Avaliação do módulo

1.

Suponha que seu corpus de texto contenha 80.000 palavras diferentes. Qual das opções a seguir ajudaria a reduzir a dimensionalidade do vetor de entrada para um classificador neural?

Selecionar aleatoriamente 10% das palavras e ignorar o restante.

Usar camada convolucional antes da camada classificador totalmente conectada

Usar camada de incorporação antes da camada de classificador totalmente conectada

Selecionar 10% das palavras mais usadas e ignorar o restante

2.

Queremos treinar uma rede neural para gerar novas palavras engraçadas para um livro infantil. Qual arquitetura podemos usar?

LSTM em nível de palavra

LSTM em nível de caractere

RNN em nível de palavra

Perceptron em nível de caractere

3.

A rede neural recorrente é chamada de recorrente porque:

Uma rede é aplicada para cada elemento de entrada, e a saída do aplicativo anterior é passada para a próxima

É treinado por um processo iterativo

Ele consiste em camadas, que incluem outras sub-redes

A rede processa a entrada inteira várias vezes em passes repetidos

4.

Qual é a ideia principal por trás da arquitetura de rede LSTM?

Número fixo de blocos LSTM para todo o conjunto de dados

Ele contém muitas camadas de redes neurais recorrentes

LSTMs usam mecanismos de controle (portas de esquecimento, entrada e saída) que controlam explicitamente quais informações são retidas ou descartadas em intervalos de tempo

LSTMs usam um vetor de estado oculto maior do que RNNs simples

5.

Qual é a principal vantagem de usar a representação TF-IDF em vez de uma simples representação de saco de palavras?

TF-IDF captura a ordem das palavras em uma frase

TF-IDF dá maior peso às palavras que são mais importantes para distinguir documentos, reduzindo o peso das palavras comuns.

TF-IDF usa redes neurais para aprender a importância da palavra

TF-IDF produz vetores de dimensão inferior do que saco de palavras

Comentários