Kelime Gömme Testi

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

1. How does a learned word embedding represent a word for numerical comparison?
   • As a plain-text dictionary entry only
   • As a vector of learned numerical features
   • As a complete recorded pronunciation only
   • As a manually assigned grammar rule
2. Word2vec gibi modeller bir kelimenin ne anlama geldiğini nasıl öğrenir?
   • Sözlükten elle yazılmış tanımları okuyarak
   • Her kelimedeki harfleri sayarak
   • Büyük miktarda metinde yanında başka hangi kelimelerin görünme eğiliminde olduğunu gözlemleyerek
   • İnsan değerlendiricilerden her kelimeyi puanlamalarını isteyerek
3. What does the classic king-minus-man-plus-woman vector example illustrate?
   • Some learned representations capture relationships through vector offsets
   • Every word relation obeys an exact arithmetic law
   • Vector arithmetic verifies every factual statement
   • The vector stores a word's exact spelling only
4. Word2vec/GloVe yerleştirmeleri ile modern transformatör modellerinin içindeki yerleştirmeler arasındaki temel fark nedir?
   • Transformatörler hiçbir şekilde sayı kullanmaz
   • GloVe yalnızca görseller üzerinde çalışır
   • Modern modeller anlamı temsil edemez
   • Word2vec kelime başına bir sabit vektör verirken, transformatörler bağlama bağlı vektörler üretir
5. Hangi görev en doğrudan yerleştirme vektörlerini karşılaştırmaya dayanır?
   • Bir belgedeki toplam sözcük sayısını sayma
   • Metni büyük harfe dönüştürme
   • Bir sorguya benzer anlama sahip belgeleri bulan anlamsal arama
   • Diskteki bir dosyanın boyutunu kontrol etme
6. Which scale of dimensionality is found in common released classic word-vector configurations?
   • Exactly one coordinate for every model
   • Tens or hundreds of learned coordinates per word
   • Exactly two coordinates in all word2vec models
   • At least ten million coordinates per word by definition
7. In a toy word-vector comparison, what is the cosine similarity of the nonzero vectors one-zero and zero-one?
   • Bir
   • Minus one
   • iki
   • Sıfır
8. What should the first coordinate of an arbitrary learned word embedding be assumed to mean?
   • A learned feature without a universal predetermined linguistic label
   • The word's character count in every model
   • A fixed sentiment score in every dataset
   • The document's factual reliability by definition