Вікторина, пов’язана з посібником · важко Рівень

Вікторина «Процеси Гауса».

Перевіряє розподіл функцій GP, ядра, апостеріорну невизначеність, кубічне масштабування, налаштування гіперпараметрів і байєсовську оптимізацію.

Пов'язані напрямні шляхиГауссівські процеси
Питання 1 з 8

Гаусівський процес визначає розподіл ймовірностей щодо чого?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Гаусівський процес визначає розподіл ймовірностей щодо чого?
    • Функції
    • Лише окремі точки даних
    • Мітки дискретного класу
    • Ваги нейронної мережі
  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. Яку роль відіграє ядро (коваріаційна функція) у GP?
    • Він позначає дані навчання
    • Це усуває потребу в навчальних даних
    • Він кодує, наскільки подібні виходи для сусідніх входів
    • Він встановлює швидкість навчання
  4. Чому стандартним процесам Гауса важко працювати з дуже великими наборами даних?
    • Вони не можуть представляти нелінійні функції
    • Їм потрібні позначені класи
    • Вони повністю ігнорують навчальні дані
    • Інвертування матриці ядра коштує приблизно n-куб часу
  5. Як зазвичай вибираються гіперпараметри GP, такі як шкала довжини?
    • Шляхом максимізації граничної ймовірності
    • Шляхом випадкового відгадування
    • Мінімізуючи кількість точок даних
    • Вони завжди фіксовані і ніколи не налаштовані
  6. Основним компонентом якої популярної техніки є процеси Гауса?
    • Класифікація згорткових зображень
    • Байєсова оптимізація для налаштування гіперпараметрів
    • Токенізація тексту
    • Зворотне поширення через глибокі мережі
  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