Modül değerlendirmesi

1.

Metin corpus'unuzun 80.000 farklı sözcük içerdiğini varsayalım. Aşağıdakilerden hangisi giriş vektörünün boyutsallığını sinir sınıflandırıcısına düşürmeye yardımcı olabilir?

Sözcüklerin %10'unu rastgele bir şekilde seçin ve kalanları görmezden gelin.

Tam olarak bağlı sınıflandırıcı katmanından önce kıvrımlı katman kullanma

Tam olarak bağlı sınıflandırıcı katmanından önce ekleme katmanını kullanma

En sık kullanılan sözcüklerin %10'unu seçin ve gerisini yoksayın

2.

Bir çocuk kitabı için yeni komik sözcükler üretmek için bir sinir ağı eğitmek istiyoruz. Hangi mimariyi kullanabiliriz?

Sözcük düzeyinde LSTM

Karakter düzeyi LSTM

Sözcük düzeyinde RNN

Karakter düzeyinde perceptron

3.

Tekrarlayan sinir ağı, tekrarlanan olarak adlandırılır, çünkü:

Her giriş öğesi için bir ağ uygulanır ve önceki uygulamadan alınan çıkış bir sonrakine geçirilir

Yinelenen bir işlem tarafından eğitilir

Diğer alt ağları içeren katmanlardan oluşur

Ağ, yinelenen geçişlerde girişin tamamını birden çok kez işler

4.

LSTM ağ mimarisinin arkasındaki ana fikir nedir?

Veri kümesinin tamamı için sabit sayıda LSTM bloğu

Yinelenen sinir ağlarının birçok katmanını içerir

LSTM'ler, zaman adımları boyunca hangi bilgilerin tutulup atılacağını açıkça kontrol eden gating mekanizmalarını (unutma, giriş ve çıkış kapıları) kullanır.

LSTM'ler basit RNN'lerden daha büyük bir gizli durum vektöru kullanır

5.

TF-IDF gösterimini basit bir sözcük paketi gösterimine göre kullanmanın temel avantajı nedir?

TF-IDF tümcedeki sözcüklerin sırasını yakalar

TF-IDF, ortak sözcüklerin ağırlığını düşürerek belgeleri ayırt etmek için daha önemli olan sözcüklere daha yüksek ağırlık verir

TF-IDF sözcük önemini öğrenmek için sinir ağlarını kullanır

TF-IDF, sözcük torbalarından daha düşük boyutlu vektörler üretir

Geri Bildirim