Kayıp Fonksiyonları Testi

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

1. For a prediction task, what does its selected loss quantify against the training target?
   • A specified prediction-error objective
   • Only runtime speed
   • Only the number of network layers
   • Every application benefit automatically
2. Sınıflandırma görevlerinde en yaygın olarak hangi kayıp fonksiyonu kullanılır?
   • Ortalama kare hatası
   • Ortalama mutlak hata
   • Çapraz entropi kaybı
   • Yalnızca menteşe mesafesi
3. Ortalama kare hatayla karşılaştırıldığında neden ortalama mutlak hatayı seçmelisiniz?
   • Hataları daha fazla cezalandırmak için düzeltir
   • Hataların karesini almadığı için aykırı değerlere karşı daha dayanıklıdır.
   • Regresyon için kullanılamaz
   • Gerçek etiketleri görmezden gelir
4. Why does gradient-based training need a usable loss derivative or suitable substitute?
   • So a loss number can be printed
   • So all learning methods become identical
   • So the dataset no longer needs targets
   • So backpropagation and optimization can obtain an update signal
5. How does one-hot class cross-entropy change as probability assigned to the target class becomes very small?
   • Its loss must become zero
   • It rewards the prediction increasingly
   • Its loss becomes large
   • It becomes identical to accuracy
6. Doğruluk neden genellikle doğrudan eğitim kaybı olarak kullanılmıyor?
   • Türevlenebilir değildir, dolayısıyla kullanışlı bir gradyan vermez
   • Hesaplaması çok kolay
   • Yalnızca regresyon için işe yarar
   • Zaten her zaman kayba eşittir
7. For illustrative regression residuals one and three, what are mean squared error and mean absolute error?
   • MSE is two and MAE is five
   • Both are four
   • MSE is ten and MAE is four
   • MSE is five and MAE is two
8. Using a base-two logarithm, what one-hot cross-entropy loss corresponds to target-class probability one-quarter?
   • One-quarter bit
   • Two bits
   • Four bits
   • Zero bits