Chapter 01 - Done [PT] #51

chapters/pt/_toctree.yml

@@ -11,6 +11,22 @@
     title: Processamento de Linguagem Natural
   - local: chapter1/3
     title: Transformers, o que eles podem fazer?
+  - local: chapter1/4
+    title: Como os Transformers trabalham?
+  - local: chapter1/5
+    title: Modelos decodificadores
+  - local: chapter1/6
+    title: Modelos codificadores
+  - local: chapter1/7
+    title: Modelos sequência a sequência
+  - local: chapter1/8
+    title: Vieses e limitações
+  - local: chapter1/9
+    title: Resumo
+  - local: chapter1/10
+    title: Questionário de fim de capítulo
+    quiz: 1
+
 
 - title: 2. Usando 🤗 Transformers
   sections:

chapters/pt/chapter1/10.mdx

@@ -0,0 +1,252 @@
+<!-- DISABLE-FRONTMATTER-SECTIONS -->
+
+# Questionário de fim de capítulo
+
+Este capítulo cobriu muito terreno! Não se preocupe se você não entendeu todos os detalhes; os próximos capítulos o ajudarão a entender como as coisas funcionam debaixo do capô.
+
+Primeiro, porém, vamos testar o que você aprendeu neste capítulo!
+
+### 1. Explore o Hub e olhe para o checkpoint `roberta-large-mnli` . Que tarefa ele executa?
+
+<Question
+	choices={[
+		{
+			text: "Summarização",
+			explain: "Olhe novamente na página <a href=\"https://huggingface.co/roberta-large-mnli\">roberta-large-mnli</a>."
+		},
+		{
+			text: "Classificação de texto",
+			explain: "Mais precisamente, ele classifica se duas ou mais sentenças estão logicamente conectadas entre três rótulos (contradição, neutro, vinculação) — uma tarefa também chamada de <em>inferência de linguagem natural</em>.",
+			correct: true
+		},
+		{
+			text: "Geração de texto",
+			explain: "Olhe novamente na página <a href=\"https://huggingface.co/roberta-large-mnli\">roberta-large-mnli</a>."
+		}
+	]}
+/>
+
+### 2. O que o código a seguir retornará?
+
+```py
+from transformers import pipeline
+
+ner = pipeline("ner", grouped_entities=True)
+ner("My name is Sylvain and I work at Hugging Face in Brooklyn.")
+```
+
+<Question
+	choices={[
+		{
+			text: "Ele retornará pontuações de classificação para esta frase, com rótulos "positivo" ou "negativo".",
+			explain: "Isso está incorreto - isso seria um pipeline de 'análise de sentimentos'."
+		},
+		{
+			text: "Ele retornará um texto gerado completando esta frase.",
+			explain: "Isso está incorreto - seria um pipeline de ``geração de texto`."
+		},
+		{
+			text: "Ele retornará as palavras que representam pessoas, organizações ou locais.",
+			explain: "Além disso, com `grouped_entities=True`, ele agrupará as palavras pertencentes à mesma entidade, como "Hugging Face".",
+      			correct: true
+		}
+	]}
+/>
+
+### 3. O que deverá substituir ... nesse trecho de código?
+
+```py
+from transformers import pipeline
+
+filler = pipeline("fill-mask", model="bert-base-cased")
+result = filler("...")
+```
+
+
+<Question
+	choices={[
+		{
+			text: "Esta <mask> está esperando por você.",
+			explain: "Isso está incorreto. Confira o cartão modelo `bert-base-cased` e tente identificar seu erro."
+		},
+		{
+			text: "Esta [MASK] está esperando por você.",
+			explain: "Correto! O token de máscara deste modelo é [MASK]",
+      			correct: true
+		},
+		{
+			text: ""Este homem está esperando por você.",
+			explain: "Isso está incorreto. Esse pipeline preenche palavras mascaradas, portanto, precisa de um token de máscara em algum lugar."
+		}
+	]}
+/>
+
+### 4. Por que esse código irá dar erro?
+
+```py
+from transformers import pipeline
+
+classifier = pipeline("zero-shot-classification")
+result = classifier("This is a course about the Transformers library")
+```
+
+
+<Question
+	choices={[
+		{
+			text: ""Esse pipeline exige que sejam fornecidos rótulos para classificar esse texto.",
+			explain: "Certo — o código correto precisa incluir `candidate_labels=[...]`.",
+      			correct: true
+		},
+		{
+			text: "Esse pipeline requer várias frases, não apenas uma.",
+			explain: "Isso é incorreto, mas quando usado corretamente, esse pipeline pode levar uma lista de frases para processar (como todos os outros pipelines)."
+		},
+		{
+			text: "A biblioteca 🤗 Transformers está quebrada, como sempre.",
+			explain: "Não vamos dignificar esta resposta com um comentário!"
+		},
+    {
+			text: "Esse pipeline requer entradas mais longas; esta é muito curta.",
+			explain: "Isso está incorreto. Observe que um texto muito longo será truncado quando processado por esse pipeline."
+		}
+	]}
+/>
+
+### 5. O que "transfer learning" significa?
+
+<Question
+	choices={[
+		{
+			text: ""Transferir o conhecimento de um modelo pré-treinado para um novo modelo treinando-o no mesmo conjunto de dados.",
+			explain: "Não, seriam duas versões do mesmo modelo."
+		},
+		{
+			text: "Transferir o conhecimento de um modelo pré-treinado para um novo modelo inicializando o segundo modelo com os pesos do primeiro modelo.",
+			explain: ""Correto: quando o segundo modelo é treinado em uma nova tarefa, ele _transfere_ o conhecimento do primeiro modelo.",
+      			correct: true
+		},
+		{
+			text: "Transferir o conhecimento de um modelo pré-treinado para um novo modelo construindo o segundo modelo com a mesma arquitetura do primeiro modelo",
+			explain: "A arquitetura é apenas a forma como o modelo é construído; não há conhecimento compartilhado ou transferido neste caso."
+		}
+	]}
+/>
+
+### 6. Verdadeiro ou Falso? Um modelo de linguagem geralmente não precisa de rótulos para seu pré-treino.
+
+<Question 
+  	choices={[ 
+    		{ 
+      			text: "Verdadeiro",
+      			explain: "O pré-treinamento geralmente é _autosupervisionado_, o que significa que os rótulos são criados automaticamente a partir das entradas (como prever a próxima palavra ou preencher algumas palavras mascaradas).", 
+      			correct: true 
+    		}, 
+    		{ 
+      			text: "Falso, 
+      			explain:"Essa não é a resposta correta."
+    		} 
+  	]} 
+/>
+
+### 7. Selecione a sentença que melhor descreve os termos "modelo", "arquitetura" e "pesos".
+
+<Question 
+  	choices={[ 
+    		{ 
+      			text: "Se um modelo é um edifício, sua arquitetura é a planta e os pesos são as pessoas que vivem dentro dele.", 
+      			explain: "Seguindo essa metáfora, os pesos seriam os tijolos e outros materiais utilizados na construção do edifício." 
+    		}, 
+    		{ 
+      			text: "Uma arquitetura é um mapa para construir um modelo e seus pesos são as cidades representadas no mapa.", 
+      			explain: "O problema com essa metáfora é que um mapa geralmente representa uma realidade existente (há apenas uma cidade na França chamada Paris). Para uma determinada arquitetura, vários pesos são possíveis." 
+    		}, 
+    		{ 
+      			text: "Uma arquitetura é uma sucessão de funções matemáticas para construir um modelo e seus pesos são os parâmetros dessas funções.", 
+      			explain: "O mesmo conjunto de funções matemáticas (arquitetura) pode ser usado para construir diferentes modelos usando diferentes parâmetros (pesos).", 
+      			correct: true 
+    		} 
+  	]} 
+/>
+
+### 8. Quais desses tipos de modelos você usaria para completar comandos com textos gerados?
+
+<Question 
+  	choices={[ 
+    		{ 
+      			text: "Um modelo de codificador", 
+      			explain: "Um modelo de codificador gera uma representação de toda a frase que é mais adequada para tarefas como classificação." 
+    		}, 
+    		{ 
+      			text: "Um modelo de decodificador", 
+      			explain: "Os modelos de decodificadores são perfeitamente adequados para geração de texto a partir de um prompt.", 
+      			correct: true 
+    		}, 
+    		{ 
+      			text: "Um modelo de sequência a sequência", 
+      			explain: "Os modelos de sequência a sequência são mais adequados para tarefas em que você deseja gerar frases em relação às frases de entrada, não a um determinado prompt." 
+    		} 
+  	]} 
+/>
+
+### 9. Quais desses tipos de modelos você usaria para resumir textos?
+
+<Question 
+  choices={[ 
+    		{ 
+      			text: "Um modelo de codificador", 
+      			explain: "Um modelo de codificador gera uma representação de toda a frase que é mais adequada para tarefas como classificação." 
+    		}, 
+    		{ 
+      			text: "Um modelo de decodificador", 
+      			explain: "Os modelos decodificadores são bons para gerar texto de saída (como resumos), mas não têm a capacidade de explorar um contexto como o texto inteiro para resumir."
+    		},
+    		{
+      			text: "Um modelo de sequência a sequência",
+      			explain: "Os modelos de sequência a sequência são perfeitamente adequados para uma tarefa de sumarização.", 
+      			correct: true 
+    		} 
+  	]} 
+/>
+
+### 10. Quais desses tipos de modelos você usaria para classificar entradas de texto de acordo com determinados rótulos?
+
+<Question 
+  choices={[ 
+    		{ 
+      			text: "Um modelo de codificador", 
+      			explain: "Um modelo de codificador gera uma representação de toda a frase que é perfeitamente adequada para uma tarefa como classificação.", 
+      			correct: true 
+    		}, 
+    		{ 
+      			text: "Um modelo de decodificador", 
+      			explain: "Os modelos decodificadores são bons para gerar textos de saída, não para extrair um rótulo de uma frase." 
+    		}, 
+    		{
+      			text: "Um modelo de sequência a sequência",
+      			explain: "Os modelos de sequência a sequência são mais adequados para tarefas em que você deseja gerar texto com base em uma frase de entrada, não em um rótulo."
+    		} 
+  	]} 
+/>
+
+### 11. Que possível fonte o viés observado em um modelo pode ter?
+
+<Question 
+  choices={[ 
+    		{ 
+      			text: "O modelo é uma versão afinada de um modelo pré-treinado e pega seu viés a partir dele.", 
+      			explain: "Ao aplicar o Transfer Learning, o viés no modelo pré-treinado usado persiste no modelo ajustado.", 
+      			correct: true 
+    		}, 
+    		{ 
+      			text: "Os dados em que o modelo foi treinado são enviesados.", 
+      			explain: "Esta é a fonte mais óbvia de viés, mas não a única.", 
+      			correct: true 
+    		}, 
+    		{ 
+      			text: "A métrica para a qual o modelo estava otimizando é enviesada.", 
+      			explain: "Uma fonte menos óbvia de viés é a forma como o modelo é treinado. Seu modelo será otimizado cegamente para qualquer métrica que você escolher, sem pensar duas vezes.", 
+      			correct: true 
+    		} 
+  	]} 
+/>