเผชิญกับความไม่แน่นอน
- การสุ่มตัวอย่างแบบ Thompson เลือกแขนโดย:
- สุ่มตัวอย่างจากความเชื่อหลังของแต่ละแขนและเล่นตัวอย่างที่ดีที่สุด
- ดึงแขนให้น้อยที่สุดเสมอ
- การเลือกอาวุธตามลำดับแบบวนรอบคงที่
- ลดการสูญเสียการฝึก
- โจรตามบริบทแตกต่างจากโจรมาตรฐานอย่างไร
- มันละเว้นผลตอบแทนโดยสิ้นเชิง
- ใช้คุณลักษณะของสถานการณ์ปัจจุบันเพื่อแจ้งตัวเลือก
- มันมีแขนข้างเดียวเท่านั้น
- ไม่สามารถเรียนรู้ได้ตลอดเวลา
- In UCB, which arm usually receives a larger exploration bonus?
- An arm whose sample count is largest
- An arm with no uncertainty by definition
- An arm that has been sampled relatively few times
- An arm with a negative reward only
- What does logarithmic regret growth indicate over a long run?
- The algorithm receives zero reward after each round
- The best arm changes at every step
- Exploration stops before the first observation
- The cumulative gap from always choosing the best arm grows much slower than the number of rounds