Κορυφαίες 50 ερωτήσεις συνέντευξης μηχανικής εκμάθησης & Απαντήσεις

Λήψη PDF

1) Τι είναι η μηχανική εκμάθηση;

Η μηχανική μάθηση είναι ένας κλάδος της επιστήμης των υπολογιστών που ασχολείται με τον προγραμματισμό του συστήματος, προκειμένου να μαθαίνει και να βελτιώνεται αυτόματα με την εμπειρία. Για παράδειγμα: Τα ρομπότ προγραμματίζονται έτσι ώστε να μπορούν να εκτελούν την εργασία με βάση δεδομένα που συλλέγουν από αισθητήρες. Μαθαίνει αυτόματα προγράμματα από δεδομένα.

2) Αναφέρετε τη διαφορά μεταξύ της εξόρυξης δεδομένων και της μηχανικής μάθησης;

Η μηχανική μάθηση σχετίζεται με τη μελέτη, το σχεδιασμό και την ανάπτυξη των αλγορίθμων που δίνουν στους υπολογιστές τη δυνατότητα να μάθουν χωρίς να έχουν προγραμματιστεί ρητά. Ενώ, η εξόρυξη δεδομένων μπορεί να οριστεί ως η διαδικασία κατά την οποία τα μη δομημένα δεδομένα προσπαθούν να εξαγάγουν γνώσεις ή άγνωστα ενδιαφέροντα μοτίβα. Κατά τη διάρκεια αυτής της μηχανής επεξεργασίας, χρησιμοποιούνται αλγόριθμοι εκμάθησης.

3) Τι είναι το «Overfitting» στη μηχανική εκμάθηση;

Στη μηχανική εκμάθηση, όταν ένα στατιστικό μοντέλο περιγράφει τυχαίο σφάλμα ή θόρυβο αντί να προκύπτει η υποκείμενη σχέση «overfitting». Όταν ένα μοντέλο είναι υπερβολικά περίπλοκο, η υπερβολική τοποθέτηση παρατηρείται συνήθως, επειδή έχει πάρα πολλές παραμέτρους σε σχέση με τον αριθμό των τύπων δεδομένων εκπαίδευσης. Το μοντέλο παρουσιάζει κακή απόδοση που ήταν υπερβολική.

4) Γιατί συμβαίνει υπερβολική τοποθέτηση;

Η πιθανότητα υπερβολικής τοποθέτησης υπάρχει καθώς τα κριτήρια που χρησιμοποιούνται για την εκπαίδευση του μοντέλου δεν είναι τα ίδια με τα κριτήρια που χρησιμοποιούνται για να κριθεί η αποτελεσματικότητα ενός μοντέλου.

5) Πώς μπορείτε να αποφύγετε την υπερβολική τοποθέτηση;

Με τη χρήση πολλών δεδομένων μπορεί να αποφευχθεί η υπερβολική τοποθέτηση, η υπερβολική προσαρμογή συμβαίνει σχετικά καθώς έχετε ένα μικρό σύνολο δεδομένων και προσπαθείτε να μάθετε από αυτό. Αλλά αν έχετε μια μικρή βάση δεδομένων και είστε υποχρεωμένοι να συνοδεύσετε ένα μοντέλο βασισμένο σε αυτό. Σε μια τέτοια περίπτωση, μπορείτε να χρησιμοποιήσετε μια τεχνική γνωστή ως σταυρό επικύρωσης . Σε αυτήν τη μέθοδο το σύνολο δεδομένων χωρίζεται σε δύο ενότητες, σετ δεδομένων δοκιμών και εκπαίδευσης, το σύνολο δεδομένων δοκιμής θα δοκιμάσει μόνο το μοντέλο, ενώ, στο σύνολο δεδομένων κατάρτισης, τα σημεία δεδομένων θα εμφανιστούν με το μοντέλο.

Σε αυτήν την τεχνική, σε ένα μοντέλο δίνεται συνήθως ένα σύνολο δεδομένων γνωστών δεδομένων στα οποία εκτελείται η εκπαίδευση (σύνολο δεδομένων εκπαίδευσης) και ένα σύνολο δεδομένων άγνωστων δεδομένων έναντι των οποίων δοκιμάζεται το μοντέλο. Η ιδέα της διασταυρούμενης επικύρωσης είναι να ορίσετε ένα σύνολο δεδομένων για να «δοκιμάσετε» το μοντέλο στη φάση της προπόνησης.

6) Τι είναι η επαγωγική μηχανική μάθηση;

Η επαγωγική μηχανική μάθηση περιλαμβάνει τη διαδικασία της μάθησης με παραδείγματα, όπου ένα σύστημα, από ένα σύνολο παρατηρούμενων περιπτώσεων προσπαθεί να προκαλέσει έναν γενικό κανόνα.

7) Ποιοι είναι οι πέντε δημοφιλείς αλγόριθμοι της Μηχανικής Μάθησης;

Δέντρα απόφασης
Νευρωνικά δίκτυα (οπίσθια διάδοση)
Πιθανοτικά δίκτυα
Πλησιέστερος γείτονας
Υποστήριξη μηχανών φορέα

8) Ποιες είναι οι διαφορετικές τεχνικές Αλγόριθμου στη Μηχανική Μάθηση;

Οι διαφορετικοί τύποι τεχνικών στη Μηχανική Μάθηση είναι

Εποπτευόμενη μάθηση
Μη εποπτευόμενη μάθηση
Ημι-εποπτευόμενη μάθηση
Μάθηση Ενίσχυσης
Μεταγωγή
Μαθαίνω να μαθαίνω

9) Ποια είναι τα τρία στάδια για την οικοδόμηση των υποθέσεων ή του μοντέλου στη μηχανική μάθηση;

Μοντέλο κτίριο
Δοκιμές μοντέλου
Εφαρμογή του μοντέλου

10) Ποια είναι η τυπική προσέγγιση στην εποπτευόμενη μάθηση;

Η τυπική προσέγγιση της εποπτευόμενης μάθησης είναι να χωριστεί το σύνολο του παραδείγματος στο σετ εκπαίδευσης και στο τεστ.

11) Τι είναι το «Σετ προπόνησης» και το «Σετ δοκιμών»;

Σε διάφορους τομείς της επιστήμης της πληροφορίας, όπως η μηχανική μάθηση, ένα σύνολο δεδομένων χρησιμοποιείται για να ανακαλύψει τη δυνητικά προγνωστική σχέση που είναι γνωστή ως «Σετ Εκπαίδευσης» Το σετ εκπαίδευσης είναι παραδείγματα που δίδονται στον μαθητή, ενώ το σύνολο δοκιμών χρησιμοποιείται για να ελέγξει την ακρίβεια των υποθέσεων που δημιουργούνται από τον μαθητή και είναι το σύνολο παραδειγμάτων που διατηρείται από τον μαθητή. Το σετ προπόνησης διαφέρει από το σετ δοκιμών.

12) Παραθέστε διάφορες προσεγγίσεις για μηχανική μάθηση;

Οι διαφορετικές προσεγγίσεις στη Μηχανική Μάθηση είναι

Concept Vs Classification Learning
Συμβολική Vs Στατιστική Μάθηση
Επαγωγική μάθηση Vs αναλυτική

13) Τι δεν είναι η Μηχανική Εκμάθηση;

Τεχνητή νοημοσύνη
Συμπεράσματα βάσει κανόνα

14) Εξηγήστε ποια είναι η λειτουργία της «Μη εποπτευόμενης μάθησης»;

Βρείτε ομάδες δεδομένων
Βρείτε χαμηλές διαστάσεις αναπαραστάσεις των δεδομένων
Βρείτε ενδιαφέρουσες οδηγίες στα δεδομένα
Ενδιαφέρουσες συντεταγμένες και συσχετίσεις
Βρείτε νέες παρατηρήσεις / καθαρισμό βάσεων δεδομένων

15) Εξηγήστε ποια είναι η λειτουργία της «Εποπτευόμενης Μάθησης»;

Ταξινομήσεις
Αναγνώρισης ομιλίας
Οπισθοδρόμηση
Προβλέψτε χρονολογικές σειρές
Σχολιασμός συμβολοσειρών

16) Τι είναι η ανεξάρτητη αλγόριθμος μηχανική μάθηση;

Μηχανική μάθηση όπου τα μαθηματικά θεμέλια είναι ανεξάρτητα από οποιονδήποτε συγκεκριμένο ταξινομητή ή αλγόριθμος εκμάθησης αναφέρεται ως ανεξάρτητος αλγόριθμος μηχανική μάθηση;

17) Ποια είναι η διαφορά μεταξύ της τεχνητής μάθησης και της μηχανικής μάθησης;

Ο σχεδιασμός και η ανάπτυξη αλγορίθμων σύμφωνα με τις συμπεριφορές που βασίζονται σε εμπειρικά δεδομένα είναι γνωστοί ως Machine Learning. Ενώ η τεχνητή νοημοσύνη εκτός από τη μηχανική εκμάθηση, καλύπτει επίσης άλλες πτυχές όπως η αναπαράσταση της γνώσης, η επεξεργασία φυσικής γλώσσας, ο σχεδιασμός, η ρομποτική κ.λπ.

18) Τι είναι ο ταξινομητής στη μηχανική μάθηση;

Ένας ταξινομητής σε μια Μηχανική Μάθηση είναι ένα σύστημα που εισάγει ένα διάνυσμα διακριτών ή συνεχών τιμών χαρακτηριστικών και εξάγει μία διακριτή τιμή, την κλάση.

19) Ποια είναι τα πλεονεκτήματα του Naive Bayes;

Στο Naïve Bayes ο ταξινομητής θα συγκλίνει γρηγορότερα από τα διακριτικά μοντέλα όπως η λογιστική παλινδρόμηση, οπότε χρειάζεστε λιγότερα δεδομένα εκπαίδευσης. Το κύριο πλεονέκτημα είναι ότι δεν μπορεί να μάθει αλληλεπιδράσεις μεταξύ χαρακτηριστικών.

20) Σε ποιους τομείς χρησιμοποιείται η Αναγνώριση προτύπων;

Η αναγνώριση προτύπων μπορεί να χρησιμοποιηθεί στο

Όραμα υπολογιστή
Αναγνώρισης ομιλίας
Εξόρυξη δεδομένων
Στατιστική
Άτυπη ανάκτηση
Βιο-Πληροφορική

21) Τι είναι ο γενετικός προγραμματισμός;

Ο γενετικός προγραμματισμός είναι μία από τις δύο τεχνικές που χρησιμοποιούνται στη μηχανική μάθηση. Το μοντέλο βασίζεται στη δοκιμή και επιλέγοντας την καλύτερη επιλογή ανάμεσα σε ένα σύνολο αποτελεσμάτων.

22) Τι είναι ο Επαγωγικός Λογικός Προγραμματισμός στη Μηχανική Μάθηση;

Ο Επαγωγικός Λογικός Προγραμματισμός (ILP) είναι ένα υποπεδίο της μηχανικής μάθησης που χρησιμοποιεί λογικό προγραμματισμό που αντιπροσωπεύει γνώσεις και παραδείγματα.

23) Τι είναι η επιλογή μοντέλου στη μηχανική εκμάθηση;

Η διαδικασία επιλογής μοντέλων μεταξύ διαφορετικών μαθηματικών μοντέλων, τα οποία χρησιμοποιούνται για την περιγραφή του ίδιου συνόλου δεδομένων είναι γνωστή ως Model Selection. Η επιλογή μοντέλου εφαρμόζεται στους τομείς της στατιστικής, της μηχανικής μάθησης και της εξόρυξης δεδομένων.

24) Ποιες είναι οι δύο μέθοδοι που χρησιμοποιούνται για τη βαθμονόμηση στην Εποπτευόμενη Μάθηση;

Οι δύο μέθοδοι που χρησιμοποιούνται για την πρόβλεψη καλών πιθανοτήτων στην Εποπτευόμενη Μάθηση είναι

Βαθμονόμηση Platt
Ισοτονική παλινδρόμηση

Αυτές οι μέθοδοι έχουν σχεδιαστεί για δυαδική ταξινόμηση και δεν είναι ασήμαντη.

25) Ποια μέθοδος χρησιμοποιείται συχνά για την αποφυγή της υπερβολικής τοποθέτησης;

Όταν υπάρχουν επαρκή δεδομένα, το "Isotonic Regression" χρησιμοποιείται για την αποφυγή ενός υπερβολικού προβλήματος.

26) Ποια είναι η διαφορά μεταξύ ευρετικής για την εκμάθηση κανόνων και ευρετικής για δέντρα αποφάσεων;

Η διαφορά είναι ότι η ευρετικότητα για τα δέντρα αποφάσεων αξιολογεί τη μέση ποιότητα ενός αριθμού διαζευγμένων συνόλων, ενώ οι εκπαιδευόμενοι κανόνα αξιολογούν μόνο την ποιότητα του συνόλου παρουσιών που καλύπτεται από τον υποψήφιο κανόνα.

27) Τι είναι το Perceptron στη μηχανική εκμάθηση;

Στην Μηχανική Μάθηση, το Perceptron είναι ένας αλγόριθμος για την εποπτευόμενη ταξινόμηση της εισαγωγής σε μία από τις πολλές πιθανές μη δυαδικές εξόδους.

28) Εξηγήστε τα δύο στοιχεία του προγράμματος λογικής Bayesian;

Το πρόγραμμα λογικής Bayesian αποτελείται από δύο στοιχεία. Το πρώτο συστατικό είναι λογικό. Αποτελείται από ένα σύνολο Bayesian Clauses, το οποίο συλλαμβάνει την ποιοτική δομή του τομέα. Το δεύτερο συστατικό είναι ένα ποσοτικό, κωδικοποιεί τις ποσοτικές πληροφορίες για τον τομέα.

29) Τι είναι τα Bayesian Networks (BN);

Το Bayesian Network χρησιμοποιείται για την αναπαράσταση του γραφικού μοντέλου για πιθανότητα σχέσης μεταξύ ενός συνόλου μεταβλητών.

30) Γιατί ο αλγόριθμος εκμάθησης βάσει παραδείγματος αναφέρεται μερικές φορές ως αλγόριθμος Lazy learning;

Ο αλγόριθμος εκμάθησης βασισμένος στα στιγμιότυπα αναφέρεται επίσης ως αλγόριθμος Lazy learning καθώς καθυστερούν τη διαδικασία επαγωγής ή γενίκευσης έως ότου πραγματοποιηθεί η ταξινόμηση.

31) Ποιες είναι οι δύο μέθοδοι ταξινόμησης που μπορεί να χειριστεί το SVM (Support Vector Machine);

Συνδυασμός δυαδικών ταξινομητών
Τροποποίηση δυαδικών στοιχείων για την ενσωμάτωση της μάθησης πολλαπλών κλάσεων

32) Τι είναι το σύνολο της μάθησης;

Για την επίλυση ενός συγκεκριμένου υπολογιστικού προγράμματος, δημιουργούνται και συνδυάζονται πολλαπλά μοντέλα, όπως ταξινομητές ή ειδικοί. Αυτή η διαδικασία είναι γνωστή ως σύνολο μαθημάτων.

33) Γιατί χρησιμοποιείται το σύνολο μαθημάτων;

Το σύνολο μαθημάτων χρησιμοποιείται για τη βελτίωση της ταξινόμησης, της πρόβλεψης, της προσέγγισης λειτουργίας κ.λπ. ενός μοντέλου.

34) Πότε να χρησιμοποιώ σύνολο μαθημάτων;

Το σύνολο μαθημάτων χρησιμοποιείται όταν δημιουργείτε ταξινομητές στοιχείων που είναι πιο ακριβείς και ανεξάρτητοι ο ένας από τον άλλο.

35) Ποια είναι τα δύο πρότυπα μεθόδων συνόλων;

Τα δύο παραδείγματα μεθόδων συνόλου είναι

Διαδοχικές μέθοδοι συνόλου
Παράλληλες μέθοδοι συνόλου

36) Ποια είναι η γενική αρχή μιας μεθόδου συνόλων και τι είναι η ενίσχυση και η ενίσχυση στη μέθοδο συνόλου;

Η γενική αρχή μιας μεθόδου συνόλου είναι να συνδυάσει τις προβλέψεις αρκετών μοντέλων που έχουν κατασκευαστεί με έναν δεδομένο αλγόριθμο εκμάθησης προκειμένου να βελτιωθεί η αντοχή σε ένα μόνο μοντέλο. Το Bagging είναι μια μέθοδος στο σύνολο για τη βελτίωση των ασταθών σχεδίων εκτίμησης ή ταξινόμησης. Ενώ η μέθοδος ενίσχυσης χρησιμοποιείται διαδοχικά για τη μείωση της προκατάληψης του συνδυασμένου μοντέλου. Το Boosting και το Bagging αμφότερα μπορούν να μειώσουν τα σφάλματα μειώνοντας τον όρο διακύμανσης.

37) Τι είναι η αποσύνθεση μεροληψίας του σφάλματος ταξινόμησης στη μέθοδο ensemble;

Το αναμενόμενο σφάλμα ενός αλγορίθμου εκμάθησης μπορεί να αποσυντεθεί σε προκατάληψη και διακύμανση. Ένας όρος μεροληψίας μετρά πόσο κοντά ο μέσος ταξινομητής που παράγεται από τον αλγόριθμο εκμάθησης ταιριάζει με τη συνάρτηση στόχου. Ο όρος διακύμανσης μετρά πόσο διαφέρει η πρόβλεψη του αλγόριθμου εκμάθησης για διαφορετικά σετ εκπαίδευσης.

38) Τι είναι ένας αλγόριθμος στοιχειώδους μάθησης στο σύνολο;

Η σταδιακή μέθοδος εκμάθησης είναι η ικανότητα ενός αλγορίθμου να μαθαίνει από νέα δεδομένα που μπορεί να είναι διαθέσιμα αφού ο ταξινομητής έχει ήδη δημιουργηθεί από ήδη διαθέσιμο σύνολο δεδομένων.

39) Σε τι χρησιμοποιούνται τα PCA, KPCA και ICA;

Το PCA (Ανάλυση κύριων συστατικών), το KPCA (Ανάλυση κύριου συστατικού με βάση τον πυρήνα) και το ICA (Ανάλυση ανεξάρτητων συστατικών) είναι σημαντικές τεχνικές εξαγωγής χαρακτηριστικών που χρησιμοποιούνται για τη μείωση της διάστασης.

40) Τι είναι η μείωση των διαστάσεων στη Μηχανική Εκμάθηση;

Στη Μηχανική Μάθηση και στα στατιστικά στοιχεία, η μείωση διαστάσεων είναι η διαδικασία μείωσης του αριθμού των τυχαίων μεταβλητών υπό εξέταση και μπορεί να χωριστεί σε επιλογή χαρακτηριστικών και εξαγωγή χαρακτηριστικών.

41) Τι είναι οι μηχανές φορέα υποστήριξης;

Οι μηχανές φορέα υποστήριξης είναι εποπτευόμενοι αλγόριθμοι μάθησης που χρησιμοποιούνται για την ταξινόμηση και την ανάλυση παλινδρόμησης.

42) Ποια είναι τα συστατικά των σχεσιακών τεχνικών αξιολόγησης;

Τα σημαντικά συστατικά των σχεσιακών τεχνικών αξιολόγησης είναι

Απόκτηση δεδομένων
Απόκτηση αλήθειας εδάφους
Τεχνική εγκυρότητας
Τύπος ερωτήματος
Μέτρηση βαθμολογίας
Δοκιμή σημασίας

43) Ποιες είναι οι διαφορετικές μέθοδοι για τη διαδοχική εποπτευόμενη μάθηση;

Οι διαφορετικές μέθοδοι για την επίλυση προβλημάτων διαδοχικής εποπτείας μάθησης είναι

Μέθοδοι συρόμενου παραθύρου
Επαναλαμβανόμενα συρόμενα παράθυρα
Κρυφά μοντέλα Markow
Μέγιστα μοντέλα εντροπίας Markow
Τυχαία πεδία υπό όρους
Δίκτυα μετασχηματιστών γραφημάτων

44) Ποιοι είναι οι τομείς της ρομποτικής και της επεξεργασίας πληροφοριών όπου προκύπτει πρόβλημα διαδοχικής πρόβλεψης;

Οι τομείς της ρομποτικής και της επεξεργασίας πληροφοριών όπου προκύπτει πρόβλημα διαδοχικής πρόβλεψης

Εκμάθηση απομίμησης
Δομημένη πρόβλεψη
Εκμάθηση ενίσχυσης βάσει μοντέλου

45) Τι είναι η μαζική στατιστική μάθηση;

Οι τεχνικές στατιστικής μάθησης επιτρέπουν στην εκμάθηση μιας λειτουργίας ή ενός προγνωστικού παράγοντα από ένα σύνολο παρατηρούμενων δεδομένων που μπορούν να κάνουν προβλέψεις για αόρατα ή μελλοντικά δεδομένα. Αυτές οι τεχνικές παρέχουν εγγυήσεις για την απόδοση του εκπαιδευμένου προγνωστικού για τα μελλοντικά αόρατα δεδομένα με βάση μια στατιστική υπόθεση για τη διαδικασία δημιουργίας δεδομένων.

46) Τι είναι το PAC Learning;

Η εκμάθηση PAC (Πιθανώς Σχεδόν Σωστή) είναι ένα μαθησιακό πλαίσιο που έχει εισαχθεί για την ανάλυση των αλγορίθμων μάθησης και της στατιστικής τους αποτελεσματικότητας.

47) Ποιες είναι οι διαφορετικές κατηγορίες που μπορείτε να κατηγοριοποιήσετε τη διαδικασία εκμάθησης ακολουθίας;