Rehber bağlantılı sınav · Sert Seviye

Gauss Süreçleri Testi

GP fonksiyon dağılımlarını, çekirdekleri, sonsal belirsizliği, kübik ölçeklendirmeyi, hiperparametre ayarlamasını ve Bayes optimizasyonunu kontrol eder.

İlgili kılavuz yollarıGauss Süreçleri
Soru 1 arasında 8

Gauss Süreci neye göre bir olasılık dağılımını tanımlar?

Her soruyu önizleyin8 sorular

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

  1. Gauss Süreci neye göre bir olasılık dağılımını tanımlar?
    • Fonksiyonlar
    • Yalnızca bireysel veri noktaları
    • Ayrık sınıf etiketleri
    • Sinir ağı ağırlıkları
  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. Çekirdek (kovaryans fonksiyonu) GP'de nasıl bir rol oynar?
    • Eğitim verilerini etiketler
    • Eğitim verilerine olan ihtiyacı ortadan kaldırır
    • Yakındaki girişler için çıkışların ne kadar benzer olduğunu kodlar
    • Öğrenme oranını belirler
  4. Standart Gauss Süreçleri neden çok büyük veri kümeleriyle sorun yaşıyor?
    • Doğrusal olmayan fonksiyonları temsil edemezler
    • Etiketli sınıflar gerektirirler
    • Eğitim verilerini tamamen görmezden geliyorlar
    • Çekirdek matrisinin n küp zamanı ile ilgili maliyetlerini tersine çevirmek
  5. Uzunluk ölçeği gibi GP hiperparametreleri genellikle nasıl seçilir?
    • Marjinal olasılığı maksimuma çıkararak
    • Rastgele tahmin yoluyla
    • Veri noktalarının sayısını en aza indirerek
    • Her zaman sabittirler ve asla ayarlanmazlar
  6. Gauss Süreçleri hangi popüler tekniğin temel bileşenidir?
    • Evrişimli görüntü sınıflandırması
    • Hiperparametre ayarı için Bayes optimizasyonu
    • Metnin simgeleştirilmesi
    • Derin ağlar aracılığıyla geriye yayılım
  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