ملٹی آرمڈ ڈاکو کوئز

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

1. کثیر مسلح ڈاکو کے مسئلے میں مرکزی تجارت اس کے درمیان ہے:
   • دریافت اور استحصال
   • تعصب اور تغیر
   • صحت سے متعلق اور یاد کرنا
   • تربیت اور اندازہ
2. ڈاکو کے مسائل میں 'افسوس' سے مراد:
   • الگورتھم کے ذریعے استعمال ہونے والی میموری
   • مجموعی انعامی فرق بمقابلہ ہمیشہ بہترین بازو کھیلنا
   • دستیاب ہتھیاروں کی تعداد
   • ماڈل کو تربیت دینے کا وقت
3. ایپسیلن لالچی حکمت عملی کیا کرتی ہے؟
   • ہمیشہ سب سے زیادہ مطلب کے ساتھ بازو چنتا ہے۔
   • کبھی کسی بازو کی تلاش نہیں کرتے
   • زیادہ تر بہترین بازو کا استحصال کرتا ہے لیکن امکانی ایپسیلون کے ساتھ تصادفی طور پر دریافت کرتا ہے۔
   • ہر بازو کو ہمیشہ کے لیے برابر تعداد میں کھینچتا ہے۔
4. اپر کانفیڈنس باؤنڈ (UCB) طریقہ اس اصول پر عمل پیرا ہے:
   • بے یقینی کے عالم میں مایوسی
   • غیر یقینی صورتحال کو مکمل طور پر نظر انداز کرنا
   • صرف بے ترتیب انتخاب
   • بے یقینی کے عالم میں پرامید
5. تھامسن کے نمونے لینے سے بازو کا انتخاب ہوتا ہے:
   • ہر بازو کے پچھلے عقیدے سے نمونہ لینا اور بہترین نمونہ کھیلنا
   • بازو کو ہمیشہ کم سے کم کھینچنا
   • مقررہ راؤنڈ رابن ترتیب میں ہتھیار اٹھانا
   • تربیت کے نقصان کو کم سے کم کرنا
6. سیاق و سباق کا ڈاکو معیاری ڈاکو سے کیسے مختلف ہے؟
   • یہ انعامات کو مکمل طور پر نظر انداز کرتا ہے۔
   • یہ انتخاب کو مطلع کرنے کے لیے موجودہ صورتحال کی خصوصیات کا استعمال کرتا ہے۔
   • اس کا صرف ایک بازو ہے۔
   • یہ وقت کے ساتھ سیکھ نہیں سکتا
7. In UCB, which arm usually receives a larger exploration bonus?
   • An arm whose sample count is largest
   • An arm with no uncertainty by definition
   • An arm that has been sampled relatively few times
   • An arm with a negative reward only
8. What does logarithmic regret growth indicate over a long run?
   • The algorithm receives zero reward after each round
   • The best arm changes at every step
   • Exploration stops before the first observation
   • The cumulative gap from always choosing the best arm grows much slower than the number of rounds