Эта страница переведена с помощью Cloud Translation API. Вложения: проверьте свои знания Вернуться к курсу Какая из следующих функций подойдет для встраивания? (Выберите все, что подходит) Выбирайте столько ответов, сколько считаете нужным. Ежедневные высокие температуры в Токио, Япония, 1999–2024 гг. Жанровая категоризация 10 000 пьес: комедия, трагедия или история. Научные названия для более чем 1,5 миллиона видов животных, существующих на Земле. Строки кода в большом программном проекте Вы создаете встраивание сходства песен из базы данных из 10 000 песен, представленных в виде горячих кодировок. Сколько измерений будет иметь ваше вложение? 10 000 измерений Более 10 000 измерений Менее 10 000 измерений Что из перечисленного является преимуществом внедрения векторного представления пространственных данных по сравнению с представлением тех же данных, закодированным одним горячим способом? (Выберите все, что подходит) Выбирайте столько ответов, сколько считаете нужным. Представление внедрения имеет меньше весов, которые нужно настраивать во время обучения. Представление внедрения может кодировать семантические отношения. Модель, обученную на внедренном представлении, не нужно оценивать с помощью тестового набора. Встроенное представление может быть проще отобразить в визуализации. Верно или неверно: скрытый слой обученной нейронной сети можно использовать в качестве встраивания. Истинный ЛОЖЬ Какие из следующих утверждений о word2vec верны? (Выберите все, что подходит) Выбирайте столько ответов, сколько считаете нужным. Word2vec — один из многих методов, используемых для создания векторных представлений слов. Word2vec отображает семантически похожие слова на встраивание векторов, близких друг к другу в геометрическом пространстве. Word2vec сопоставляет слово с несколькими значениями с несколькими векторами внедрения. Word2vec производит контекстные встраивания. Отправить ответы error_outline При определении оценки по тесту произошла ошибка. Повторите попытку.
