Introduktion til Machine Learning Interview spørgsmål og svar
Machine Learning er en tilgang til kunstig intelligens. Dette giver alle systemer mulighed for, at det automatisk lærer og forbedrer sig uden at blive programmeret eksplicit. Machine Learning hjælper med i udviklingen af computerprogrammer, der kan få adgang til data og bruge dem til at lære for sig selv. Når den statistiske model rejser en tilfældig fejl, eller når modellen er for kompleks, hjælper Machine Learning med at løse disse kompleksiteter.
Nedenfor er de 24 vigtige 2019-spørgsmål om maskinlæring samt interviewspørgsmål
Så du har endelig fundet dit drømmejob i Machine Learning, men spekulerer på, hvordan du knækker Machine Learning-interviewet, og hvad der kan være de sandsynlige spørgsmål om Machine Learning 2019. Hver samtale er forskellig, og omfanget af et job er også anderledes. Når vi husker dette, har vi designet de mest almindelige spørgsmål om maskinlæring samt interviewspørgsmål, så du får succes i dit interview.
Disse spørgsmål er opdelt i to dele er som følger:
Del 1 - Spørgsmål om maskinlæring af interview (grundlæggende)
- Del 2 - Spørgsmål om maskinlæringssamtale (avanceret)
Del 1 - Spørgsmål om maskinlæring af interview (grundlæggende)
Denne første del dækker de grundlæggende spørgsmål om maskinlæring samt interviewspørgsmål og svar.
1. Hvad forstår du ved Machine Learning?
Svar:
Maskinlæring er en anvendelse af kunstig intelligens, der giver systemer muligheden for automatisk at lære og forbedre erfaringerne uden at være eksplicit programmeret. Maskinlæring fokuserer på udvikling af computerprogrammer, der kan få adgang til data og bruge dem til at lære for sig selv.
2. Giv et eksempel, der forklarer Machine Leaning i branchen.
Svar:
Robotter erstatter mennesker på mange områder. Det er fordi robotter er programmeret, så de kan udføre opgaven baseret på data, de indsamler fra sensorer. De lærer af dataene og opfører sig intelligent.
Lad os gå til de næste spørgsmål om maskinindlæringssamtaler.
3. Hvad er de forskellige algoritmeteknikker i maskinlæring?
Svar:
De forskellige typer algoritmeteknikker inden for maskinlæring er som følger:
• Forstærkningslæring
• Overvåget læring
• Uovervåget læring
• Semi-overvåget læring
• Transduktion
• At lære at lære
4. Hvad er forskellen mellem overvåget og uovervåget maskinlæring?
Svar:
Dette er de grundlæggende spørgsmål om maskinindlæring, der stilles i et interview. Overvåget læring er en proces, hvor det kræver uddannelse mærket data Mens uovervåget læring kræver det ikke datamærkning.
5. Hvad er funktionen af uovervåget læring?
Svar:
Funktionen af uovervåget læring er som nedenfor:
• Find klynger af dataene
• Find lavdimensionelle repræsentationer af dataene
• Find interessante retninger i data
• Interessante koordinater og korrelationer
• Find nye observationer
6. Hvad er funktionen med Supervised Learning?
Svar:
Funktionen af Supervised Learning er som nedenfor:
• Klassifikationer
• Tale genkendelse
• Regression
• Forudsæt tidsserier
• Kommenter strenge
7. Hvad er fordelene ved Naive Bayes?
Svar:
Fordelene ved Naive Bayes er:
• Klassificeren konvergerer hurtigere end diskriminerende modeller
• Det kan ikke lære interaktionerne mellem funktioner
Lad os gå til de næste spørgsmål om maskinindlæringssamtaler.
8. Hvad er ulemperne med Naive Bayes?
Svar:
Ulemperne ved Naive Bayes er:
• Det skyldes, at problemet opstår ved kontinuerlige funktioner
• Det giver en meget stærk antagelse om formen på din datadistribution
• Det kan også ske på grund af mangel på data
9. Hvorfor er naive Bayes så naive?
Svar:
Naive Bayes er så naiv, fordi den antager, at alle funktionerne i et datasæt er lige så vigtige og uafhængige.
10. Hvad er overfitting i maskinlæring?
Svar:
Dette er de populære Machine Learning Interview spørgsmål, der stilles i et interview. Overfitting i maskinlæring defineres som når en statistisk model beskriver tilfældig fejl eller støj i stedet for det underliggende forhold, eller når en model er for kompleks.
11. Hvad er betingelserne, når Overfitting sker?
Svar:
En af de vigtige årsager og muligheden for overdreven er fordi kriterierne, der bruges til at træne modellen, ikke er de samme som kriterierne, der bruges til at bedømme effektiviteten af en model.
12. Hvordan kan du undgå overdreven montering?
Svar:
Vi kan undgå overfyldning ved at bruge:
• Masser af data
• Krydsvalidering
Del 2 - Spørgsmål om maskinlæringssamtale (avanceret)
Lad os nu se på de avancerede spørgsmål om Machine Learning Interview.
13. Hvad er de fem populære algoritmer til maskinlæring?
Svar:
Nedenfor er listen over fem populære algoritmer til maskinlæring:
• Beslutningstræer
• Probabilistiske netværk
• Nærmeste nabo
• Support vektormaskiner
• Neurale netværk
14. Hvad er de forskellige anvendelsestilfælde, hvor maskinlæringsalgoritmer kan bruges?
Svar:
De forskellige anvendelsestilfælde, hvor maskinlæringsalgoritmer kan bruges, er som følger:
• Opsporing af svig
• Ansigtsregistrering
• Naturlig sprogbehandling
• Markedssegmentering
• Tekstkategorisering
• Bioinformatik
Lad os gå til de næste spørgsmål om maskinindlæringssamtaler.
15. Hvad er parametriske modeller og ikke-parametriske modeller?
Svar:
Parametriske modeller er dem med et begrænset antal parametre, og for at forudsige nye data behøver du kun at kende modellens parametre.
Ikke-parametriske modeller er dem med et ubegrænset antal parametre, der giver mulighed for mere fleksibilitet og for at forudsige nye data, skal du kende modellens parametre og status for de data, der er blevet observeret.
16. Hvad er de tre stadier til at opbygge hypoteser eller modeller i maskinlæring?
Svar:
Dette er de ofte stillede spørgsmål om maskinindlæring i et interview. De tre stadier til at opbygge hypoteser eller model i maskinlæring er:
1. Modelbygning
2. Model test
3. Anvendelse af modellen
17. Hvad er induktiv logisk programmering i maskinindlæring (ILP)?
Svar:
Inductive Logic Programming (ILP) er et underfelt i maskinlæring, der bruger logisk programmering, der repræsenterer baggrundsviden og eksempler.
18. Hvad er forskellen mellem klassificering og regression?
Svar:
Forskellen mellem klassificering og regression er som følger:
• Klassificering handler om at identificere gruppemedlemskab, mens regressionsteknikken involverer at forudsige et svar.
• Klassificering og regressionsteknikker er relateret til forudsigelsen
• Klassificering forudsiger tilhørsforhold til en klasse, mens regression forudsiger værdien fra et kontinuerligt sæt
• Klassificeringsteknik foretrækkes frem for regression, når resultaterne af modellen skal returnere datapunkternes tilhørighed i et datasæt med specifikke eksplicitte kategorier
Lad os gå til de næste spørgsmål om maskinindlæringssamtaler.
19. Hvad er forskellen mellem induktiv maskinlæring og deduktiv maskinlæring?
Svar:
Forskellen mellem induktiv maskinlæring og deduktiv maskinlæring er som følger:
maskinlæring, hvor modellen lærer ved hjælp af eksempler fra et sæt observerede tilfælde at drage en generaliseret konklusion, mens modellen i deduktiv læring først drager konklusionen og derefter drages konklusionen.
20. Hvad er fordelene ved beslutningstræer?
Svar:
Fordelene ved beslutningstræer er:
• Beslutningstræer er lette at fortolke
• Ikke-parametrisk
• Der er relativt få parametre at tune
21. Hvad er ulemperne ved beslutningstræer?
Svar:
Beslutningstræer er tilbøjelige til at overdreven. Imidlertid kan dette adresseres ved ensemblemetoder som tilfældige skove eller løftede træer.
22. Hvad er fordelene ved neurale netværk?
Svar:
Dette er de avancerede spørgsmål om maskinlæring, der stilles i et interview. Neurale netværk har ført til gennembrud i præstationer for ustrukturerede datasæt, såsom billeder, lyd og video. Deres utrolige fleksibilitet giver dem mulighed for at lære mønstre, som ingen anden maskinlæringsalgoritme kan lære.
23. Hvad er ulemperne ved neurale netværk?
Svar:
Neural Network kræver en stor mængde træningsdata for at konvergere. Det er også vanskeligt at vælge den rigtige arkitektur, og de interne "skjulte" lag er uforståelige.
24. Hvad er forskellen mellem L1 og L2-regulering?
Svar:
Forskellen mellem L1 og L2-regulering er som følger:
• L1 / Laplace har en tendens til at tolerere både store værdier såvel som meget små værdier for koefficienter mere end L2 / Gaussian
• L1 kan give sparsomme modeller, mens L2 ikke gør det
• L1 og L2-regulering forhindrer overfitting ved at krympe koefficienterne
• L2 (Ridge) krymper alle koefficienter i samme proportioner, men eliminerer ingen, mens L1 (Lasso) kan skrumpe nogle koefficienter til nul og udføre variabel valg
• L1 er første øjeblik-norm | x1-x2 | det er simpelthen den absolutte afstand mellem to punkter, hvor L2 er et andet momentnorm svarende til den euklidiske afstand, der er | x1-x2 | 2.
• L2-regularisering har en tendens til at sprede fejl mellem alle termerne, mens L1 er mere binær / sparsom
Anbefalede artikler
Dette har været en guide til Liste over spørgsmål og svar på maskinlæringssamtaler, så kandidaten let kan slå disse maskinlæringsspørgsmål sammen. Denne artikel består af alle vigtige spørgsmål om maskinlæring samt interviews i den. Du kan også se på de følgende artikler for at lære mere -
- Spørgsmål om campusintervju
- Værdifulde datavidenskabsintervjuespørgsmål
- Interviewspørgsmål til et projektlederjob
- Tip til negle dit næste jobinterview (ideer)