course/pr_1213/de/chapter1/10.md

# Quiz am Ende des Kapitels

In diesem Kapitel hast du viel gelernt! Mach dir keine Sorgen, wenn du noch nicht alle Einzelheiten verstanden hast. In den nächsten Kapiteln wirst du mehr darüber erfahren, wie die Dinge im Einzelnen funktionieren.

Doch zuerst wollen wir noch testen, was du in diesem Kapitel gelernt hast!

### 1. Erkunde den Hub und suche nach dem Checkpoint `roberta-large-mnli`. Welche Aufgabe unterstützt er?

roberta-large-mnli nach."
		},
		{
			text: "Text Classification (Textklassifizierung)",
			explain: "Genauer gesagt, wird klassifiziert, ob zwei Sätze hinsichtlich dreier Labels (Widerspruch (engl. Contradiction), Neutral, Konsequenz (engl. Entailment)) logisch miteinander verbunden sind - eine Aufgabe, die auch als Natural Language Inference bezeichnet wird.",
			correct: true
		},
		{
			text: "Text Generation (Textgenerierung)",
			explain: "Sieh nochmal auf der Seite des Modells roberta-large-mnli nach."
		}
	]}
/>

### 2. Was gibt der folgende Code zurück?

```py
from transformers import pipeline

ner = pipeline("ner", grouped_entities=True)
ner("My name is Sylvain and I work at Hugging Face in Brooklyn.")
```

sentiment-analysis-Pipeline verwenden."
		},
		{
			text: "Er wird einen generierten Text zurückgeben, der diesen Satz vervollständigt.",
			explain: "Das ist nicht richtig - dafür müsstest du eine text-generation-Pipeline verwenden.",
		},
		{
			text: "Er gibt Begriffe zurück, die für Personen, Organisationen oder Orte stehen.",
			explain: "Außerdem werden mit grouped_entities=True die Wörter, die zur selben Entität gehören, gruppiert, wie z. B. \"Hugging Face\".",
			correct: true
		}
	]}
/>

### 3. Wodurch müsste ... in diesem Codebeispiel ersetzt werden?

```py
from transformers import pipeline

filler = pipeline("fill-mask", model="bert-base-cased")
result = filler("...")
```

 has been waiting for you.",
			explain: "Das stimmt nicht. Schau dir die bert-base-cased-Übersichtsseite des Modells an und versuche, deinen Fehler zu entdecken."
		},
		{
			text: "This [MASK] has been waiting for you.",
			explain: "Richtig! Der Mask Token dieses Modells ist [MASK].",
			correct: true
		},
		{
			text: "This man has been waiting for you.",
			explain: "Leider falsch. Diese Pipeline füllt maskierte Wörter auf, also braucht sie irgendwo einen Mask Token."
		}
	]}
/>

### 4. Warum wird dieser Code nicht funktionieren?

```py
from transformers import pipeline

classifier = pipeline("zero-shot-classification")
result = classifier("This is a course about the Transformers library")
```

candidate_labels=[...] enthalten.",
			correct: true
		},
		{
			text: "Diese Pipeline erfordert mehrere Sätze, nicht nur einen.",
			explain: "Das ist falsch - obwohl diese Pipeline, wenn sie korrekt verwendet wird, eine Liste von Sätzen verarbeiten kann (wie alle anderen Pipelines)."
		},
		{
			text: "Die 🤗 Transformers-Bibliothek funktioniert wie immer nicht.",
			explain: "Zu dieser Antwort erübrigt sich jeder Kommentar!"
		},
		{
			text: "Diese Pipeline erfordert längere Inputs; diese hier sind zu kurz.",
			explain: "Das ist falsch. Übrigens wird ein sehr langer Text bei der Verarbeitung durch diese Pipeline gestutzt (engl. truncated) bzw. gekürzt."
		}
	]}
/>

### 5. Was bedeutet der Begriff "Transfer Learning"?

### 6. Richtig oder falsch? Ein Sprachmodell benötigt im Rahmen des Pretraining in der Regel keine Labels.

selbstüberwacht (engl. self-supervised), d. h. die Labels werden automatisch aus den Inputs erstellt (wie z. B. die Vorhersage des nächsten Wortes oder das Auffüllen einiger maskierter Wörter).",
			correct: true
		},
		{
			text: "Falsch",
			explain: "Das ist nicht die richtige Antwort."
		}
	]}
/>

### 7. Wähle den Satz aus, der die Begriffe "Modell", "Architektur" und "Gewichte" bzw. "Gewichtung" am besten beschreibt.

### 8. Welche dieser Modelle würdest du nutzen, um einen Prompt bzw. Text-Input durch einen generierten Text vervollständigen zu lassen?

### 9. Welche dieser Modelle würdest du für die Zusammenfassung von Texten verwenden?

### 10. Welche Art von Modellen würdest du verwenden, um Text-Inputs entsprechend bestimmter Labels zu klassifizieren?

### 11. Welche mögliche Ursache kann eine vom Modell zu beobachtende Voreingenommenheit (Bias) haben?