15 pytań i odpowiedzi dotyczących uczenia maszynowego na rok 2022

Czy jesteś kimś, kto chce odnieść sukces w uczeniu maszynowym? Jeśli tak, to świetnie dla Ciebie!

Ale najpierw musisz przygotować się na przełamanie lodów – wywiad z ML.

Ponieważ proces przygotowania do rozmowy kwalifikacyjnej może być przytłaczający, zdecydowaliśmy się wkroczyć – oto wyselekcjonowana lista 15 najczęściej zadawanych pytań w rozmowach dotyczących uczenia maszynowego!

1. Jaka jest różnica między uczeniem głębokim a uczeniem maszynowym?

Podczas gdy uczenie maszynowe obejmuje zastosowanie i wykorzystanie zaawansowanych algorytmów do analizowania danych, odkrywania ukrytych wzorców w danych i uczenia się na ich podstawie, a na koniec zastosowania wyuczonych spostrzeżeń do podejmowania świadomych decyzji biznesowych. Jeśli chodzi o uczenie głębokie, jest to podzbiór uczenia maszynowego, który obejmuje wykorzystanie sztucznych sieci neuronowych, które czerpią inspirację ze struktury sieci neuronowej ludzkiego mózgu. Głębokie uczenie jest szeroko stosowane w wykrywaniu funkcji.

2. Zdefiniuj – precyzja i przypomnienie.

Precyzja lub Dodatnia Wartość Predykcyjna mierzy lub dokładniej przewiduje liczbę prawdziwych wyników pozytywnych deklarowanych przez model w porównaniu z liczbą pozytywów, które faktycznie deklaruje.

Wskaźnik przypomnienia lub prawdziwie pozytywnych wyników odnosi się do liczby pozytywów stwierdzonych przez model w porównaniu z rzeczywistą liczbą pozytywów obecnych w danych.

Dołącz do kursu uczenia maszynowego online z najlepszych uniwersytetów na świecie — studiów magisterskich, programów podyplomowych dla kadry kierowniczej i zaawansowanego programu certyfikacji w zakresie uczenia maszynowego i sztucznej inteligencji, aby przyspieszyć swoją karierę.

3. Wyjaśnij pojęcia „stronniczość” i „wariancja”. '

Podczas procesu uczenia oczekiwany błąd algorytmu uczenia się jest generalnie klasyfikowany lub rozkładany na dwie części – błąd systematyczny i wariancję. Podczas gdy „bias” jest sytuacją błędu spowodowaną zastosowaniem prostych założeń w algorytmie uczącym się, „wariancja” oznacza błąd spowodowany złożonością tego algorytmu uczenia się w analizie danych. Bias mierzy bliskość średniego klasyfikatora utworzonego przez algorytm uczący się do funkcji docelowej, a wariancja mierzy stopień zmienności predykcji algorytmu uczącego dla różnych zestawów danych uczących.

4. Jak działa krzywa ROC?

Krzywa ROC lub charakterystyka pracy odbiornika jest graficzną reprezentacją zmienności między wskaźnikami prawdziwie dodatnich i fałszywie dodatnich przy różnych progach. Jest to podstawowe narzędzie do oceny testów diagnostycznych i jest często używane jako reprezentacja kompromisu między czułością modelu (prawdziwie dodatnie) a prawdopodobieństwem wyzwolenia fałszywych alarmów (fałszywie dodatnie).

Źródło

• Krzywa przedstawia kompromis między czułością a swoistością – jeśli czułość wzrośnie, swoistość zmniejszy się.
• Jeśli krzywa graniczy bardziej w kierunku lewej osi i górnej części przestrzeni ROC, test jest zwykle dokładniejszy. Jeśli jednak krzywa zbliża się do 45-stopniowej przekątnej przestrzeni ROC, test jest mniej dokładny lub wiarygodny.
• Nachylenie linii stycznej w punkcie odcięcia wskazuje współczynnik wiarygodności (LR) dla tej konkretnej wartości testu.
• Obszar pod krzywą mierzy dokładność testu.

5. Wyjaśnij różnicę między błędami typu 1 i typu 2?

Błąd typu 1 to błąd fałszywie pozytywny, który „twierdzi”, że incydent miał miejsce, gdy w rzeczywistości nic się nie wydarzyło. Najlepszym przykładem błędu fałszywie pozytywnego jest fałszywy alarm pożarowy – alarm zaczyna dzwonić, gdy nie ma pożaru. W przeciwieństwie do tego, błąd typu 2 jest błędem fałszywie ujemnym, który „twierdzi”, że nic się nie wydarzyło, gdy coś na pewno się wydarzyło. Byłoby błędem typu 2 powiedzieć ciężarnej kobiecie, że nie nosi dziecka.

6. Dlaczego Bayes jest określany jako „Naive Bayes”?

Naive Bayes jest określany jako „naiwny”, ponieważ chociaż ma wiele praktycznych zastosowań, opiera się na założeniu, którego nie można znaleźć w rzeczywistych danych – wszystkie cechy w zbiorze danych są kluczowe, niezależne i równe. W podejściu naiwnym Bayesa prawdopodobieństwo warunkowe jest obliczane jako czysty iloczyn prawdopodobieństw poszczególnych składowych, co implikuje całkowitą niezależność cech. Niestety, to założenie nigdy nie może zostać spełnione w realnym scenariuszu.

7. Co oznacza termin „przesadne dopasowanie”? Czy możesz tego uniknąć? Jeśli tak to jak?

Zwykle podczas procesu uczenia model jest zasilany dużą ilością danych. W trakcie procesu dane zaczynają się uczyć nawet na podstawie niedokładnych informacji i szumu obecnych w przykładowym zestawie danych. Stwarza to negatywny wpływ na wydajność modelu na nowych danych, co oznacza, że ​​model nie może dokładnie klasyfikować nowych wystąpień/danych poza tymi z zestawu uczącego. Jest to znane jako Overfitting.

Tak, można uniknąć nadmiernego dopasowania. Oto jak:

• Zbierz więcej danych (z różnych źródeł), aby trenować model z różnymi próbkami.
• Zastosuj metody grupowania (na przykład Random Forest), które wykorzystują podejście baggingowe, aby zminimalizować zmienność prognoz, zestawiając wyniki wielu drzew decyzyjnych w różnych jednostkach zbioru danych.
• Upewnij się, że używasz technik weryfikacji krzyżowej.

8. Wymień dwie metody używane do kalibracji w uczeniu nadzorowanym.

Dwie metody kalibracji w Supervised Learning to – Kalibracja Platta i Regresja Izotoniczna. Obie te metody są specjalnie zaprojektowane do klasyfikacji binarnej.

9. Dlaczego przycinasz drzewo decyzyjne?

Drzewa decyzyjne należy przycinać, aby pozbyć się gałęzi o słabych zdolnościach przewidywania. Pomaga to zminimalizować iloraz złożoności modelu drzewa decyzyjnego i zoptymalizować jego dokładność predykcyjną. Przycinanie można wykonać od góry do dołu lub od dołu do góry. Zmniejszone przycinanie błędów, przycinanie złożoności kosztów, przycinanie przycinania błędów i minimalizacja błędów to niektóre z najczęściej używanych metod przycinania drzewa decyzyjnego.

10. Co oznacza wynik F1?

Mówiąc prościej, wynik F1 jest miarą wydajności modelu – średnia precyzji i pamięci modelu, przy czym wyniki bliskie 1 oznaczają najlepsze, a te bliskie 0 są najgorsze. Wynik F1 można wykorzystać w testach klasyfikacyjnych, które nie przywiązują wagi do prawdziwych wyników negatywnych.

11. Rozróżnij algorytm generatywny i dyskryminacyjny.

Podczas gdy algorytm generatywny uczy się kategorii danych, algorytm dyskryminacyjny uczy się rozróżniania między różnymi kategoriami danych. Jeśli chodzi o zadania klasyfikacyjne, modele dyskryminacyjne zazwyczaj wyprzedzają modele generatywne.

12. Co to jest uczenie zespołowe?

Ensemble Learning wykorzystuje kombinację algorytmów uczenia się w celu optymalizacji predykcyjnej wydajności modeli. W tej metodzie wiele modeli, takich jak klasyfikatory lub eksperci, jest zarówno strategicznie generowanych, jak i łączonych, aby zapobiec nadmiernemu dopasowaniu w modelach. Jest używany głównie do udoskonalenia przewidywania, klasyfikacji, aproksymacji funkcji, wydajności itp. modelu.

13. Zdefiniuj „Sztuczkę jądra”.

Metoda Kernel Trick polega na użyciu funkcji jądra, które mogą działać w wielowymiarowej i niejawnej przestrzeni cech bez konieczności jawnego obliczania współrzędnych punktów w tym wymiarze. Funkcje jądra obliczają iloczyny wewnętrzne między obrazami wszystkich par danych obecnych w przestrzeni funkcji. Ta procedura jest tańsza obliczeniowo w porównaniu z jawnym obliczeniem współrzędnych i jest znana jako sztuczka jądra.

14. Jak postępować z brakującymi lub uszkodzonymi danymi w zestawie danych?

Aby znaleźć brakujące/uszkodzone dane w zestawie danych, należy albo usunąć wiersze i kolumny, albo zastąpić je innymi wartościami. Biblioteka Pandas ma dwie świetne metody znajdowania brakujących/uszkodzonych danych – isnull() i dropna(). Obie te funkcje zostały specjalnie zaprojektowane, aby pomóc Ci znaleźć wiersze/kolumny danych z brakującymi/uszkodzonymi danymi i usunąć te wartości.

15. Co to jest tablica mieszająca?

Tablica mieszająca to struktura danych, która tworzy tablicę asocjacyjną, w której klucz jest mapowany na określone wartości za pomocą funkcji mieszającej. Tabele haszujące są najczęściej używane w indeksowaniu baz danych.

Źródło

Ta lista pytań ma na celu jedynie wprowadzenie w podstawy uczenia maszynowego i szczerze mówiąc, te dwadzieścia pytań to tylko kropla w morzu. Uczenie maszynowe rozwija się, gdy mówimy, i dlatego z czasem pojawią się nowe koncepcje. Kluczem do przeprowadzenia rozmów kwalifikacyjnych jest więc ciągłe pragnienie nauki i podnoszenia umiejętności. Więc zacznij i plądruj Internet, czytaj czasopisma, dołączaj do społeczności internetowych, bierz udział w konferencjach i seminariach ML – jest tak wiele sposobów na naukę.

Aby wejść do dużej organizacji, niezbędny jest certyfikat renomowanej instytucji. Zapoznaj się z programem Executive PG IIIT-B w zakresie uczenia maszynowego i sztucznej inteligencji i uzyskaj pomoc w pracy od najlepszych firm zajmujących się ML i sztuczną inteligencją.