Word2Vec Skip-Gram اور CBOW کوئز

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

1. اسکیپ گرام فن تعمیر کیا پیش گوئی کرتا ہے؟
   • مرکز کے لفظ سے ارد گرد کے سیاق و سباق کے الفاظ
   • ارد گرد کے سیاق و سباق کے الفاظ سے مرکزی لفظ
   • دستاویز میں اگلا جملہ
   • ہر لفظ کا پارٹ آف اسپیچ ٹیگ
2. Word2Vec ماڈل کی تربیت کا اصل کارآمد آؤٹ پٹ کیا ہے؟
   • سیاق و سباق کے الفاظ پر پیشین گوئی کی درستگی
   • سیکھا ہوا وزن میٹرکس، جس کی قطاریں لفظ ویکٹر ہیں۔
   • جملے کا ایک پارس درخت
   • ہر دستاویز کی کلاس کے لیے ایک امکان
3. Word2Vec منفی نمونے کیوں استعمال کرتا ہے؟
   • الفاظ کا حجم بڑھانے کے لیے
   • زبانوں کے درمیان ترجمہ کرنا
   • پوری لغت پر مہنگے مکمل سافٹ میکس سے بچنے کے لیے
   • سٹاپ الفاظ کو خود بخود ہٹانے کے لیے
4. What does subsampling frequent words do in the later Word2Vec training method?
   • It reduces the influence of very frequent words and can speed training
   • It turns every word into a character n-gram
   • It changes CBOW into a sentence classifier
   • It guarantees better vectors for every rare word
5. Word2Vec ویکٹر کی کون سی مشہور خاصیت کو "بادشاہ - مرد + عورت ≈ ملکہ" سے دکھایا گیا ہے؟
   • لکیری ریاضی کے ذریعے ویکٹر تشبیہات
   • بالکل درست لغت تلاش کریں۔
   • گرائمیکل غلطی کی اصلاح
   • جملے کی لمبائی نارملائزیشن
6. Word2Vec کس نے اور کس سال میں متعارف کرایا؟
   • ٹورنٹو میں جیفری ہنٹن، 2006
   • ٹامس میکولوف اور ساتھی Google، 2013 میں
   • بیل لیبز میں یان لیکون، 1998
   • OpenAI، 2018
7. What does the CBOW architecture predict from its input context?
   • Each future paragraph in the document
   • The sentiment label of the full corpus
   • The center word surrounded by the context window
   • The spelling of a character n-gram
8. What distribution does the original Word2Vec paper use to draw negative samples?
   • A uniform distribution over all character n-grams
   • A distribution based only on word length
   • A distribution proportional to squared inverse frequency
   • A unigram word-frequency distribution raised to the 0.75 power