گائیڈ سے منسلک کوئز · مشکل سطح
Gaussian Processes کوئز
GP فنکشن ڈسٹری بیوشنز، کرنل، پوسٹرئیر غیر یقینی صورتحال، کیوبک اسکیلنگ، ہائپر پیرامیٹر ٹیوننگ اور بایسیئن آپٹیمائزیشن چیک کرتا ہے۔
سوال 1 کی 8
ایک گاوسی عمل کس چیز پر امکانی تقسیم کی وضاحت کرتا ہے؟
ہر سوال کا جائزہ لیں۔8 سوالات
جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔
- ایک گاوسی عمل کس چیز پر امکانی تقسیم کی وضاحت کرتا ہے؟
- افعال
- صرف انفرادی ڈیٹا پوائنٹس
- مجرد کلاس لیبلز
- اعصابی نیٹ ورک کا وزن
- ایک نقطہ کے تخمینے سے آگے، ایک گاوسی عمل اپنے منتخب کردہ دانا اور شور کے مفروضوں کے تحت کیا واپس کرتا ہے؟
- 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
- جی پی میں دانا (کوویرینس فنکشن) کیا کردار ادا کرتا ہے؟
- یہ تربیتی ڈیٹا کو لیبل کرتا ہے۔
- یہ تربیتی ڈیٹا کی ضرورت کو دور کرتا ہے۔
- یہ انکوڈ کرتا ہے کہ قریبی ان پٹس کے لیے اسی طرح کے آؤٹ پٹ کیسے ہیں۔
- یہ سیکھنے کی شرح کا تعین کرتا ہے۔
- معیاری گاوسی عمل بہت بڑے ڈیٹاسیٹس کے ساتھ کیوں جدوجہد کرتے ہیں؟
- وہ غیر لکیری افعال کی نمائندگی نہیں کرسکتے ہیں۔
- انہیں لیبل شدہ کلاسز کی ضرورت ہوتی ہے۔
- وہ تربیتی ڈیٹا کو مکمل طور پر نظر انداز کرتے ہیں۔
- کرنل میٹرکس کو الٹا کرنے میں تقریباً این کیوبڈ وقت خرچ ہوتا ہے۔
- GP ہائپر پیرامیٹر جیسے لمبائی کے پیمانے کو عام طور پر کیسے منتخب کیا جاتا ہے؟
- معمولی امکان کو زیادہ سے زیادہ کر کے
- بے ترتیب اندازے سے
- ڈیٹا پوائنٹس کی تعداد کو کم سے کم کرکے
- وہ ہمیشہ طے شدہ ہیں اور کبھی نہیں ملتے ہیں۔
- کونسی مشہور تکنیک میں گاوسی عمل بنیادی جزو ہیں؟
- تصوراتی تصویر کی درجہ بندی
- ہائپر پیرامیٹر ٹیوننگ کے لیے بایسیئن آپٹیمائزیشن
- متن کی ٹوکنائزیشن
- گہرے نیٹ ورکس کے ذریعے بیک پروپیگیشن
- 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
- 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