Embeddings: teste seu conhecimento

1. Quais dos atributos a seguir seriam bons candidatos para uma incorporação? Escolha todas as opções relevantes.

   Escolha quantas respostas você achar adequado.

   Temperaturas altas diárias em Tóquio, Japão, de 1999 a 2024

   Categorização de gênero de 10.000 peças: comédia, tragédia ou história

   Nomes científicos para as mais de 1,5 milhão de espécies de animais que existem na Terra

   Linhas de código em um grande projeto de software

2. Você está criando um embedding de semelhança de músicas de um banco de dados de 10 mil músicas, representadas como codificações one-hot. Quantas dimensões seu embedding terá?

   10.000 dimensões

   Mais de 10.000 dimensões

   Menos de 10.000 dimensões

3. Quais das opções a seguir são benefícios de uma representação vetorial de embedding de dados de atributos em relação a uma representação codificada one-hot dos mesmos dados? Escolha todas as opções relevantes.

   Escolha quantas respostas você achar adequado.

   A representação de embedding tem menos pesos para ajustar durante o treinamento.

   A representação de embedding pode codificar relações semânticas.

   Um modelo treinado na representação de embedding não precisa ser avaliado com um conjunto de teste.

   A representação do embedding pode ser mais fácil de mostrar em uma visualização.

4. Verdadeiro ou falso: uma camada escondida de uma rede neural treinada pode ser usada como embedding.

   Verdadeiro

   Falso

5. Quais das afirmações abaixo sobre word2vec são verdadeiras? Escolha todas as opções relevantes.

   Escolha quantas respostas você achar adequado.

   Word2vec é uma das muitas técnicas usadas para criar representações vetoriais de palavras.

   Word2vec mapeia semanticamente as palavras semelhantes a vetores de embedding próximos ao espaço geométrico.

   Word2vec mapeia uma palavra com múltiplos significados para múltiplos vetores de embedding.

   Word2vec produz embeddings contextuais.

Enviar respostas