Úvod k otázkam a odpovediam na strojové učenie
Strojové učenie je prístup k umelej inteligencii. To poskytuje možnosť každému systému, aby sa automaticky učil a zlepšoval bez toho, aby bol výslovne naprogramovaný. Strojové učenie pomáha pri vývoji počítačových programov, ktoré môžu pristupovať k údajom a používať ich na učenie sa pre seba. Ak štatistický model vyvolá náhodnú chybu alebo ak je model príliš komplexný, strojové učenie pomáha pri ich riešení.
Nižšie je uvedených 24 dôležitých otázok a odpovedí na strojový rozhovor z roku 2019
Takže ste si konečne našli vysnívanú prácu v strojovom vzdelávaní, ale zaujíma vás, ako rozlúštiť rozhovor so strojovým učením a aké by mohli byť pravdepodobne 2019 otázky týkajúce sa strojového učenia. Každý pohovor je iný a rozsah zamestnania je tiež odlišný. S ohľadom na to sme navrhli najbežnejšie otázky a odpovede týkajúce sa strojového učenia, ktoré vám pomôžu dosiahnuť úspech v pohovore.
Tieto otázky sú rozdelené na dve časti:
1. časť - Rozhovory s strojovým učením (základné)
- 2. časť - Rozhovory s strojovým učením (rozšírené)
1. časť - Rozhovory s strojovým učením (základné)
Táto prvá časť sa zaoberá základnými otázkami a odpoveďami týkajúcimi sa strojového učenia.
1. Čo rozumiete strojovým učením?
odpoveď:
Strojové učenie je aplikácia umelej inteligencie, ktorá umožňuje systémom automaticky sa učiť a zlepšovať zo skúseností bez toho, aby boli výslovne naprogramované. Strojové učenie sa zameriava na vývoj počítačových programov, ktoré majú prístup k údajom a používajú ich na učenie pre seba.
2. Uveďte príklad, ktorý vysvetľuje sklon stroja v priemysle.
odpoveď:
Roboty nahrádzajú ľudí v mnohých oblastiach. Je to tak preto, že roboty sú naprogramované tak, že môžu vykonávať úlohu na základe údajov, ktoré zhromaždia zo senzorov. Učia sa z údajov a správajú sa inteligentne.
Prejdime k ďalším otázkam týkajúcim sa rozhovoru o strojovom učení.
3. Aké sú rôzne algoritmické techniky v strojovom učení?
odpoveď:
Rôzne typy algoritmických techník v strojovom učení sú nasledujúce:
• Posilnenie vzdelávania
• Dozorované učenie
• Výučba bez dozoru
• Učenie s polovičným dohľadom
• Transdukcia
• Učiť sa učiť
4. Aký je rozdiel medzi strojovým učením pod dohľadom a bez dozoru?
odpoveď:
Toto sú základné otázky týkajúce sa rozhovoru o strojovom učení, ktoré boli položené počas rozhovoru. Dozorované učenie je proces, pri ktorom sa vyžaduje školenie údajov označených značkou. Zatiaľ čo učenie bez dozoru nevyžaduje označovanie údajov.
5. Aká je funkcia učenia bez dozoru?
odpoveď:
Funkcia učenia bez dozoru je nasledovná:
• Nájdite zhluky údajov
• Nájdite nízko-rozmerné znázornenie údajov
• Nájdite zaujímavé údaje v údajoch
• Zaujímavé súradnice a korelácie
• Nájdite nové pozorovania
6. Aká je funkcia učenia pod dohľadom?
odpoveď:
Funkcie supervízovaného učenia sú uvedené nižšie:
• Klasifikácie
• Rozpoznávanie reči
• Regresia
• Predpovedať časové rady
• Komentovať reťazce
7. Aké sú výhody Naive Bayes?
odpoveď:
Výhody Naive Bayes sú:
• Klasifikátor konverguje rýchlejšie ako diskriminačné modely
• Nedokáže sa naučiť interakcie medzi prvkami
Prejdime k ďalším otázkam týkajúcim sa rozhovoru o strojovom učení.
8. Aké sú nevýhody Naive Bayes?
odpoveď:
Nevýhody Naive Bayes sú:
• Je to preto, že problém nastáva pri nepretržitých funkciách
• Vyjadruje veľmi silný predpoklad o forme distribúcie vašich údajov
• Môže sa to stať aj kvôli nedostatku údajov
9. Prečo je naivný Bayes tak naivný?
odpoveď:
Naive Bayes je tak naivný, pretože predpokladá, že všetky funkcie v súbore údajov sú rovnako dôležité a nezávislé.
10. Čo je nadmerné vybavenie v strojovom učení?
odpoveď:
Toto sú populárne otázky týkajúce sa rozhovoru o strojovom učení, ktoré boli položené počas rozhovoru. Overfitting in Machine Learning je definovaný ako prípad, keď štatistický model popisuje náhodnú chybu alebo šum namiesto základného vzťahu alebo keď je model príliš komplexný.
11. Aké sú podmienky, keď dôjde k nadmernému vybaveniu?
odpoveď:
Jedným z dôležitých dôvodov a možnosťou nadmerného vybavenia je to, že kritériá použité na nácvik modelu nie sú rovnaké ako kritériá použité na posúdenie efektívnosti modelu.
12. Ako sa môžete vyhnúť nadmernému vybaveniu?
odpoveď:
Overfittingu sa môžeme vyhnúť použitím:
• Veľa údajov
• Krížová validácia
2. časť - Rozhovory s strojovým učením (rozšírené)
Pozrime sa teraz na pokročilé otázky týkajúce sa rozhovoru o strojovom učení.
13. Aké sú päť populárne algoritmy pre strojové učenie?
odpoveď:
Nižšie je uvedený zoznam piatich populárnych algoritmov strojového učenia:
• Rozhodovacie stromy
• Pravdepodobné siete
• Najbližší sused
• Podpora vektorových strojov
• Neurálne siete
14. Aké sú rôzne prípady použitia algoritmov strojového učenia?
odpoveď:
Rôzne prípady použitia, v ktorých možno použiť algoritmy strojového učenia, sú tieto:
• Detekcia podvodov
• Detekcia tváre
• Spracovanie prirodzeného jazyka
• Segmentácia trhu
• Kategorizácia textu
• Bioinformatika
Prejdime k ďalším otázkam týkajúcim sa rozhovoru o strojovom učení.
15. Čo sú to parametrické modely a neparametrické modely?
odpoveď:
Parametrické modely sú modely s obmedzeným počtom parametrov a na predpovedanie nových údajov potrebujete iba poznať parametre modelu.
Neparametrické modely sú modely s neobmedzeným počtom parametrov, ktoré umožňujú väčšiu flexibilitu a predpovedajú nové údaje, musíte poznať parametre modelu a stav pozorovaných údajov.
16. Aké sú tri fázy na zostavenie hypotéz alebo modelov strojového učenia?
odpoveď:
Toto sú často kladené otázky týkajúce sa rozhovoru o strojovom učení v rozhovore. Tri fázy na zostavenie hypotéz alebo modelu strojového učenia sú:
1. Modelová budova
2. Testovanie modelu
3. Použitie modelu
17. Čo je induktívne logické programovanie v strojovom učení (ILP)?
odpoveď:
Indukčné logické programovanie (ILP) je čiastkové pole strojového učenia, ktoré využíva logické programovanie predstavujúce základné znalosti a príklady.
18. Aký je rozdiel medzi klasifikáciou a regresiou?
odpoveď:
Rozdiel medzi klasifikáciou a regresiou je nasledujúci:
• Klasifikácia je o identifikácii členstva v skupine, zatiaľ čo regresná technika zahŕňa predpovedanie reakcie.
• Klasifikačné a regresné techniky súvisia s predpoveďou
• Klasifikácia predpovedá príslušnosť k triede, zatiaľ čo regresia predpovedá hodnotu zo súvislej množiny
• Klasifikačná technika sa uprednostňuje pred regresiou, keď výsledky modelu musia vrátiť príslušnosť údajových bodov v súbore údajov so špecifickými explicitnými kategóriami.
Prejdime k ďalším otázkam týkajúcim sa rozhovoru o strojovom učení.
19. Aký je rozdiel medzi induktívnym strojovým učením a deduktívnym strojovým učením?
odpoveď:
Rozdiel medzi induktívnym strojovým učením a deduktívnym strojovým učením je nasledujúci:
strojové učenie, kde sa model učí príkladmi zo súboru pozorovaných prípadov, aby vyvodil všeobecný záver, zatiaľ čo v deduktívnom učení model najskôr vyvodí záver a potom sa vyvodí záver.
20. Aké sú výhody rozhodovacích stromov?
odpoveď:
Výhody rozhodovacích stromov sú:
• Rozhodovacie stromy sa dajú ľahko interpretovať
• Neparametrické
• Existuje pomerne málo parametrov na vyladenie
21. Aké sú nevýhody rozhodovacích stromov?
odpoveď:
Rozhodovacie stromy sú náchylné na nadmerné osadenie. To sa však dá riešiť pomocou súboru metód, ako sú náhodné lesy alebo posilnené stromy.
22. Aké sú výhody neurónových sietí?
odpoveď:
Toto sú pokročilé otázky týkajúce sa rozhovoru o strojovom učení, ktoré boli položené počas rozhovoru. Neurónové siete viedli k prielomom vo výkone pre neštruktúrované súbory údajov, ako sú obrázky, zvuk a video. Ich neuveriteľná flexibilita im umožňuje učiť sa vzory, ktoré sa nemôžu naučiť žiadne iné algoritmy strojového učenia.
23. Aké sú nevýhody neurónových sietí?
odpoveď:
Neurónová sieť vyžaduje na zblíženie veľké množstvo tréningových údajov. Je tiež ťažké zvoliť správnu architektúru a vnútorné „skryté“ vrstvy sú nepochopiteľné.
24. Aký je rozdiel medzi regularizáciou L1 a L2?
odpoveď:
Rozdiel medzi regularizáciou L1 a L2 je nasledovný:
• L1 / Laplace má tendenciu tolerovať veľké aj veľmi malé hodnoty koeficientov viac ako L2 / Gaussián
• L1 môže poskytovať riedke modely, zatiaľ čo L2 nie
• regularizácia L1 a L2 zabraňuje nadmernému prispôsobovaniu zmenšovaním koeficientov
• L2 (Ridge) zmenšuje všetky koeficienty v rovnakých pomeroch, ale eliminuje žiadne, zatiaľ čo L1 (Lasso) môže niektoré koeficienty zmenšiť na nulu a vykonávať výber premenných.
• L1 je norma pre prvú chvíľu | x1-x2 | to je jednoducho absolútna vzdialenosť medzi dvoma bodmi, kde L2 je norma druhého momentu zodpovedajúca euklidovskej vzdialenosti, ktorá je | x1-x2 | 2.
• L2 regularizácia má tendenciu šíriť chyby medzi všetky termíny, zatiaľ čo L1 je viac binárny / riedky
Odporúčané články
Toto bol sprievodca zoznamom otázok a odpovedí na otázky týkajúce sa strojového učenia, aby uchádzač mohol tieto otázky na strojové učenie ľahko nájsť. Tento článok obsahuje všetky dôležité otázky a odpovede týkajúce sa rozhovorov o strojovom učení. Ďalšie informácie nájdete aj v nasledujúcich článkoch -
- Otázky na rozhovor v areáli
- Hodnotné otázky týkajúce sa rozhovorov s vedeckými údajmi
- Rozhovor Otázky pre prácu manažéra projektu
- Tipy na nechty pri ďalšom pohovore (nápady)