Rehber bağlantılı sınav · Kolay Seviye

Veri Arttırma Sınavı

Etiket koruyan dönüşümler, karıştırma ve öğrenilen politikalar dahil olmak üzere görseller ve metinler için veri artırma yöntemlerini gözden geçirin.

İlgili kılavuz yollarıVeri Arttırma
Soru 1 arasında 8

Veri artırmanın temel amacı nedir?

Her soruyu önizleyin8 sorular

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

  1. Veri artırmanın temel amacı nedir?
    • Modellerin daha iyi genelleştirilmesi için eğitim verilerini genişletmek ve çeşitlendirmek
    • Eğitilmiş bir modelde çıkarımı hızlandırmak için
    • Diskteki veri kümesinin boyutunu sıkıştırmak için
    • Etiketlenmemiş örnekleri otomatik olarak etiketlemek için
  2. Aşağıdakilerden hangisi yaygın bir görüntü büyütme tekniğidir?
    • Gradyan iniş
    • Rastgele yatay çevirme
    • Tokenleştirme
    • Bırakma
  3. Metin büyütmede geri çeviri ne işe yarar?
    • Bir cümledeki kelimelerin sırasını tersine çevirir
    • Durdurulan tüm sözcükleri metinden kaldırır
    • Metni başka bir dile çevirir ve başka sözcükler oluşturmak için geri çevirir
    • Metni sayısal yerleştirmelere dönüştürür
  4. Arttırmalar neden 'etiket koruyucu' olmalıdır?
    • Veri kümesi dosya boyutunu sabit tutmak için
    • Eğitimin daha hızlı çalışmasını sağlamak için
    • Çünkü modeller aksi takdirde etiketleri okuyamaz
    • Çünkü etiketi değiştirmek modele yanlış çağrışımları öğretir
  5. Mixup tekniği ne işe yarar?
    • İki örneği ve etiketlerini tek bir eğitim örneğinde harmanlar
    • Görüntünün dikdörtgen bir bölgesini maskeler
    • En iyi büyütme politikasını otomatik olarak arar
    • Model ağırlıklarına rastgele gürültü ekler
  6. Veri artırma ne zaman özellikle değerlidir?
    • Zaten sınırsız etiketli veriye sahip olduğunuzda
    • Etiketli veriler az olduğunda ve daha fazlasını toplamak zor olduğunda
    • Yalnızca model tam olarak eğitildiğinde
    • Yalnızca tablo halindeki e-tablo verileri için
  7. What does CutMix do to an image and its training label?
    • It adds a random word to a sentence without changing the label
    • It swaps only class names in the dataset
    • It replaces a patch with a patch from another image and mixes labels by the replaced area
    • It blurs every input and keeps a single label unchanged
  8. How does AutoAugment select augmentation policies in its original paper?
    • It chooses transformations from a fixed human-written list without evaluation
    • It uses test labels to relabel training images
    • It selects operations from inference-time confidence only
    • It searches for policies using validation performance as a reward signal