Halaman ini diterjemahkan oleh Cloud Translation API. Embeddings: Uji Pengetahuan Anda Kembali ke jalur Manakah dari fitur berikut yang akan menjadi kandidat baik untuk penyematan? (Pilih semua yang sesuai) Pilih sebanyak mungkin jawaban yang Anda inginkan. Suhu tertinggi harian untuk Tokyo, Jepang dari tahun 1999–2024 Kategorisasi genre dari 10.000 drama: komedi, tragedi, atau sejarah Nama ilmiah untuk 1,5+ juta spesies hewan yang ada di Bumi Baris-baris kode dalam proyek perangkat lunak besar Anda sedang membangun embedding kemiripan lagu dari database yang berisi 10.000 lagu, yang direpresentasikan sebagai encoding one-hot. Berapa dimensi yang akan dimiliki embedding Anda? 10.000 dimensi Lebih dari 10.000 dimensi Kurang dari 10.000 dimensi Manakah dari berikut ini yang merupakan manfaat dari representasi vektor embedding dari data fitur terhadap representasi data yang sama dengan enkode one-hot-encode? (Pilih semua yang sesuai) Pilih sebanyak mungkin jawaban yang Anda inginkan. Representasi embedding memiliki bobot yang lebih sedikit untuk disesuaikan selama pelatihan. Representasi embedding dapat mengenkode hubungan semantik. Model yang dilatih dengan representasi embedding tidak perlu dievaluasi dengan set pengujian. Representasi embedding dapat lebih mudah ditampilkan dalam visualisasi. Benar atau Salah: Lapisan tersembunyi dari jaringan neural terlatih dapat digunakan sebagai penyematan. True Salah Manakah dari pernyataan berikut yang benar tentang word2vec? (Pilih semua yang sesuai) Pilih sebanyak mungkin jawaban yang Anda inginkan. Word2vec adalah salah satu dari banyak teknik yang digunakan untuk membuat representasi vektor kata. Word2vec memetakan kata-kata yang mirip secara semantik ke vektor embedding yang berdekatan satu sama lain dalam ruang geometris. Word2vec memetakan kata dengan beberapa arti ke beberapa vektor embedding. Word2vec menghasilkan embeddings kontekstual. Kirim jawaban error_outline Terjadi error saat menilai kuis. Harap coba lagi.
