FastText Alt Kelime Yerleştirme Testi

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

1. FastText tek bir kelimeyi nasıl temsil eder?
   • Bir torba karakter n-gramının toplamı olarak
   • Yalnızca bölünmez bir simge olarak
   • Bir sözlükten tanımı olarak
   • Rastgele bir vektör olarak
2. FastText, Word2Vec ve GloVe'nin hangi büyük sınırlamasının üstesinden gelir?
   • Çok hızlı koşuyorlar
   • Kelime dağarcığı dışında kalan kelimeler için vektör oluşturamazlar
   • Noktalama işaretlerini görmezden geliyorlar
   • Sadece İngilizce çalışıyorlar
3. 3 karakterli n-gramlı "nerede" kelimesi için hangisi geçerli bir n-gramdır (sınır işaretleyicileriyle birlikte)?
   • <nerede>yalnızca
   • xyz
   • ne
   • the
4. FastText'in yerleştirme modeli hangi temel eğitim hedefine dayanıyor?
   • GloVe matris çarpanlarına ayırma
   • Cümle düzeyinde çeviri
   • Görüntü sınıflandırma kaybı
   • Negatif örneklemeyle Gram'ı atla
5. FastText neden özellikle Fince veya Türkçe gibi diller için kullanışlıdır?
   • Alt sözcükleri paylaşan birçok çekimli sözcük biçimi açısından morfolojik açıdan zengindirler.
   • Çok az kelimeleri var
   • Boşluk kullanmıyorlar
   • Nadir kelimeleri yok
6. Which separate method did Sennrich and colleagues describe for representing rare words in neural machine translation?
   • Byte-pair encoding as subword units
   • FastText’s hashed character n-gram bucket table
   • A full-word-only vocabulary that discards rare tokens
   • GloVe’s global co-occurrence matrix
7. How does FastText store learnable features for its character n-grams?
   • It stores every complete sentence as a separate vector
   • It assigns each n-gram a pixel grid in a convolutional decoder
   • It hashes n-grams into a fixed-size bucket table with learned vectors
   • It replaces all subword features with a hand-written dictionary
8. What can fastText's supervised mode do efficiently with its bag-of-features model?
   • Estimate the 3D shape of an object from a single image
   • Generate new audio waveforms from a spectrogram
   • Compute a global word-word co-occurrence matrix only
   • Classify text for tasks such as language identification or tagging