Otázky a odpovede týkajúce sa hlbokého učenia
Dnes sa program Deep Learning považuje za jednu z najrýchlejšie rastúcich technológií s obrovskou schopnosťou vyvinúť aplikáciu, ktorá bola niekedy považovaná za tvrdú. Rozpoznávanie reči, rozpoznávanie snímok, nájdenie vzorcov v súbore údajov, klasifikácia objektov vo fotografiách, tvorba textov znakov, autá s vlastným riadením a mnoho ďalších je len pár príkladov, keď Deep Learning preukázala svoju dôležitosť.
Takže ste si konečne našli vysnívanú prácu v Deep Learning, ale pýtate sa, ako rozlúsknúť Interview s Deep Learning a aké by mohli byť pravdepodobné otázky Interview s Deep Learning. Každý pohovor je iný a rozsah zamestnania je tiež odlišný. S ohľadom na túto skutočnosť sme navrhli najbežnejšie otázky a odpovede týkajúce sa rozhovoru Deep Learning, ktoré vám pomôžu dosiahnuť úspech v pohovore.
Nižšie je uvedených niekoľko otázok týkajúcich sa rozhovoru Deep Learning Interview, ktoré sa často kladú v rozhovore a ktoré by tiež pomohli otestovať vaše úrovne:
1. časť - Otázky týkajúce sa podrobného výučbového rozhovoru (základné)
Táto prvá časť sa venuje základným otázkam a odpovediam na hlboké učenie
1. Čo je to hlboké vzdelávanie?
odpoveď:
Oblasť strojového učenia, ktorá sa zameriava na hlboké umelé neurónové siete, ktoré sú voľne inšpirované mozgom. Alexey Grigorevich Ivakhnenko publikoval prvého generála o fungujúcej sieti hlbokého učenia. Dnes má svoje uplatnenie v rôznych oblastiach, ako sú počítačové videnie, rozpoznávanie reči, spracovanie prirodzeného jazyka.
2. Prečo sú hlboké siete lepšie ako plytké siete?
odpoveď:
Existujú štúdie, ktoré hovoria, že plytké aj hlboké siete sa zmestia na akúkoľvek funkciu, ale keďže hlboké siete majú niekoľko skrytých vrstiev, často rôznych typov, sú schopné vytvárať alebo extrahovať lepšie vlastnosti ako plytké modely s menším počtom parametrov.
3. Aká je nákladová funkcia?
odpoveď:
Nákladová funkcia je miera presnosti neurónovej siete vzhľadom na danú školiacu vzorku a očakávaný výstup. Je to jediná hodnota, neektor, pretože poskytuje výkon neurálnej siete ako celku. Môže sa vypočítať takto: Priemerná funkcia chyby na druhú:
MSE = 1nΣi = 0N (Y i-yl) 2
Kde Y a požadovaná hodnota Y je to, čo chceme minimalizovať.
Prejdime k ďalším otázkam týkajúcim sa rozhovorov o hlbokom učení.
4. Čo je to gradient klesania?
odpoveď:
Zostupný prechod je v zásade optimalizačný algoritmus, ktorý sa používa na zistenie hodnoty parametrov, ktoré minimalizujú nákladovú funkciu. Je to iteračný algoritmus, ktorý sa pohybuje v smere najstrmšieho zostupu, ako je definovaný negatívom gradientu. Vypočítame zostup nákladovej funkcie pre daný parameter a parameter aktualizujeme pomocou nasledujúceho vzorca: -
Θ: = Θ-αd∂ΘJ (Θ)
Kde Θ - je vektor parametrov, α - rýchlosť učenia, J (Θ) - je nákladová funkcia.
5. Čo je backpropagation?
odpoveď:
Backpropagation je výcvikový algoritmus používaný pre viacvrstvovú neurónovú sieť. Pri tejto metóde presunieme chybu z konca siete na všetky závažia vo vnútri siete, čím umožníme efektívne vypočítanie gradientu. Dá sa rozdeliť do niekoľkých krokov nasledovne: -
OrPredné šírenie údajov o školení s cieľom generovať výstup.
HenPri použití cieľovej hodnoty a derivácie chyby výstupnej hodnoty sa môže počítať s ohľadom na aktiváciu výstupu.
HenPotom sa vrátime na výpočet derivácie chyby vzhľadom na aktiváciu výstupu z predchádzajúceho a pokračujeme v tomto pre všetky skryté vrstvy.
Použitím predtým vypočítaných derivátov pre výstup a všetkých skrytých vrstiev vypočítame derivácie chýb vzhľadom na váhy.
A potom aktualizujeme váhy.
6. Vysvetlite nasledujúce tri varianty gradientu: dávkové, stochastické a minidávkové?
odpoveď:
Stochastické klesanie : Tu používame iba jediný príklad výcviku na výpočet parametrov gradientu a aktualizácie.
Batch Gradient Descent : Tu vypočítame gradient pre celý súbor údajov a aktualizáciu vykonávame pri každej iterácii.
Mini-batch Gradient Descent : Je to jeden z najpopulárnejších optimalizačných algoritmov. Je to variant stochastického gradientu a tu sa namiesto jediného príkladu cvičenia používa malá šarža vzoriek.
2. časť - Rozhovory s hlbokým učením (rozšírené)
Pozrime sa teraz na pokročilé otázky týkajúce sa rozhovorov o hlbokom učení.
7. Aké sú výhody zostupu s mini šaržami?
odpoveď:
Nižšie sú uvedené výhody mini-dávkového gradientu zostupu
• Je to účinnejšie v porovnaní so stochastickým klesaním.
• Zovšeobecnenie nájdením minima bytu.
• Mini-šarže umožňujú pomôcť priblížiť sa gradientu celej tréningovej sady, čo nám pomáha vyhnúť sa miestnym minimám.
8. Čo je to normalizácia údajov a prečo ich potrebujeme?
odpoveď:
Normalizácia údajov sa používa počas backpropagácie. Hlavným motívom normalizácie údajov je zníženie alebo odstránenie redundancie údajov. Tu zmeníme hodnoty tak, aby sa zmestili do konkrétneho rozsahu, aby sa dosiahla lepšia konvergencia.
Prejdime k ďalším otázkam týkajúcim sa rozhovorov o hlbokom učení.
9. Čo je inicializácia váhy v neurónových sieťach?
odpoveď:
Inicializácia váhy je jedným z veľmi dôležitých krokov. Inicializácia zlej váhy môže zabrániť sieti v učení sa, ale dobrá inicializácia váhy pomáha pri rýchlejšej konvergencii a lepšej celkovej chybe. Predpätia môžu byť vo všeobecnosti inicializované na nulu. Pravidlo pre nastavenie hmotnosti musí byť takmer nulové, bez toho, aby bolo príliš malé.
10. Čo je to automatický kódovač?
odpoveď:
Autoencoder je autonómny algoritmus strojového učenia, ktorý využíva princíp backpropagation, kde sú cieľové hodnoty nastavené na rovnaké hodnoty ako poskytnuté vstupy. Interne má skrytú vrstvu, ktorá popisuje kód používaný na reprezentáciu vstupu.
Niektoré kľúčové fakty o autoenkódere sú nasledujúce: -
• Ide o nepodrobený ML algoritmus podobný hlavnej analýze komponentov
• Minimalizuje rovnakú cieľovú funkciu ako analýza hlavných komponentov
• Je to neurónová sieť
• Cieľovým výstupom neurónovej siete je jej vstup
11. Je v poriadku pripojiť sa z výstupu vrstvy 4 späť k vstupu vrstvy 2?
odpoveď:
Áno, je to možné urobiť s ohľadom na to, že výstup vrstvy 4 je z predchádzajúceho časového kroku ako v RNN. Musíme tiež predpokladať, že predchádzajúca vstupná dávka niekedy koreluje s aktuálnou dávkou.
Prejdime k ďalším otázkam týkajúcim sa rozhovorov o hlbokom učení.
12. Čo je stroj Boltzmann?
odpoveď:
Boltzmann Machine sa používa na optimalizáciu riešenia problému. Práca stroja Boltzmann spočíva v zásade na optimalizácii hmotností a množstva pre daný problém.
Niekoľko dôležitých bodov o stroji Boltzmann -
• Používa opakujúcu sa štruktúru.
• Pozostáva zo stochastických neurónov, ktoré pozostávajú z jedného z dvoch možných stavov, buď 1 alebo 0.
• Neuróny sú buď adaptívne (voľný stav) alebo upnuté (zmrazený).
• Ak použijeme simulované žíhanie na diskrétnu Hopfieldovu sieť, stane sa z nej Boltzmann stroj.
13. Aká je úloha aktivačnej funkcie?
odpoveď:
Aktivačná funkcia sa používa na zavedenie nelinearity do neurónovej siete, ktorá jej pomáha naučiť sa zložitejšie funkcie. Bez ktorých by sa neurónová sieť mohla naučiť iba lineárnu funkciu, ktorá je lineárnou kombináciou jej vstupných údajov.
Odporúčané články
Toto bol sprievodca zoznamom otázok a odpovedí na pohovory s hlbokým vzdelávaním, aby uchádzač mohol ľahko zakročiť proti týmto otázkam na pohovory s hlbokým učením. Viac informácií nájdete aj v nasledujúcich článkoch
- Naučte sa 10 najužitočnejších otázok týkajúcich sa rozhovorov s HBase
- Užitočné otázky týkajúce sa strojového učenia a odpovede
- Top 5 najcennejších otázok v oblasti vedeckých údajov
- Dôležité otázky a odpovede na rozhovor s Ruby Interview