آموزش پردازش زبان طبیعی با اکوسیستم هاگینگ فیس ؛ آزمون پایان فصل (قسمت سوم فصل سوم)
تیم تحریریه- ۱۷ بهمن ۱۴۰۰
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.
1- دیتاست emotion حاوی پیام‌های توئیتری است که با برچسب «احساسات» به آنها اختصاص داده شده است. می‌توانید در Hub پیدایش کنید و کارت دیتاست را بخوانید. کدام یک از گزینه‌ها زیر از احساسات پایه‌ی آن نیست؟
الف) شادی
ب)عشق
ج)سردرگمی
د) شگفت‌زدگی
2- دیتاست ar_sarcasm را در Hub جستجو کنید. از کدام کار پشتیبانی می‌کند؟
الف) طبقه‌بندی احساسات
ب) ترجمه ماشینی
ج) شناسایی موجودیت‌های نام‌دار
د) پاسخگویی به پرسش‌ها
3- جفت 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
4- اگر یکی از دسته‌های TFAutoModelForXxx را با مدل زبانی از پیش آموزش دیده (مثل bert-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.
5- مدل‌های تنسورفلوی مربوط به transformers در زمره‌ی مدل‌های Keras قرار می‌گیرند. این کار چه فایده‌ای دارد؟
الف) مدل با TPU کار می‌کند.
ب) می‌توانید از روش‌های موجود مثل compile()، fit() و predict() استفاده کنید.
ج) شما می توانید Keras و همچنین ترانسفورماتورها را یاد بگیرید.
د) امکان محاسبه‌ی آسان متریک‌های مربوط به دیتاست وجود دارد.
6- متریک اختصاصی‌تان را چگونه تعریف می‌کنید؟
الف) با دسته‌بندیِ keras.metrics.Metric
ب) با استفاده از Keras functional API
ج) با استفاده از callable و metric_fn(y_true, y_pred
د) با گوگل کردنِ آن
پاسخ سوالات
پاسخ سوال اول:
گزینه ج: سردرگمی
توضیح: سردرگمی جزو شش احساس اصلی نیست.
پاسخ سوال دوم:
گزینه الف: طبقه‌بندی احساسات
توضیح: می‌توانید از تگ‌ها تشکر کنید.
پاسخ سوال سوم:
گزینه ج: [CLS] Tokens_of_sentence_1 [SEP] Tokens_of_sentence_2 [SEP]
توضیح: گزینه درست را انتخاب کرده‌اید.
پاسخ سوال چهارم:
گزینه ب: هد مدلِ از پیش آموزش دیده کنار گذاشته شده و هد جدیدی جایگذاری می‌شود.
توضیح: TFAutoModelForSequenceClassification 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 ج: می‌توانید از روش‌های موجود مثل compile()، fit() و predict() استفاده کنید – شما می توانید Keras و همچنین ترانسفورماتورها را یاد بگیرید.
توضیح گزینه ب: پس از اینکه داده‌ها را به دست آوردید، فرایند آموزش به راحتی انجام می‌گیرد.
توضیح گزینه ج: درست است، ولی ما دنبال چیز دیگری هم هستیم.
پاسخ سوال ششم:
گزینه‌های الف و ج و د: با دسته‌بندیِ keras.metrics.Metric – با استفاده ازcallableوmetric_fn(y_true, y_pred – با گوگل کردنِ آن
توضیح گزینه الف: گزینه درست را انتخاب کرده‌اید.
توضیح گزینه ج: گزینه درست را انتخاب کرده‌اید.
توضیح گزینه د: این 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://hooshio.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]
