Sprachmodelle: Arten und ihre Verwendung

Question 1

Welches der folgenden Sprachmodelle basiert auf einem stochastischen endlichen Automaten?

Accepted Answer

Hidden-Markov-Modell (HMM)

Answer

N-Gramm

Answer

Neuronales Sprachmodell

Question 2

Welches Sprachmodell nutzt statistische Wahrscheinlichkeiten zur Vorhersage von Wortfolgen in Texten?

Accepted Answer

N-Gramm-Modell

Answer

Hidden-Markov-Modell

Answer

Neuronales Sprachmodell

Question 3

Welche Komponente eines Hidden-Markov-Modells repräsentiert die nicht direkt beobachtbaren, versteckten Zustände?

Accepted Answer

Zustand

Answer

Emission

Answer

Transition

Question 4

Welche Eigenschaft unterscheidet neuronale Sprachmodelle von anderen Sprachmodellen?

Accepted Answer

Sequenz-zu-Sequenz-Generierung

Answer

Hierarchische Struktur

Answer

Unüberwachtes Lernen

Question 5

Welches N-Gramm-Modell berücksichtigt lediglich die beiden vorherigen Wörter?

Accepted Answer

Bi-Gramm

Answer

Tri-Gramm

Answer

4-Gramm

Question 6

Welcher Nachteil ist mit der Verwendung von N-Gramm-Modellen verbunden?

Accepted Answer

Sparsamkeitsproblem

Answer

Erfassung langer Abhängigkeiten

Answer

Hoher Rechenaufwand

Question 7

Welche Anwendung nutzt Sprachmodelle, um automatische Übersetzungen zu erzeugen?

Accepted Answer

Maschinelle Übersetzung

Answer

Spracherkennung

Answer

Sprachsynthese

Question 8

Welches Sprachmodell kann Textpassagen generieren, die einer menschlichen Schreibweise ähneln?

Accepted Answer

Neuronales Sprachmodell

Answer

N-Gramm-Modell

Answer

Hidden-Markov-Modell

Question 9

Welche Eigenschaft erlaubt es neuronalen Sprachmodellen, Kontextabhängigkeiten über größere Distanzen zu erkennen?

Accepted Answer

Aufmerksamkeit

Answer

Rekursion

Answer

Faltung

Question 10

Wie tragen versteckte Zustände in Hidden-Markov-Modellen (HMMs) zur Modellierung sprachlicher Phänomene bei?

Accepted Answer

Sie ermöglichen die Modellierung von Abhängigkeiten zwischen Wörtern ohne explizite Regeln.

Answer

Sie verbessern die Lesbarkeit von Modellen, indem sie diese für Menschen verständlicher machen.

Answer

Sie ermöglichen es, zukünftige Wörter basierend auf vorherigen Beobachtungen vorherzusagen.

Answer

Sie reduzieren die Größe von Modellen und machen sie effizienter.

Question 11

Wie beeinflusst die Größe des Trainingsdatensatzes die Effizienz eines neuronalen Sprachmodells?

Accepted Answer

Eine größere Trainingsdatenmenge kann zu Überanpassung führen.

Answer

Eine größere Trainingsdatenmenge führt immer zu einer geringeren Effizienz.

Answer

Eine größere Trainingsdatenmenge führt zu einer exponentiellen Steigerung der Effizienz.

Answer

Eine größere Trainingsdatenmenge hat keinen Einfluss auf die Effizienz.

Question 12

Wie beeinflusst die Anpassung der Anzahl der Schichten in einem neuronalen Sprachmodell dessen Leistung?

Accepted Answer

Mehr Schichten ermöglichen die Erfassung komplexerer Beziehungen und erhöhen die Genauigkeit.

Answer

Mehr Schichten verkürzen die Berechnungszeit des Modells.

Answer

Mehr Schichten reduzieren das Risiko von Überanpassung.

Answer

Die Anzahl der Schichten hat keinen Einfluss auf die Leistung des Modells.

Question 13

Welches Sprachmodell schätzt die Wahrscheinlichkeit der nächsten Einheit in einer Sequenz basierend auf vorangegangenen Einheiten?

Accepted Answer

N-Gramm-Modell

Answer

Hidden-Markov-Modell

Answer

Neuronales Sprachmodell

Question 14

Welches Sprachmodell kann versteckte Zustände modellieren, die nicht direkt beobachtet werden können?

Accepted Answer

Hidden-Markov-Modell

Answer

N-Gramm-Modell

Answer

Neuronales Sprachmodell

Question 15

Welches Sprachmodell nutzt maschinelles Lernen, um Muster in Sprachdaten zu erfassen?

Accepted Answer

Neuronales Sprachmodell

Answer

N-Gramm-Modell

Answer

Hidden-Markov-Modell

Question 16

Welche Einschränkung haben N-Gramm-Modelle?

Accepted Answer

Sie können nur kurze Abhängigkeiten modellieren.

Answer

Sie erfordern keine großen Trainingsdatenmengen.

Answer

Sie eignen sich gut für die Verarbeitung natürlicher Sprache.

Question 17

Welches Sprachmodell eignet sich am besten für Aufgaben wie Textzusammenfassung?

Accepted Answer

Neuronales Sprachmodell

Answer

N-Gramm-Modell

Answer

Hidden-Markov-Modell

Question 18

Welches Konzept steht im Mittelpunkt von Hidden-Markov-Modellen?

Accepted Answer

Zustände und Übergänge

Answer

Emissionen und Beobachtungen

Answer

Wörter und Sätze

Question 19

Welcher Vorteil ist mit neuronalen Sprachmodellen verbunden?

Accepted Answer

Sie können komplexe Sprachstrukturen modellieren.

Answer

Sie sind einfach zu trainieren.

Answer

Sie benötigen keine großen Datenmengen.

Question 20

Welche Art von Aufgabe ist für N-Gramm-Modelle ungeeignet?

Accepted Answer

Maschinelle Übersetzung

Answer

Rechtschreibprüfung

Answer

Textklassifizierung

Question 21

Welche Eigenschaft ist für Sprachmodelle unerlässlich?

Accepted Answer

Sequenzielle Abhängigkeiten modellieren

Answer

Fehlerfreie Spracherzeugung

Answer

Kompatibilität mit allen Programmiersprachen

Question 22

Welche Rolle spielen Sprachmodelle in der Sprachtechnologie?

Accepted Answer

Ermöglichen die Verarbeitung und Erzeugung menschlicher Sprache

Answer

Ersetzen menschliche Linguisten

Answer

Sind nur auf die Spracherkennung beschränkt

Question 23

Welches Sprachmodell wird häufig in Spracherkennungssystemen eingesetzt?

Accepted Answer

Hidden-Markov-Modell

Answer

Neuronales Sprachmodell

Answer

N-Gramm

Answer

Regelbasiertes Sprachmodell

Question 24

Welche Kriterien sollten bei der Wahl eines Sprachmodells berücksichtigt werden?

Accepted Answer

Alle genannten Kriterien

Answer

Die Größe des verfügbaren Datensatzes

Answer

Die gewünschte Genauigkeit

Answer

Die Rechenzeit

Question 25

Welche Architektur beschreiben Hidden-Markov-Modelle?

Accepted Answer

Eine Reihe von Zuständen und Übergängen

Answer

Eine probabilistische Ausgabeverteilung

Answer

Deterministische Modelle

Answer

Keine sequentiellen Abhängigkeiten

Question 26

Was ist eine Herausforderung bei der Anwendung neuronaler Sprachmodelle?

Accepted Answer

Alle genannten Herausforderungen

Answer

Empfindlichkeit gegenüber Rauschen in Daten

Answer

Hoher Rechenaufwand

Answer

Mangelnde Transparenz

Question 27

Welche Reihenfolge beschreibt die historische Entwicklung von Sprachmodellen korrekt?

Accepted Answer

Markov-Modelle -> Statistische Modelle -> Neuronale Modelle

Answer

Statistische Modelle -> Neuronale Modelle -> Markov-Modelle

Answer

Neuronale Modelle -> Statistische Modelle -> Markov-Modelle

Answer

Neuronale Modelle -> Markov-Modelle -> Statistische Modelle

Question 28

Welcher Sprachmodelltyp beruht auf der statistischen Beziehung zwischen Wörtern in einem Textkorpus und berücksichtigt keine langen Abhängigkeiten?

Accepted Answer

N-Gramm

Answer

Vektorraummodell

Answer

Neuronales Sprachmodell

Question 29

Welche Aussage trifft auf Hidden-Markov-Modelle zu?

Accepted Answer

Sie können nur sequentielle Daten modellieren.

Answer

Sie berücksichtigen Abhängigkeiten zwischen Wörtern über beliebige Distanzen.

Answer

Sie sind rechnerisch sehr effizient.

Question 30

Welcher Sprachmodell-Typ nutzt Techniken des maschinellen Lernens, um Sprache in mathematische Vektoren zu konvertieren?

Accepted Answer

Worteinbettungsmodell

Answer

N-Gramm

Answer

Vektorraummodell

Question 31

Wo liegt ein Vorteil von neuronalen Sprachmodellen gegenüber anderen Sprachmodellen?

Accepted Answer

Sie können längere Abhängigkeiten in der Sprache erfassen.

Answer

Sie benötigen weniger Rechenleistung.

Answer

Sie können seltene Wörter besser modellieren.

Question 32

Welche Technik wird bei N-Gramm-Modellen eingesetzt, um die Wahrscheinlichkeit seltener Wortfolgen zu erhöhen?

Accepted Answer

Glättung

Answer

Interpolation

Answer

Clustering

Question 33

Was ist eine wesentliche Einschränkung von Hidden-Markov-Modellen?

Accepted Answer

Begrenzte Fähigkeit, nicht-lokale Abhängigkeiten zu modellieren

Answer

Hohe Empfindlichkeit gegenüber Rauschen

Answer

Hoher Speicherbedarf

Question 34

Welches Verfahren kann zur Reduzierung der Dimensionalität von Wörtern in einem neuronalen Sprachmodell verwendet werden?

Accepted Answer

Worteinbettung

Answer

Latente semantische Analyse

Answer

Singulärwertzerlegung

Question 35

Welches Sprachmodell schätzt die Wahrscheinlichkeit von Wörtern in einem Satz auf Grundlage vorheriger Wörter?

Accepted Answer

N-Gramm-Modell

Answer

Hidden-Markov-Modell

Answer

Neuronales Sprachmodell

Question 36

Welches Sprachmodell verwendet verborgene Zustände, um sequenzielle Daten wie Sprache zu modellieren?

Accepted Answer

Hidden-Markov-Modell

Answer

N-Gramm-Modell

Answer

Neuronales Sprachmodell

Question 37

Welches Sprachmodell nutzt künstliche neuronale Netzwerke für Sprachverständnis und -erzeugung?

Accepted Answer

Neuronales Sprachmodell

Answer

N-Gramm-Modell

Answer

Hidden-Markov-Modell

Question 38

Was ist ein Vorteil von N-Gramm-Modellen gegenüber anderen Sprachmodellen?

Accepted Answer

Leichte Implementierung

Answer

Hohe Vorhersagegenauigkeit

Answer

Erkennung von Kontextbeziehungen

Question 39

Welche Einschränkung haben Hidden-Markov-Modelle?

Accepted Answer

Unfähigkeit, lange Abhängigkeiten zu erfassen

Answer

Anfälligkeit für Rauschen

Answer

Hohe Rechenkomplexität

Question 40

Welche Vorteile entstehen durch die Kombination von Sprachmodellen mit Computerlinguistik und maschinellem Lernen in der Sprachverarbeitung?

Accepted Answer

Höhere Genauigkeit und Geschwindigkeit

Answer

Geringere Kosten

Answer

Leichtere Implementierung

Answer

Keine Vorteile

Question 41

Welche besondere Herausforderung entsteht durch die mangelnde Interpretierbarkeit neuronaler Sprachmodelle?

Accepted Answer

Erklärung der Gründe für Vorhersagen

Answer

Schwierigkeiten bei der Vorhersage zukünftiger Wörter

Answer

Begrenzung der Modellgröße und -komplexität

Question 42

Welches Sprachmodell nutzt eine Folge von Wörtern oder Symbolen, um die Wahrscheinlichkeit des nächsten Elements in einer Sequenz vorauszusagen?

Accepted Answer

N-Gramm

Answer

Neuronales Sprachmodell

Answer

Vektorraummodell

Answer

Hidden-Markov-Modell

Question 43

Welches Sprachmodell basiert auf einer Reihe von Zuständen, um Abhängigkeiten zwischen Wörtern in einer Sequenz zu modellieren?

Accepted Answer

Hidden-Markov-Modell

Answer

N-Gramm

Answer

Neuronales Sprachmodell

Answer

Probabilistisches kontextfreies Grammatikmodell

Question 44

Welches Sprachmodell setzt neuronale Netze ein, um komplexe Beziehungen zwischen Wörtern in einer Sequenz zu erfassen?

Accepted Answer

Neuronales Sprachmodell

Answer

Vektorraummodell

Answer

Hidden-Markov-Modell

Answer

N-Gramm

Question 45

Welches Sprachmodell ist für seine Fähigkeit bekannt, weitreichende Abhängigkeiten zwischen Wörtern zu modellieren?

Accepted Answer

Neuronales Sprachmodell

Answer

Hidden-Markov-Modell

Answer

Probabilistisches kontextfreies Grammatikmodell

Answer

N-Gramm

Question 46

Welches Sprachmodell zeichnet sich durch seine Effizienz und Schnelligkeit bei der Verarbeitung großer Textmengen aus?

Accepted Answer

N-Gramm

Answer

Neuronales Sprachmodell

Answer

Hidden-Markov-Modell

Answer

Vektorraummodell

Question 47

Welches Sprachmodell findet häufig Anwendung in Spracherkennungssystemen?

Accepted Answer

Hidden-Markov-Modell

Answer

N-Gramm

Answer

Neuronales Sprachmodell

Answer

Vektorraummodell

Question 48

Welches Sprachmodell wird oft in maschinellen Übersetzungssystemen eingesetzt?

Accepted Answer

Neuronales Sprachmodell

Answer

N-Gramm

Answer

Probabilistisches kontextfreies Grammatikmodell

Answer

Hidden-Markov-Modell

Question 49

Welches Sprachmodell verwendet einen hierarchischen Ansatz, um die Grammatik natürlicher Sprache zu modellieren?

Accepted Answer

Probabilistisches kontextfreies Grammatikmodell

Answer

Neuronales Sprachmodell

Answer

Hidden-Markov-Modell

Answer

N-Gramm

Question 50

Welches Sprachmodell ist für seine Fähigkeit bekannt, unbekannte Wörter und Phrasen zu verarbeiten?

Accepted Answer

Neuronales Sprachmodell

Answer

N-Gramm

Answer

Probabilistisches kontextfreies Grammatikmodell

Answer

Hidden-Markov-Modell

Question 51

Welches Sprachmodell stützt sich auf Häufigkeitsstatistiken, um das Auftreten von Wörtern in einer Sequenz zu modellieren?

Accepted Answer

N-Gramm-Modell

Answer

Endliche Zustandsmaschine

Answer

Hidden-Markov-Modell

Answer

Neuronales Sprachmodell

Question 52

Welches Sprachmodell kann weitreichende Abhängigkeiten zwischen Wörtern in einer Sequenz erfassen?

Accepted Answer

Neuronales Sprachmodell

Answer

Reguläre Ausdrücke

Answer

N-Gramm-Modell

Answer

Hidden-Markov-Modell

Question 53

Welches Sprachmodell wird häufig in der Spracherkennung und -synthese eingesetzt?

Accepted Answer

Hidden-Markov-Modell

Answer

N-Gramm-Modell

Answer

Neuronales Sprachmodell

Question 54

Welches Sprachmodell nutzt einen verborgenen Markov-Prozess, um die Abfolge von Ereignissen in einer Sequenz darzustellen?

Accepted Answer

Hidden-Markov-Modell

Answer

Neuronales Sprachmodell

Answer

N-Gramm-Modell

Answer

Bayessches Netz

Question 55

Welches Sprachmodell basiert auf künstlichen neuronalen Netzen, um Sprache zu verstehen und zu generieren?

Accepted Answer

Neuronales Sprachmodell

Answer

N-Gramm-Modell

Answer

Hidden-Markov-Modell

Answer

Wortvektormodell

Question 56

Welches Sprachmodell repräsentiert Wörter als Vektoren, um semantische Ähnlichkeiten zu erfassen?

Accepted Answer

Wortvektormodell

Answer

N-Gramm-Modell

Answer

Hidden-Markov-Modell

Question 57

Welches Sprachmodell eignet sich am besten, um das nächste Wort in einer Sequenz basierend auf dem Kontext vorheriger Wörter vorherzusagen?

Accepted Answer

N-Gramm-Modell

Answer

Hidden-Markov-Modell

Answer

Neuronales Sprachmodell

Answer

Entscheidungsbaum

Question 58

Welches Sprachmodell wird für die automatische Sprachübersetzung eingesetzt?

Accepted Answer

Neuronales Sprachmodell

Answer

Hidden-Markov-Modell

Answer

N-Gramm-Modell

Answer

Regelbasiertes Übersetzungssystem

Question 59

Welches Sprachmodell berechnet die Auftretenswahrscheinlichkeit eines Wortes in einer Sequenz, unabhängig vom vorangegangenen Kontext?

Accepted Answer

Unigramm-Modell

Answer

Bigramm-Modell

Answer

Trigramm-Modell

Answer

Quadramm-Modell

Question 60

Welches Sprachmodell verwendet einen deterministischen Zustandsautomaten, um die möglichen Zustände einer Sequenz zu modellieren?

Accepted Answer

Endliche Zustandsmaschine

Answer

N-Gramm-Modell

Answer

Neuronales Sprachmodell

Answer

Hidden-Markov-Modell

Question 61

Welches Sprachmodell verwendet eine Sequenz von Wörtern, um das nächste Wort mit der höchsten Wahrscheinlichkeit vorherzusagen?

Accepted Answer

N-Gramm-Modell

Answer

Entscheidungsbaummodell

Answer

Neuronales Sprachmodell

Answer

Hidden-Markov-Modell

Question 62

Welches Sprachmodell verwendet versteckte Zustände, um Sequenzen von Wörtern zu modellieren?

Accepted Answer

Hidden-Markov-Modell

Answer

N-Gramm-Modell

Answer

Bayes-Netzwerk-Modell

Answer

Neuronales Sprachmodell

Question 63

Welches Sprachmodell verwendet künstliche neuronale Netze, um Sprache zu verarbeiten und Aufgaben wie maschinelle Übersetzung und Spracherkennung auszuführen?

Accepted Answer

Neuronales Sprachmodell

Answer

Hidden-Markov-Modell

Answer

N-Gramm-Modell

Question 64

Welches Sprachmodell hat in letzter Zeit aufgrund seiner Fähigkeit, komplexe Sprachaufgaben zu bewältigen, großes Interesse geweckt?

Accepted Answer

Neuronales Sprachmodell

Answer

Klassifikationsmodell

Answer

N-Gramm-Modell

Answer

Hidden-Markov-Modell