بے ضابطگی کا پتہ لگانے والا کوئز

جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔

1. بے ضابطگیوں کا پتہ لگانے والے ماڈلز کو اکثر لیبل والے بے ضابطگیوں کے بجائے زیادہ تر 'نارمل' ڈیٹا پر کیوں تربیت دی جاتی ہے؟
   • عام ڈیٹا کو لیبل لگانا غیر قانونی ہے۔
   • ماڈل بے ضابطگیوں پر بالکل بھی کارروائی نہیں کر سکتے ہیں۔
   • عام ڈیٹا کو حساب کی ضرورت نہیں ہے۔
   • بے ضابطگیاں نایاب ہیں اور لیبل والی مثالیں کم ہیں۔
2. تنہائی کا جنگل کس طرح ایک بے ضابطگی کی شناخت کرتا ہے؟
   • بے ضابطگیوں کو کم بے ترتیب تقسیموں میں الگ تھلگ کیا جاتا ہے، جس سے راستے کی لمبائی کم ہوتی ہے۔
   • بے ضابطگیوں کو الگ تھلگ کرنے کے لیے کئی بے ترتیب تقسیم درکار ہوتی ہے۔
   • یہ ہر ڈیٹا پوائنٹ کے رنگ کی پیمائش کرتا ہے۔
   • یہ پہلے پوائنٹس کو ان کے لیبل کے ذریعے کلسٹر کرتا ہے۔
3. جب ایک آٹو اینکوڈر کو بے ضابطگی کا پتہ لگانے کے لیے استعمال کیا جاتا ہے، تو کیا بے ضابطگی کی نشاندہی کرتا ہے؟
   • تعمیر نو کی کم خرابی۔
   • غیر مانوس ان پٹ پر تعمیر نو کی اعلی خرابی۔
   • تیز تر تربیت کا وقت
   • نیٹ ورک میں مزید پرتیں۔
4. مقامی آؤٹ لیئر فیکٹر طریقہ بنیادی طور پر کس چیز پر انحصار کرتا ہے؟
   • خصوصیات کی حروف تہجی کی ترتیب
   • ڈیٹا سیٹ کا کل فائل سائز
   • دیئے گئے پوائنٹ کے ارد گرد پوائنٹس کی کثافت
   • معلوم دھوکہ دہی کے مقدمات کی ایک مقررہ فہرست
5. تعینات بے ضابطگی کا پتہ لگانے کے نظام کے لیے کون سا حقیقت پسندانہ چیلنج ہے؟
   • بے ضابطگیاں وقت کے ساتھ کبھی نہیں بدلتی ہیں۔
   • عام ڈیٹا کو ہمیشہ مکمل طور پر لیبل کیا جاتا ہے۔
   • آؤٹ لیرز ہمیشہ ڈیٹا کی اکثریت ہوتے ہیں۔
   • 'نارمل' کی تعریف بدل سکتی ہے، موافقت کی ضرورت ہوتی ہے۔
6. کون سی ایپلیکیشن بے ضابطگی کا پتہ لگانے کا کلاسک استعمال ہے؟
   • دھوکہ دہی والے کریڈٹ کارڈ کے لین دین کا پتہ لگانا
   • تصاویر کو حروف تہجی کے مطابق ترتیب دینا
   • زبانوں کے درمیان متن کا ترجمہ کرنا
   • ویڈیو فائلوں کو کمپریس کرنا
7. What does the contamination setting commonly represent in an Isolation Forest workflow?
   • The number of training trees that contain audio
   • An assumed or expected proportion of outliers used for thresholding
   • The probability a record was encrypted
   • The average depth of a normal point
8. Why should anomaly scores be reviewed with domain context?
   • An anomaly score always proves fraud
   • All normal data has an identical distribution
   • Rare but valid events can look unusual, and errors have different costs
   • A model score replaces an investigation