وزن اور تعصب کوئز

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

1. مشین لرننگ میں بنیادی طور پر وزن اور تعصب کس بنیادی مسئلے کو حل کرتا ہے؟
   • تجربات اور ان کے میٹرکس کا سراغ لگانا اور دوبارہ تیار کرنا
   • موبائل آلات کے لیے اعصابی نیٹ ورک کے وزن کو کمپریس کرنا
   • مصنوعی تربیتی ڈیٹا خود بخود تیار کرنا
   • محفوظ تعیناتی کے لیے ماڈل کے وزن کو خفیہ کرنا
2. W&B میں لاگ ان کرنے کے لیے کونسی دو Python کالیں عام انٹری پوائنٹ ہیں؟
   • wandb.train() اور wandb.deploy()
   • wandb.init() اور wandb.log()
   • model.fit() اور model.save()
   • wandb.connect() اور wandb.send()
3. W&B سویپس کا مقصد کیا ہے؟
   • خراب تربیتی ڈیٹا کو صاف کرنا
   • اسٹوریج کو بچانے کے لیے پرانے تجرباتی لاگز کو حذف کرنا
   • خودکار ہائپر پیرامیٹر بہت سے رنز میں تلاش کرتا ہے۔
   • ٹریننگ جی پی یو کی ویڈیو سٹریمنگ
4. W&B نمونے آپ کو کیا کرنے دیتے ہیں؟
   • عصبی نیٹ ورکس کے 3D تصورات پیش کریں۔
   • خودکار طور پر تحقیقی مقالے لکھیں۔
   • ماڈلز کو ایک مختلف فریم ورک میں تبدیل کریں۔
   • ورژن ڈیٹاسیٹس اور ماڈلز تاکہ نتائج دوبارہ پیش کیے جا سکیں
5. مارچ 2025 میں کس کمپنی نے ویٹ اینڈ بائیز حاصل کیے؟
   • کور ویو
   • NVIDIA
   • Microsoft
   • Hugging Face
6. W&B Weave کس لیے ڈیزائن کیا گیا ہے؟
   • تلاش کے لیے سرایت پیدا کرنا
   • ایل ایل ایم ایپلی کیشنز کا سراغ لگانا اور جانچنا
   • Kubernetes کلسٹرز کا انتظام
   • زیر نگرانی سیکھنے کے لیے تصاویر کا لیبل لگانا
7. What can a W&B Table help a team compare?
   • Only GPU temperatures from a single machine
   • Only source-code branches with no logged data
   • Predictions or examples across models, epochs, or individual cases
   • Only user accounts and billing plans
8. What does W&B record when a run uses a logged artifact as an input?
   • A guarantee the model will reproduce identical results on all hardware
   • An automatic change to the dataset contents
   • A license grant for every file
   • A versioned input relationship that helps trace run lineage