Прескочи на главни садржај
🔒 Режим прегледа. Првих петнаест Foundations лекција је бесплатно; ова је Pro. Покрените 7-дневни trial да откључате едитор, AI савете и остатак курса. Картица је обавезна, можете отказати у било ком тренутку у Dashboard.
Покрени 7-дневни trial →
⚡
← Kursevi
›
Data Science Applied
›
Модул 6 · Дубоко учење + МЛОпс
›
Уграђивање: косинус вс Еуклид
quiz
88 / 104
🇷🇸
SR
▼
↗
Подели
⋯
Више
+100 XP
📋
Zadatak
📖
Teorija
🤖
AI Pomoć
Zadatak
📝 **Питање:** Зашто преферирати косинус за претрагу за уграђивање текста? 📋 Изаберите тачан одговор. 💡 **Савет:** Поново прочитајте горњу теорију ако нисте сигурни.
🎯 Kviz
Pitanje
📝 **Питање:** Зашто преферирати косинус за претрагу за уграђивање текста? 📋 Изаберите тачан одговор. 💡 **Савет:** Поново прочитајте горњу теорију ако нисте сигурни.
A
Cosine yields a bounded [-1,1] score that's directly interpretable as a percentage confidence value.
B
Cosine ignores magnitude — two embeddings with same meaning but different length still match.
C
Cosine sidesteps the curse of dimensionality because dot products concentrate around π/2 in high-d spaces.
D
Cosine is the only similarity metric supported by HNSW indexes in FAISS and pgvector libraries.
Odgovori
💬 Diskusija
Budi prvi — postavi pitanje ili podeli savet.
Prijavi se
da bi se pridružio diskusiji. Čitanje je besplatno.
Učitavanje diskusije…