آٹو اینکوڈرز کوئز

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

1. آٹو اینکوڈر میں 'بوٹلنک' (اویکت کوڈ) کا مقصد کیا ہے؟
   • نیٹ ورک کو ایک کمپیکٹ نمائندگی میں مجبور کرنا جو ضروری ڈھانچے کو حاصل کرتا ہے۔
   • مزید پیرامیٹرز شامل کرنے اور ماڈل کی صلاحیت کو بڑھانے کے لیے
   • زیر نگرانی درجہ بندی کے لیے لیبل ذخیرہ کرنے کے لیے
   • بہتر استحکام کے لیے تربیت کو سست کرنا
2. آٹو اینکوڈرز کو خود زیر نگرانی کیوں سمجھا جاتا ہے؟
   • انہیں بڑے لیبل والے ڈیٹاسیٹس کی ضرورت ہوتی ہے۔
   • تربیت کا ہدف خود ان پٹ ہے، لہذا کسی بیرونی لیبل کی ضرورت نہیں ہے۔
   • ایک انسان ہر تعمیر نو کو ہاتھ سے لیبل کرتا ہے۔
   • وہ صرف پہلے سے درجہ بند تصاویر پر کام کرتے ہیں۔
3. ایک denoising autoencoder معیاری سے کیسے مختلف ہے؟
   • یہ ڈیکوڈر کو مکمل طور پر ہٹا دیتا ہے۔
   • یہ صرف ٹیکسٹ ڈیٹا کے ساتھ کام کرتا ہے۔
   • اسے خراب شدہ ورژن سے صاف ان پٹ کو دوبارہ تشکیل دینے کی تربیت دی جاتی ہے۔
   • اسے کسی رکاوٹ کی پرت کی ضرورت نہیں ہے۔
4. کیا چیز متغیر آٹو اینکوڈر (VAE) کو نیا ڈیٹا بنانے کے قابل بناتی ہے؟
   • یہ ہر تربیتی مثال کو حفظ کرتا ہے۔
   • یہ کوئی ڈیکوڈر استعمال نہیں کرتا ہے۔
   • یہ عصبی نیٹ ورکس کو فیصلہ کن درختوں سے بدل دیتا ہے۔
   • یہ ایک ہموار، ممکنہ اویکت جگہ سیکھتا ہے جس سے آپ نمونہ لے سکتے ہیں۔
5. اوسط مربع غلطی کے ساتھ تربیت یافتہ ایک لکیری آٹو اینکوڈر کس کلاسک تکنیک سے قریب سے ملتا ہے؟
   • پرنسپل جزو تجزیہ (PCA)
   • K کا مطلب کلسٹرنگ ہے۔
   • فیصلہ کرنے والے درخت
   • لاجسٹک رجعت
6. آٹو اینکوڈرز بے ضابطگی کا پتہ لگانے کے لیے موزوں کیوں ہیں؟
   • وہ تربیت کے دوران بے ضابطگیوں کا لیبل لگاتے ہیں۔
   • وہ عام نمونوں کو اچھی طرح سے تشکیل دیتے ہیں لیکن نایاب، غیر دیکھے ہوئے نمونوں پر بڑی غلطیاں دکھاتے ہیں۔
   • وہ تعمیر نو کی غلطی کو مکمل طور پر نظر انداز کرتے ہیں۔
   • وہ صرف بائنری درجہ بندی کو آؤٹ پٹ کرتے ہیں۔
7. Which reconstruction loss does the guide associate with binary-pixel data?
   • تین گنا مارجن کا نقصان
   • Temporal-difference error
   • Cross-entropy
   • Cosine annealing loss
8. Why can nonlinear activations make an autoencoder more expressive than a linear one?
   • They force the latent code to equal the input size
   • They remove the decoder from the model
   • They guarantee zero reconstruction error on unseen data
   • They allow it to learn nonlinear or curved structures in the data