Legyen kész erre a gépi tanulással kapcsolatos 13 interjúkérdésre

Gépi tanulási interjúkérdések

A gépi tanulási mérnöknek készített interjú nagyon technikás lesz, de itt az alkalom, hogy megmutassa, mi teszi a legjobb jelöltté.

Készüljön fel a mesterséges intelligencia és a gépi tanulás interjúk kérdéseivel, és azok megválaszolásának módjával.

Az interjúalanyok ezt a listát felhasználhatják olyan interjú készítéséhez is, amely feltárja a gépi tanulási jelöltek képességeit. Meg fogja tanulni a technikai készségeiket és a kritikus gondolkodás képességét.

Gépi tanulási interjúban várható kérdések.

Flickr

Algoritmusok

Készüljön fel arra, hogy megmutassa ismereteit a sekély tanulási algoritmusokról. Hacsak nem szigorú Data Scientist pozícióra pályázik, az interjúztató nem fog túlságosan sokat foglalkozni algoritmuskérdésekkel. De tudnia kell beszélni a bemenetekről és arról, hogy mely algoritmusokat melyik alkalmazáshoz lehet a legjobban használni.

1. Mikor használja a KNN-t (k legközelebbi szomszéd)?

A besoroláshoz általában a KNN-t használják. Ez az egyik legegyszerűbb és leggyakrabban használt algoritmus a gépi tanulásban.

Válasza a tapasztalataitól függően változhat, de a KNN-t figyelembe venném a legtöbb esetben, amikor az osztályokat és a szolgáltatásokat felcímkézik

2. Írja le az SVM (Support Vector Machine) működését. Hogyan lehet SVM-eket használni nemlineáris adatokkal?

Az SVM létrehoz egy hipersík- vagy döntési határt a bemeneti adatok osztályozásához az alapján, hogy a határ melyik oldalán fekszik az új adat. Ezeket úgy optimalizálják, hogy a határ és az adatpontok közötti margót a lehető legnagyobb mértékben megnövelik.

Ne feledje, hogy a kerneleket gyakran SVM-ekkel rakják össze. A magok a nemlineáris adatokat lineáris adatokká alakítják át, hogy az SVM optimalizálható legyen.

Keretek és nyelvek

A kérdező tudni akarja, milyen nyelveket és keretrendszereket használt. Ezeket a kérdéseket arra is felhasználják, hogy képet kapjanak arról, milyen gyorsan veszi fel az új keretrendszert, és mennyire összhangban van a mesterséges intelligencia számára elérhető keretekkel.

3. Miért szereted használni? ?

Az önéletrajzon bármi tisztességes játék. Különösen a programozási nyelvek, amelyeket a képességeidben felsorolsz. Tehát készülj fel beszélni az összes csínját-bínját.

Ha az igaz válasz az, hogy csak azért használta ezt a nyelvet, mert ezt használták a legutóbbi munkahelyén, az rendben van. Csak készüljön fel arra, hogy gépi tanulás szempontjából beszéljen a nyelv előnyeiről és hátrányairól.

4. Meséljen a használatával kapcsolatos tapasztalatairól ?

Ha ismeri a vállalat által használt keretrendszert, ennek könnyen kell lennie. Természetesen, ha felsorolta őket az önéletrajzában, akkor képesnek kell lennie arra, hogy mindent elmondjon róluk.

Ha még nem használta sokat az adott keretrendszert, az nem feltétlenül üzletkötő. Bármelyik sóját érő szoftvermérnöknek képesnek kell lennie arra, hogy hatalmas tanulási görbe nélkül alkalmazkodjon az új keretrendszerhez. A munkaköri leírás valószínűleg felsorol néhány fő platformot, amelyet a vállalat használ. Végezzen kutatásokat az interjú megkezdése előtt.

Néhány szempont, amelyre egy új keret kutatása során kell összpontosítani:

• Milyen feladatokat kezel a legjobban?
• Melyek az erősségek / gyengeségek?
• Mely nyelvek illeszkednek jól a keretrendszerhez?

Tudnia kell intelligensen beszélni erről a környezetről.

Ha a keretrendszer nyílt forráskódú, akkor próbálja ki személyi számítógépén. Van néhány megfizethető online osztály is, amelyen ideiglenes engedélyt kaphat.

Neurális hálózatok kiépítése

5. Mit tennél, ha az algoritmusod nem konvergál?

Ez egy nyitott kérdés, amelynek könnyûnek kell lennie a gépi tanulásban dolgozók számára.

A tanulási arány (alfa) csökkentése jó első lépés. Kérdezőként szeretném, ha a jelölt logikusabb megközelítést írna le az alfa megtalálásához. Próbálja ki az alfák stratégiai tartományát, és ábrázolja a költségfüggvényt az iterációk számára.

6. Mikor használja a gradiens süllyedést vs normál egyenletet?

Megkérdezheti az algoritmus optimalizálásának különböző módszereinek előnyeit és hátrányait.

Ne feledje, hogy a normál egyenlet nem használható osztályozással, ezért ez az összehasonlítás csak a regresszió szempontjából fontos. A normál egyenletet akkor választjuk meg, ha a funkciók száma nem túl nagy. A gradiens süllyedéssel szemben előnye, hogy nem kell választania a tanulási sebességet vagy az iterációt.

Ha sok jellemző van, akkor a normál egyenlet nagyon lassú, ezért a gradiens süllyedést választanám.

Számítson kérdésekre az ideghálózatok kiépítésével kapcsolatban egy gépi tanulás vagy mesterséges intelligencia helyzetének interjújában.

WikimediaCommons

A modellek értékelése (teljesítmény)

A gépi tanulási mérnök egyik elsődleges feladata az ideghálózat optimalizálása és annak megértése.

7. Miért rossz a túlszerelés és hogyan lehet ezt kijavítani?

A túlillesztés az, amikor egy algoritmus nagyon jól illeszkedik az edzésadatokhoz, de pontosan megjósolja az új helyzeteket. Nyilvánvaló, hogy ez rossz, mert nem hasznos a valós helyzetekben.

Írjon le néhány módot a túlillesztés javítására. Rendszeresítési kifejezés hozzáadásával és a lambda növelésével jó eredményeket lehet elérni. A funkciók számának csökkentése vagy a polinomok sorrendjének csökkentése lehetőség, de nem minden esetben megfelelő választás.

8. Honnan tudja, hogy jó-e a modellje?

Ez hasonló a fenti kérdéshez, ahol a vizsgázónak meg kell értenie a modellek értékelésének módját.

Elmagyarázhatja, hogy a rendelkezésre álló edzésadatok hogyan vannak felosztva az edzésadatokra, az érvényesítési adatokra és a tesztadatokra, és mire használhatók. Szeretnék hallani egy jelöltet a polinomiális fok és a lambda megváltoztatásáról, valamint az érvényesítési adatokban szereplő hibák összehasonlításáról.

Projektek

Készen áll az interjúra, hogy megvitassa a korábbi projekteket. Mint minden interjúnál, az önéletrajzban bármi tisztességes játék.

Készen áll a munkahelyi, iskolai vagy személyes használatra szánt projektek portfóliójára. Lehet, hogy korlátozzák, amit mondhat egy nem közzétételi megállapodásból vagy egy minősített műből, ezért tisztázza, mit beszélhet meg.

Íme néhány kérdés, amire számíthat:

9. Mi volt a kedvenc gépi tanulási projekted, amin dolgoztál?

Az interjú kedvéért a munkának leginkább releváns projektet választhatja kedvencének. Ez lehetőséget ad arra, hogy kiemelje releváns tapasztalatait.

Ha inkább arról beszélne, hogy melyik volt a tényleges kedvence, akkor ötletet adjon a felvételi menedzsernek, hogy tetszeni fog-e Önnek az új pozíció, ez is jó ötlet.

10. Mesélj egy kemény problémáról, amelyet megoldottál.

Válasszon egy könnyen leírható problémát. A kérdés megválaszolásának egy része azt mutatja, hogy leírhatja az összetett gépi tanulási problémákat egy nem technikai közönség számára.

Amikor leírja a megoldását, ne vegye fel a hitelt, hacsak nem csak ez volt minden erőfeszítése. A csapat hozzájárulásainak lejátszása megmutatja, hogy jó csapatjátékos vagy. Adott esetben mutassa meg az ügyfelet, az ütemtervet és a költségvetés hatásait. Mutassa meg, hogy hozzájárulásai hogyan adják hozzá az alsó sor értékét, és nem csak az azonnali problémát.

Viselkedési kérdések

Ne felejtsük el, hogy az interjú valószínűleg magatartási kérdéseket tartalmaz. És sok mérnök és adatkutató számára ez a legnehezebb! Annyi időt töltünk az elfelejtett technikai kérdések előkészítésével, amelyeket az is értékelni fog, hogy hogyan illeszkedünk a csapatba.

A fontosabb viselkedési kérdések az alábbiakban találhatók, így időben felkészülhet. Ha egy kérdésre egy adott időpont leírását kéri, használja a STAR modellt a válaszok felvázolásához. Olvas