Hiperparametre Ayarlama Testi

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

1. Bir hiperparametreyi normal model parametresinden ayıran nedir?
   • Hiperparametreler eğitimden önce ayarlanır ve doğrudan verilerden öğrenilmez.
   • Hiperparametreler, eğitim sırasında gradyan inişiyle otomatik olarak öğrenilir
   • Hiperparametreler yalnızca doğrusal modellerde bulunur
   • Aralarında gerçek bir fark yok
2. Hangisi genellikle derin öğrenmeyi ayarlamak için en etkili tek hiperparametre olarak kabul edilir?
   • Rastgele tohum
   • Öğrenme oranı
   • Veri kümesinin dosya formatı
   • Optimize edici değişkenin adı
3. Rastgele arama neden sıklıkla hiperparametre ayarlaması için ızgara aramasından daha iyi performans gösteriyor?
   • Her zaman daha fazla toplam kombinasyon dener
   • Doğrulama seti gerektirmez
   • Her ızgara noktasını kapsamlı bir şekilde kapsamadan iyi değerler bularak alanı daha verimli bir şekilde örnekler.
   • Ağırlıkları ve hiperparametreleri aynı anda öğrenir
4. Bayes optimizasyonu bir sonraki adımda hangi hiperparametre konfigürasyonunun deneneceğini nasıl seçer?
   • Her seferinde konfigürasyonları tamamen rastgele seçer
   • Her zaman en fazla katmana sahip konfigürasyonu seçer
   • Önceki denemenin ayarlarını tam olarak kopyalar
   • Hangi ortamların umut verici göründüğüne dair bir model oluşturur ve belirsizliği keşfetme ile iyi sonuçlardan yararlanmayı dengeler
5. Hiperparametre ayarlaması sırasında son test kümesine neden dokunulmaması gerekiyor?
   • Çünkü buna karşı ayarlama yapmak bilgi sızdıracak ve gerçek performansa ilişkin aşırı iyimser bir tahmin verecektir.
   • Çünkü test seti ağırlıkları hesaplamak için kullanılıyor
   • Çünkü test seti her zaman doğrulama setinden daha küçüktür
   • Çünkü hiperparametreler test setinde saklanmaktadır.
6. Hyperband gibi bir erken durdurma şeması, hiperparametre ayarlamasında hangi sorunu çözer?
   • Öğrenme oranına olan ihtiyacı ortadan kaldırır
   • Düşük performans gösteren denemeleri erken sonlandırarak ve gelecek vaat edenlere kaynak sağlayarak bilgi işlem tasarrufu sağlar
   • Modelin gereğinden fazla oturmayacağını garanti eder
   • Hiperparametreleri öğrenilebilir parametrelere dönüştürür
7. In Bayesian hyperparameter optimization, what role does the probabilistic surrogate model play?
   • It replaces training every candidate with a guaranteed exact score
   • It updates model weights during the final test
   • It estimates how promising configurations may be and guides the next trial
   • It labels the training examples
8. Why should tuning trials be compared on a validation set rather than the final test set?
   • The test set cannot contain labels
   • The validation set is always larger
   • The model cannot predict on a test set
   • Repeated test-set feedback would leak information and make the final estimate overoptimistic