Bài kiểm tra có liên kết hướng dẫn · Cứng Cấp độ

Bài kiểm tra quy trình Gaussian

Kiểm tra sự phân bố hàm GP, hạt nhân, độ không chắc chắn sau, chia tỷ lệ bậc ba, điều chỉnh siêu tham số và tối ưu hóa Bayesian.

Đường dẫn hướng dẫn liên quanQuy trình Gaussian
Câu hỏi 1 của 8

Quy trình Gaussian xác định phân bố xác suất trên cái gì?

Xem trước mọi câu hỏi8 câu hỏi

Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.

  1. Quy trình Gaussian xác định phân bố xác suất trên cái gì?
    • Chức năng
    • Chỉ các điểm dữ liệu riêng lẻ
    • Nhãn lớp rời rạc
    • Trọng số mạng lưới thần kinh
  2. Beyond a point estimate, what does a Gaussian Process return under its chosen kernel and noise assumptions?
    • 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
  3. Hạt nhân (hàm hiệp phương sai) đóng vai trò gì trong GP?
    • Nó dán nhãn dữ liệu đào tạo
    • Nó loại bỏ sự cần thiết của dữ liệu đào tạo
    • Nó mã hóa mức độ tương tự của các đầu ra đối với các đầu vào lân cận
    • Nó thiết lập tốc độ học tập
  4. Tại sao Quy trình Gaussian tiêu chuẩn gặp khó khăn với các tập dữ liệu rất lớn?
    • Chúng không thể biểu diễn các hàm phi tuyến
    • Họ yêu cầu các lớp được dán nhãn
    • Họ bỏ qua hoàn toàn dữ liệu đào tạo
    • Đảo ngược ma trận hạt nhân tốn khoảng thời gian n khối
  5. Các siêu tham số GP như thang độ dài thường được chọn như thế nào?
    • Bằng cách tối đa hóa khả năng cận biên
    • Bằng cách đoán ngẫu nhiên
    • Bằng cách giảm thiểu số lượng điểm dữ liệu
    • Chúng luôn cố định và không bao giờ điều chỉnh
  6. Quy trình Gaussian là thành phần cốt lõi trong kỹ thuật phổ biến nào?
    • Phân loại hình ảnh tích chập
    • Tối ưu hóa Bayes để điều chỉnh siêu tham số
    • Mã hóa văn bản
    • Lan truyền ngược qua mạng sâu
  7. 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
  8. 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