Questo browser non è più supportato.
Esegui l'aggiornamento a Microsoft Edge per sfruttare i vantaggi di funzionalità più recenti, aggiornamenti della sicurezza e supporto tecnico.
Si supponga che il corpus di testo contenga 80.000 parole diverse. Quale dei seguenti consente di ridurre la dimensionalità del vettore di input a un classificatore neurale?
Viene selezionato in modo casuale il 10% delle parole mentre il resto viene ignorato.
Usare il livello convoluzionale prima del livello classificatore completamente connesso
Usare il livello di incorporamento prima del livello classificatore completamente connesso
Viene selezionato il 10% delle parole usate più di frequente mentre il resto viene ignorato
Si vuole eseguire il training di una rete neurale in modo che generi nuove parole divertenti per un libro per bambini. Quale architettura è possibile usare?
LSTM a livello di parola
LSTM a livello di carattere
RNN a livello di parola
Percettrone a livello di carattere
Perché la rete neurale ricorrente è detta "ricorrente"?
Viene applicata una rete per ogni elemento di input e l'output dell'applicazione precedente viene passato a quella successiva
È addestrato da un processo ricorrente
È costituito da livelli, che includono altre sottoreti
La rete elabora l'intero input più volte in passaggi ripetuti
Qual è l'idea principale alla base dell'architettura di rete LSTM?
Il numero fisso di blocchi LSTM per l'intero set di dati
Contiene molti livelli di reti neurali ricorrenti
Le LSTM usano meccanismi di controllo (gate di dimenticanza, di input e di output) che controllano in modo esplicito quali informazioni vengono mantenute o rimosse nei passaggi del tempo.
Le LSTM usano un vettore di stato nascosto più grande rispetto alle reti ARN semplici
Qual è il vantaggio principale dell'uso della rappresentazione TF-IDF rispetto a una semplice rappresentazione a sacco di parole?
TF-IDF acquisisce l'ordine delle parole in una frase
TF-IDF dà maggiore peso alle parole più importanti per distinguere i documenti, riducendo il peso delle parole comuni
TF-IDF usa reti neurali per apprendere l'importanza delle parole
TF-IDF produce vettori a dimensione inferiore rispetto a "bag-of-words"
Devi rispondere a tutte le domande prima di controllare il lavoro svolto.
Questa pagina è stata utile?
Serve aiuto con questo argomento?
Provare a usare Ask Learn per chiarire o guidare l'utente in questo argomento?