Introduction à l'apprentissage automatique Questions et réponses
Le Machine Learning est une approche de l'intelligence artificielle. Cela donne à chaque système une capacité telle qu'il apprend et s'améliore automatiquement sans être programmé explicitement. L'apprentissage automatique aide au développement de programmes informatiques qui peuvent accéder aux données et les utiliser pour apprendre par eux-mêmes. Lorsque le modèle statistique génère une erreur aléatoire ou lorsque le modèle est excessivement complexe, le Machine Learning aide à résoudre ces complexités.
Vous trouverez ci-dessous les 24 questions et réponses importantes pour les entretiens d'apprentissage automatique en 2019
Vous avez donc finalement trouvé votre emploi de rêve dans le Machine Learning, mais vous vous demandez comment résoudre l'interview de Machine Learning et quelles pourraient être les questions probables de l'entretien de Machine Learning 2019 Chaque entretien est différent et la portée d'un travail est également différente. En gardant cela à l'esprit, nous avons conçu les questions et réponses d'entrevue les plus courantes sur l'apprentissage automatique pour vous aider à réussir votre entrevue.
Ces questions sont divisées en deux parties:
Partie 1 - Questions d'entrevue d'apprentissage automatique (de base)
- Partie 2 - Questions d'entrevue d'apprentissage automatique (avancé)
Partie 1 - Questions d'entrevue d'apprentissage automatique (de base)
Cette première partie couvre les questions et réponses d'entrevue de base sur l'apprentissage automatique.
1. Qu'entendez-vous par Machine Learning?
Répondre:
L'apprentissage automatique est une application de l'intelligence artificielle qui offre aux systèmes la capacité d'apprendre et de s'améliorer automatiquement à partir de l'expérience sans être explicitement programmé. L'apprentissage automatique se concentre sur le développement de programmes informatiques qui peuvent accéder aux données et les utiliser pour apprendre par eux-mêmes.
2. Donnez un exemple qui explique le penchement machine dans l'industrie.
Répondre:
Les robots remplacent les humains dans de nombreux domaines. C'est parce que les robots sont programmés de manière à pouvoir effectuer la tâche en fonction des données qu'ils collectent à partir des capteurs. Ils apprennent des données et se comportent intelligemment.
Passons aux prochaines questions d'entretien de Machine Learning.
3. Quelles sont les différentes techniques d'algorithmes en apprentissage automatique?
Répondre:
Les différents types de techniques d'algorithmes dans le Machine Learning sont les suivants:
• Apprentissage par renforcement
• Enseignement supervisé
• Apprentissage non supervisé
• Apprentissage semi-supervisé
• Transduction
• Apprendre à apprendre
4. Quelle est la différence entre l'apprentissage automatique supervisé et non supervisé?
Répondre:
Ce sont les questions d'entretien de base du Machine Learning posées lors d'un entretien. L'apprentissage supervisé est un processus où il nécessite une formation sur les données étiquetées. Alors que l'apprentissage non supervisé, il ne nécessite pas d'étiquetage des données.
5. Quelle est la fonction de l'apprentissage non supervisé?
Répondre:
La fonction de l'apprentissage non supervisé est la suivante:
• Trouver des clusters des données des données
• Trouver des représentations en basse dimension des données
• Trouvez des directions intéressantes dans les données
• Coordonnées et corrélations intéressantes
• Trouver de nouvelles observations
6. Quelle est la fonction de l'apprentissage supervisé?
Répondre:
Les fonctions de l'apprentissage supervisé sont les suivantes:
• Classifications
• Reconnaissance de la parole
• Régression
• Prédire la série chronologique
• Annoter des chaînes
7. Quels sont les avantages de Naive Bayes?
Répondre:
Les avantages de Naive Bayes sont:
• Le classificateur convergera plus rapidement que les modèles discriminants
• Il ne peut pas apprendre les interactions entre les fonctionnalités
Passons aux prochaines questions d'entretien de Machine Learning.
8. Quels sont les inconvénients de Naive Bayes?
Répondre:
Les inconvénients de Naive Bayes sont:
• C'est parce que le problème se pose pour les fonctionnalités continues
• Il fait une hypothèse très forte sur la forme de votre distribution de données
• Cela peut également se produire en raison de la rareté des données
9. Pourquoi les Bayes naïfs sont-ils si naïfs?
Répondre:
Naive Bayes est tellement naïf car il suppose que toutes les entités d'un ensemble de données sont également importantes et indépendantes.
10. Qu'est-ce que le surapprentissage dans l'apprentissage automatique?
Répondre:
Ce sont les questions les plus fréquemment posées lors d'un entretien avec Machine Learning. Le sur-ajustement dans l'apprentissage automatique est défini comme lorsqu'un modèle statistique décrit une erreur ou un bruit aléatoire au lieu de la relation sous-jacente ou lorsqu'un modèle est excessivement complexe.
11. Quelles sont les conditions de sur-ajustement?
Répondre:
L'une des raisons importantes et la possibilité de sur-ajustement est parce que les critères utilisés pour la formation du modèle ne sont pas les mêmes que les critères utilisés pour juger de l'efficacité d'un modèle.
12. Comment pouvez-vous éviter le sur-ajustement?
Répondre:
Nous pouvons éviter le sur-ajustement en utilisant:
• Beaucoup de données
• Validation croisée
Partie 2 - Questions d'entrevue d'apprentissage automatique (avancé)
Jetons maintenant un coup d'œil aux questions d'entrevue avancées sur l'apprentissage automatique.
13. Quels sont les cinq algorithmes populaires pour l'apprentissage automatique?
Répondre:
Vous trouverez ci-dessous la liste des cinq algorithmes populaires de Machine Learning:
• Arbres de décision
• Réseaux probabilistes
• Voisin le plus proche
• Soutenir les machines vectorielles
• Les réseaux de neurones
14. Quels sont les différents cas d'utilisation où des algorithmes d'apprentissage automatique peuvent être utilisés?
Répondre:
Les différents cas d'utilisation où des algorithmes d'apprentissage automatique peuvent être utilisés sont les suivants:
• Détection de fraude
• Détection facial
• Traitement du langage naturel
• Segmentation du marché
• Catégorisation du texte
• Bioinformatique
Passons aux prochaines questions d'entretien de Machine Learning.
15. Que sont les modèles paramétriques et les modèles non paramétriques?
Répondre:
Les modèles paramétriques sont ceux avec un nombre fini de paramètres et pour prédire de nouvelles données, il vous suffit de connaître les paramètres du modèle.
Les modèles non paramétriques sont ceux avec un nombre illimité de paramètres, permettant plus de flexibilité et pour prévoir de nouvelles données, vous devez connaître les paramètres du modèle et l'état des données qui ont été observées.
16. Quelles sont les trois étapes pour construire les hypothèses ou les modèles d'apprentissage automatique?
Répondre:
Ce sont les questions les plus fréquemment posées lors d'un entretien avec Machine Learning. Les trois étapes pour construire les hypothèses ou le modèle en machine learning sont:
1. Maquette
2. Essais sur modèle
3. Application du modèle
17. Qu'est-ce que la programmation logique inductive dans l'apprentissage automatique (ILP)?
Répondre:
La programmation logique inductive (ILP) est un sous-domaine de l'apprentissage automatique qui utilise une programmation logique représentant des connaissances de base et des exemples.
18. Quelle est la différence entre la classification et la régression?
Répondre:
La différence entre la classification et la régression est la suivante:
• La classification consiste à identifier l'appartenance à un groupe tandis que la technique de régression consiste à prédire une réponse.
• Les techniques de classification et de régression sont liées à la prédiction
• La classification prédit l'appartenance à une classe tandis que la régression prédit la valeur à partir d'un ensemble continu
• La technique de classification est préférée à la régression lorsque les résultats du modèle doivent renvoyer l'appartenance des points de données dans un ensemble de données avec des catégories explicites spécifiques
Passons aux prochaines questions d'entretien de Machine Learning.
19. Quelle est la différence entre l'apprentissage machine inductif et l'apprentissage machine déductif?
Répondre:
La différence entre l'apprentissage machine inductif et l'apprentissage machine déductif est la suivante:
l'apprentissage automatique où le modèle apprend par des exemples à partir d'un ensemble d'instances observées pour tirer une conclusion généralisée tandis que dans l'apprentissage déductif, le modèle tire d'abord la conclusion, puis la conclusion est tirée.
20. Quels sont les avantages des arbres de décision?
Répondre:
Les avantages des arbres de décision sont:
• Les arbres de décision sont faciles à interpréter
• Non paramétrique
• Il y a relativement peu de paramètres à régler
21. Quels sont les inconvénients des arbres de décision?
Répondre:
Les arbres de décision sont enclins à sur-équiper. Cependant, cela peut être résolu par des méthodes d'ensemble comme les forêts aléatoires ou les arbres boostés.
22. Quels sont les avantages des réseaux de neurones?
Répondre:
Ce sont les questions avancées sur le Machine Learning posées lors d'un entretien. Les réseaux de neurones ont entraîné des percées en matière de performances pour les ensembles de données non structurés tels que les images, l'audio et la vidéo. Leur flexibilité incroyable leur permet d'apprendre des modèles qu'aucun autre algorithme d'apprentissage automatique ne peut apprendre.
23. Quels sont les inconvénients des réseaux de neurones?
Répondre:
Le réseau neuronal nécessite une grande quantité de données d'entraînement pour converger. Il est également difficile de choisir la bonne architecture et les couches internes «cachées» sont incompréhensibles.
24. Quelle est la différence entre la régularisation L1 et L2?
Répondre:
Les différences entre régularisation L1 et L2 sont les suivantes:
• L1 / Laplace a tendance à tolérer à la fois de grandes valeurs ainsi que de très petites valeurs de coefficients plus que L2 / gaussien
• L1 peut produire des modèles clairsemés tandis que L2 ne le fait pas
• La régularisation L1 et L2 empêche le sur-ajustement en réduisant les coefficients
• L2 (Ridge) réduit tous les coefficients dans les mêmes proportions mais n'en élimine aucun, tandis que L1 (Lasso) peut réduire certains coefficients à zéro, effectuant une sélection de variables
• L1 est la norme du premier instant | x1-x2 | c'est simplement la circonstance absolue entre deux points où L2 est la norme du second moment correspondant à la distance euclidienne qui est | x1-x2 | 2.
• La régularisation de L2 tend à répandre l'erreur entre tous les termes, tandis que L1 est plus binaire / clairsemée
Articles recommandés
Cela a été un guide pour la liste des questions et réponses d'entrevue d'apprentissage automatique afin que le candidat puisse réprimer facilement ces questions d'entrevue d'apprentissage automatique. Cet article comprend toutes les questions et réponses importantes pour les entretiens d'apprentissage automatique. Vous pouvez également consulter les articles suivants pour en savoir plus -
- Questions d'entretiens chez Campus
- Questions d'entretiens chez Valuable Data Science
- Questions d'entretiens pour un poste de Project Manager
- Conseils pour réussir votre prochain entretien d'embauche (idées)