Тест про функції втрат

Відповіді та пояснення з’являються під час виконання тесту.

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. Яка функція втрат найчастіше використовується для завдань класифікації?
   • Середня квадратична помилка
   • Середня абсолютна похибка
   • Перехресна втрата ентропії
   • Тільки відстань між петлями
3. Порівняно із середньоквадратичною помилкою, чому ви можете обрати середню абсолютну помилку?
   • Він підводить помилки в квадрат, щоб карати їх більше
   • Він більш стійкий до викидів, оскільки не зводить помилки у квадрат
   • Його не можна використовувати для регресії
   • Він ігнорує справжні етикетки
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. Чому точність зазвичай не використовується безпосередньо як втрата при навчанні?
   • Він не диференційований, тому не дає корисного градієнта
   • Це надто легко обчислити
   • Це працює лише для регресії
   • Це завжди дорівнює втратам
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