Ocena modułu

1.

Załóżmy, że korpus tekstu zawiera 80 000 różnych wyrazów. Który z poniższych elementów pomoże zmniejszyć wymiarowość wektora wejściowego do klasyfikatora neuronowego?

Losowo zaznacz 10% wyrazów i zignoruj resztę.

Użyj warstwy konwolucyjnej przed w pełni połączoną warstwą klasyfikatora

Użyj warstwy osadzania przed w pełni połączoną warstwą klasyfikatora

Wybierz 10% najczęściej używanych słów i ignoruj resztę

2.

Chcemy wytrenować sieć neuronową, aby wygenerować nowe zabawne słowa dla książki dziecięcej. Której architektury możemy użyć?

LSTM na poziomie programu Word

LSTM na poziomie znaku

Nazwa sieci RNN na poziomie programu Word

Perceptron na poziomie znaku

3.

Sieć neuronowa rekurencyjna jest nazywana rekurencyjną, ponieważ:

Sieć jest stosowana dla każdego elementu wejściowego i dane wyjściowe z poprzedniej aplikacji są przekazywane do następnego

Jest on trenowany przez proces cykliczny

Składa się z warstw, które obejmują inne podsieci

Sieć przetwarza całe dane wejściowe wiele razy w powtarzających się przebiegach

4.

Jaka jest główna idea architektury sieci LSTM?

Stała liczba bloków LSTM dla całego zestawu danych

Zawiera wiele warstw cyklicznych sieci neuronowych

LSTM używają mechanizmów bramkowania (zapominania, wprowadzania i bramy wyjściowej), które jawnie kontrolują, które informacje są zachowywane lub odrzucane na kolejnych krokach czasowych.

Maszyny LSTM używają większego ukrytego wektora stanu niż proste sieci RNN

5.

Jaka jest główna zaleta używania reprezentacji TF-IDF nad prostą reprezentacją worka słów?

TF-IDF przechwytuje kolejność wyrazów w zdaniu

TF-IDF daje większą wagę wyrazom, które są ważniejsze dla rozróżniania dokumentów, poprzez obniżanie wagi wspólnych słów

TF-IDF używa sieci neuronowych do nauki znaczenia słowa

TF-IDF tworzy wektory o niższych wymiarach niż torba słów

Opinia