Введение в машинное обучение Интервью Вопросы и ответы
Машинное обучение - это подход к искусственному интеллекту. Это позволяет каждой системе автоматически учиться и совершенствоваться без явного программирования. Машинное обучение помогает в разработке компьютерных программ, которые могут получать доступ к данным и использовать их для самостоятельного обучения. Когда статистическая модель выдает случайную ошибку или когда модель чрезмерно сложна, машинное обучение помогает в решении этих сложностей.
Ниже приведены 24 важных вопроса и ответы на вопросы по машинному обучению в 2019 году.
Итак, вы, наконец, нашли работу своей мечты в области машинного обучения, но не знаете, как взломать интервью по машинному обучению и какие могут быть вероятные вопросы об интервью в области машинного обучения в 2019 году. Каждое собеседование отличается и объем работы также отличается. Помня об этом, мы разработали самые распространенные вопросы и ответы для интервью по машинному обучению, чтобы помочь вам добиться успеха на собеседовании.
Эти вопросы делятся на две части:
Часть 1 - вопросы интервью с машинным обучением (базовый уровень)
- Часть 2 - Вопросы интервью с машинным обучением (продвинутый уровень)
Часть 1 - вопросы интервью с машинным обучением (базовый уровень)
В этой первой части рассматриваются основные вопросы и ответы по вопросам машинного обучения.
1. Что вы понимаете под машинным обучением?
Ответ:
Машинное обучение - это применение искусственного интеллекта, которое предоставляет системам возможность автоматически учиться и совершенствоваться на основе опыта без явного программирования. Машинное обучение направлено на разработку компьютерных программ, которые могут получать доступ к данным и использовать их для самостоятельного обучения.
2. Приведите пример, объясняющий использование машин в промышленности.
Ответ:
Роботы заменяют людей во многих областях. Это потому, что роботы запрограммированы так, что они могут выполнять задачу на основе данных, которые они собирают с датчиков. Они учатся на данных и ведут себя разумно.
Давайте перейдем к следующим вопросам интервью с машинным обучением.
3. Каковы различные методы алгоритмов в машинном обучении?
Ответ:
Различные типы методов алгоритма в машинном обучении следующие:
• Усиление обучения
• контролируемое обучение
• неконтролируемое обучение
• Полу-контролируемое обучение
• трансдукция
• Учиться усваивать знания
4. В чем разница между контролируемым и неконтролируемым машинным обучением?
Ответ:
Это основные вопросы, связанные с машинным обучением. Контролируемое обучение - это процесс, в котором требуется обучение с помеченными данными, а при неконтролируемом обучении оно не требует маркировки данных.
5. Какова функция обучения без учителя?
Ответ:
Функция неконтролируемого обучения:
• Найти кластеры данных данных
• Найти низкоразмерные представления данных
• Найти интересные направления в данных
• Интересные координаты и корреляции
• Найти новые наблюдения
6. Какова функция контролируемого обучения?
Ответ:
Функция контролируемого обучения:
• классификации
• Распознавание речи
• регрессия
• Предсказать временной ряд
• Аннотировать строки
7. Каковы преимущества Наивного Байеса?
Ответ:
Преимущества Наивного Байеса:
• Классификатор будет сходиться быстрее, чем дискриминационные модели
• Он не может изучить взаимодействия между функциями
Давайте перейдем к следующим вопросам интервью с машинным обучением.
8. Каковы недостатки Наивного Байеса?
Ответ:
Недостатками Наивного Байеса являются:
• Это потому, что проблема возникает для непрерывных функций
• Это делает очень сильное предположение о форме вашего распределения данных
• Это также может произойти из-за нехватки данных
9. Почему наивный Байес такой наивный?
Ответ:
Наивный Байес настолько наивен, поскольку предполагает, что все функции в наборе данных одинаково важны и независимы.
10. Что такое переобучение в машинном обучении?
Ответ:
Это популярное интервью для машинного обучения. Подгонка в машинном обучении определяется, когда статистическая модель описывает случайную ошибку или шум вместо базовых отношений или когда модель чрезмерно сложна.
11. Каковы условия, когда происходит переоснащение?
Ответ:
Одна из важных причин и возможность переоснащения заключается в том, что критерии, используемые для обучения модели, не совпадают с критериями, используемыми для оценки эффективности модели.
12. Как избежать перегрузки?
Ответ:
Мы можем избежать переоснащения, используя:
• много данных
• Перекрестная проверка
Часть 2 - Вопросы интервью с машинным обучением (продвинутый уровень)
Давайте теперь посмотрим на расширенные вопросы интервью для машинного обучения.
13. Какие пять популярных алгоритмов для машинного обучения?
Ответ:
Ниже приведен список пяти популярных алгоритмов машинного обучения:
• Деревья решений
• вероятностные сети
• Ближайший сосед
• опорные векторные машины
• Нейронные сети
14. В каких случаях можно использовать алгоритмы машинного обучения?
Ответ:
Ниже приведены различные варианты использования алгоритмов машинного обучения:
• Обнаружение мошенничества
• Распознавание лиц
• Обработка естественного языка
• Сегментация рынка
• Текстовая категоризация
• Биоинформатика
Давайте перейдем к следующим вопросам интервью с машинным обучением.
15. Что такое параметрические модели и непараметрические модели?
Ответ:
Параметрические модели - это модели с конечным числом параметров, и для прогнозирования новых данных вам нужно знать только параметры модели.
Непараметрические модели - это модели с неограниченным числом параметров, что обеспечивает большую гибкость и позволяет прогнозировать новые данные. Вам необходимо знать параметры модели и состояние данных, которые были обнаружены.
16. Каковы три этапа построения гипотез или моделей в машинном обучении?
Ответ:
Это часто задаваемые вопросы интервью машинного обучения в интервью. Три этапа построения гипотезы или модели в машинном обучении:
1. Построение модели
2. Модельное тестирование
3. Применение модели
17. Что такое индуктивное логическое программирование в машинном обучении (ILP)?
Ответ:
Индуктивное логическое программирование (ILP) - это подполе машинного обучения, в котором используется логическое программирование, представляющее базовые знания и примеры.
18. В чем разница между классификацией и регрессией?
Ответ:
Разница между классификацией и регрессией заключается в следующем:
• Классификация заключается в определении членства в группе, в то время как метод регрессии предполагает прогнозирование ответа.
• Методы классификации и регрессии связаны с прогнозированием
• Классификация предсказывает принадлежность к классу, тогда как регрессия предсказывает значение из непрерывного набора
• Техника классификации предпочтительнее регрессии, когда результаты модели должны возвращать принадлежность точек данных в наборе данных с конкретными явными категориями
Давайте перейдем к следующим вопросам интервью с машинным обучением.
19. В чем разница между индуктивным машинным обучением и дедуктивным машинным обучением?
Ответ:
Разница между индуктивным машинным обучением и дедуктивным машинным обучением заключается в следующем:
машинное обучение, где модель учится на примерах из набора наблюдаемых примеров, чтобы сделать обобщенный вывод, тогда как в дедуктивном обучении модель сначала делает вывод, а затем вывод.
20. Каковы преимущества деревьев решений?
Ответ:
Преимущества деревьев решений:
• Деревья решений легко интерпретировать
• Непараметрический
• Относительно мало параметров для настройки
21. Каковы недостатки деревьев решений?
Ответ:
Деревья решений склонны к переобучению. Однако это может быть решено с помощью ансамблевых методов, таких как случайные леса или повышенные деревья.
22. Каковы преимущества нейронных сетей?
Ответ:
Это расширенные вопросы интервью с машинным обучением, задаваемые в интервью. Нейронные сети привели к прорыву в производительности для неструктурированных наборов данных, таких как изображения, аудио и видео. Их невероятная гибкость позволяет им изучать шаблоны, которые не может выучить ни один другой алгоритм машинного обучения.
23. Каковы недостатки нейронных сетей?
Ответ:
Нейронная сеть требует большого количества обучающих данных для сближения. Также сложно выбрать правильную архитектуру, а внутренние «скрытые» слои непостижимы.
24. В чем разница между регуляризацией L1 и L2?
Ответ:
Разница между регуляризацией L1 и L2 заключается в следующем:
• L1 / Laplace имеет тенденцию терпеть как большие значения, так и очень малые значения коэффициентов больше, чем L2 / Gaussian
• L1 может давать разреженные модели, в то время как L2 не дает
• Регуляризация L1 и L2 предотвращает переоснащение за счет сокращения коэффициентов
• L2 (Ridge) сжимает все коэффициенты в одинаковых пропорциях, но не исключает ни одного, в то время как L1 (Lasso) может сжимать некоторые коэффициенты до нуля, выполняя выбор переменной
• L1 - норма первого момента | x1-x2 | это просто абсолютное расстояние между двумя точками, где L2 - норма второго момента, соответствующая евклидову расстоянию, которое составляет | x1-x2 | 2.
• Регуляризация L2 имеет тенденцию распространять ошибку среди всех членов, в то время как L1 является более двоичным / разреженным
Рекомендуемые статьи
Это было руководство к списку вопросов и ответов для интервью по машинному обучению, чтобы кандидат мог легко разобрать эти вопросы по машинному обучению. Эта статья состоит из всех Важных Вопросов Интервью Машинного обучения и Ответов в этом. Вы также можете посмотреть следующие статьи, чтобы узнать больше -
- Вопросы об интервью в кампусе
- Ценные вопросы интервью науки о данных
- Интервью Вопросы для работы менеджера проекта
- Подсказки, чтобы Прибить Ваше Следующее Собеседование (Идеи)