آموزش پردازش زبان طبیعی با اکوسیستم هاگینگ فیس ؛ آزمون پایان فصل (قسمت سوم فصل سوم)

فصل سوم از دوره رایگان آموزش پردازش زبان طبیعی با اکوسیستم هاگینگ فیس هم به پایان رسید و طبق روال گذشته، در پایان هر فصل یک «آزمون پایان فصل» ترتیب داده شده تا بتوانید اطلاعات و آموخته‌های خود را محک بزنید. سوالات آزمون در ادامه آورده شده و بعد از سوال‌ها هم پاسخ‌ها قرار داده شده‌اند. سعی کنید بر روی هر سوال به طور کامل تمرکز کرده و نهایت تلاش خود را بکنید تا خودتان متوجه پاسخ شوید و خیلی زود به جواب‌ها سر نزنید.

همچنین می‌توانید از طریق لینک انتهای مطلب به دیگر قسمت‌های این دوره آموزشی دسترسی داشته باشید.

1دیتاستemotionحاوی پیام‌های توئیتری است که با برچسب «احساسات» به آنها اختصاص داده شده است. می‌توانید درHubپیدایش کنید و کارت دیتاست را بخوانید. کدام یک از گزینه‌ها زیر از احساسات پایه‌ی آن نیست؟

الف) شادی

ب)عشق

ج)سردرگمی

د) شگفت‌زدگی

2دیتاستar_sarcasmرا درHubجستجو کنید. از کدام کار پشتیبانی می‌کند؟

الف) طبقه‌بندی احساسات

ب) ترجمه ماشینی

ج) شناسایی موجودیت‌های نام‌دار

د) پاسخگویی به پرسش‌ها

3جفت جملات چگونه در مدل برت پردازش می‌شوند؟

الف) Tokens_of_sentence_1 [SEP] Tokens_of_sentence_2

ب) [CLS] Tokens_of_sentence_1 Tokens_of_sentence_2

ج) [CLS] Tokens_of_sentence_1 [SEP] Tokens_of_sentence_2 [SEP]

د) [CLS] Tokens_of_sentence_1 [SEP] Tokens_of_sentence_2

4اگر یکی از دسته‌هایTFAutoModelForXxxرا با مدل زبانی از پیش آموزش دیده (مثلbert-base-uncased)‌ راه‌اندازی کنید، که مربوط به وظیفه ای متفاوت از کاری است که برای آن آموزش داده شده است چه اتفاقی رخ می‌دهد؟

الف) هیچ اتفاق خاصی نمی‌افتد! فقط یک هشدار داده می‌شود.

ب) هد مدلِ از پیش آموزش دیده کنار گذاشته شده و هد جدیدی جایگذاری می‌شود.

ج) هد مدلِ از پیش آموزش دیده کنار گذاشته می‌شود.

د) هیچ اتفاق خاصی رخ نمی‌دهد چون مدل می‌تواند کماکان برای انجام کارهای مختلف به طور دقیق تنظیم شود.

5مدل‌های تنسورفلوی مربوط بهtransformersدر زمره‌ی مدل‌های Keras قرار می‌گیرند. این کار چه فایده‌ای دارد؟

الف) مدل با TPU کار می‌کند.

ب) می‌توانید از روش‌های موجود مثلcompile()fit()وpredict()استفاده کنید.

ج) شما می توانید Keras و همچنین ترانسفورماتورها را یاد بگیرید.

د) امکان محاسبه‌ی آسان متریک‌های مربوط به دیتاست وجود دارد.

6متریک اختصاصی‌تان را چگونه تعریف می‌کنید؟

الف) با دسته‌بندیِkeras.metrics.Metric

ب) با استفاده ازKeras functional API

ج) با استفاده ازcallableوmetric_fn(y_true, y_pred

د) با گوگل کردنِ آن

پاسخ سوالات

پاسخ سوال اول

گزینه جسردرگمی

توضیحسردرگمی جزو شش احساس اصلی نیست.

پاسخ سوال دوم

گزینه الفطبقه‌‎بندی احساسات

توضیحمی‌توانید از تگ‌ها تشکر کنید.

پاسخ سوال سوم

گزینه ج[CLS] Tokens_of_sentence_1 [SEP] Tokens_of_sentence_2 [SEP]

توضیحگزینه درست را انتخاب کرده‌اید.

پاسخ سوال چهارم

گزینه بهد مدلِ از پیش آموزش دیده کنار گذاشته شده و هد جدیدی جایگذاری می‌شود.

توضیحTFAutoModelForSequenceClassification با bert-base-uncased. هنگام اجرای مدل، هشدار داده می‌شود. هدِ از پیش آموزش یافته برای عمل طبقه‌بندیِ توالی استفاده نمی‌شود؛ بنابراین، کنار گذاشته می‌شود و هد جدیدی با وزن‌های تصادفی به کار برده می‌شود.

پاسخ سوال پنجم

گزینه‌های ب و جمی‌توانید از روش‌های موجود مثلcompile()fit()وpredict()استفاده کنید – شما می توانید Keras و همچنین ترانسفورماتورها را یاد بگیرید.

توضیح گزینه بپس از اینکه داده‌ها را به دست آوردید، فرایند آموزش به راحتی انجام می‌گیرد.

توضیح گزینه جدرست است، ولی ما دنبال چیز دیگری هم هستیم.

پاسخ سوال ششم

گزینه‌های الف و ج و دبا دسته‌بندیِkeras.metrics.Metricبا استفاده ازcallableوmetric_fn(y_true, y_predبا گوگل کردنِ آن

توضیح گزینه الفگزینه درست را انتخاب کرده‌اید.

توضیح گزینه جگزینه درست را انتخاب کرده‌اید.

توضیح گزینه داین پاسخی نیست که ما به دنبال آن هستیم، اما باید به شما در یافتن آن کمک کند.

از طریق لینک زیر می‌توانید به دیگر قسمت‌های این دوره آموزشی رایگان دسترسی داشته باشید

[button href=”https://XNET.com/%D8%B1%D8%B3%D8%A7%D9%86%D9%87-%D9%87%D8%A7/%D8%A2%D9%85%D9%88%D8%B2%D8%B4-%D9%BE%D8%B1%D8%AF%D8%A7%D8%B2%D8%B4-%D8%B2%D8%A8%D8%A7%D9%86-%D8%B7%D8%A8%DB%8C%D8%B9%DB%8C/” type=”btn-default” size=”btn-lg”]آموزش پردازش زبان طبیعی[/button]

برای ارزیابی پایداری، امنیت و نگهداری این زیرساخت، راهنمای پشتیبانی شبکه را نیز مطالعه کنید.