ڈیٹا اگمینٹیشن کوئز

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

1. ڈیٹا بڑھانے کا بنیادی مقصد کیا ہے؟
   • تربیتی ڈیٹا کو وسعت دینے اور متنوع بنانے کے لیے تاکہ ماڈلز کو بہتر طور پر عام کیا جا سکے۔
   • تربیت یافتہ ماڈل کے بارے میں اندازہ کو تیز کرنے کے لیے
   • ڈسک پر ڈیٹاسیٹ کے سائز کو کمپریس کرنے کے لیے
   • بغیر لیبل والی مثالوں کو خود بخود لیبل کرنے کے لیے
2. ان میں سے کون سی تصویر بڑھانے کی عام تکنیک ہے؟
   • تدریجی نزول
   • بے ترتیب افقی پلٹنا
   • ٹوکنائزیشن
   • ڈراپ آؤٹ
3. متن کو بڑھانے میں بیک ٹرانسلیشن کیا کرتا ہے؟
   • ایک جملے میں الفاظ کی ترتیب کو ریورس کرتا ہے۔
   • متن سے تمام سٹاپ الفاظ کو ہٹاتا ہے۔
   • متن کا دوسری زبان میں ترجمہ کرتا ہے اور پیرا فریسز بنانے کے لیے واپس کرتا ہے۔
   • متن کو عددی سرایت میں تبدیل کرتا ہے۔
4. کیوں اضافہ 'لیبل محفوظ' ہونا چاہیے؟
   • ڈیٹا سیٹ فائل کے سائز کو مستقل رکھنے کے لیے
   • تربیت کو تیز تر بنانے کے لیے
   • کیونکہ ماڈل دوسری صورت میں لیبل نہیں پڑھ سکتے
   • کیونکہ لیبل کو تبدیل کرنا ماڈل کو غلط ایسوسی ایشن سکھائے گا۔
5. مکس اپ تکنیک کیا کرتی ہے؟
   • دو مثالوں اور ان کے لیبلز کو ایک تربیتی نمونے میں ملا دیتا ہے۔
   • کسی تصویر کے مستطیل خطہ کو ماسک کرتا ہے۔
   • خود بخود بہترین اضافہ کی پالیسی تلاش کرتا ہے۔
   • ماڈل وزن میں بے ترتیب شور شامل کرتا ہے۔
6. ڈیٹا کو بڑھانا خاص طور پر قیمتی کب ہوتا ہے؟
   • جب آپ کے پاس پہلے سے ہی لامحدود لیبل والا ڈیٹا ہو۔
   • جب لیبل لگا ہوا ڈیٹا کم ہوتا ہے اور زیادہ جمع کرنا مشکل ہوتا ہے۔
   • صرف اس صورت میں جب ماڈل مکمل طور پر تربیت یافتہ ہو۔
   • صرف ٹیبلر اسپریڈشیٹ ڈیٹا کے لیے
7. What does CutMix do to an image and its training label?
   • It adds a random word to a sentence without changing the label
   • It swaps only class names in the dataset
   • It replaces a patch with a patch from another image and mixes labels by the replaced area
   • It blurs every input and keeps a single label unchanged
8. How does AutoAugment select augmentation policies in its original paper?
   • It chooses transformations from a fixed human-written list without evaluation
   • It uses test labels to relabel training images
   • It selects operations from inference-time confidence only
   • It searches for policies using validation performance as a reward signal