Топ 50 питања за интервју за машинско учење & амп; Одговори

Преузмите ПДФ

1) Шта је машинско учење?

Машинско учење је грана рачунарске науке која се бави системским програмирањем како би се аутоматски учило и усавршавало искуством. На пример: Роботи су програмирани тако да могу извршити задатак на основу података које прикупе од сензора. Програм аутоматски учи из података.

2) Спомените разлику између рударења података и машинског учења?

Машинско учење повезано је са проучавањем, дизајнирањем и развојем алгоритама који рачунару дају могућност учења без изричитог програмирања. Док се истраживање података може дефинисати као процес у којем неструктурирани подаци покушавају да извуку знање или непознате занимљиве обрасце. Током ове процесне машине користе се алгоритми учења.

3) Шта је „прекомерно опремање“ у машинском учењу?

У машинском учењу, када статистички модел описује случајну грешку или шум уместо основне везе, јавља се „прекомерно прилагођавање“. Када је модел прекомерно сложен, обично се примећује прекомерно прилагођавање због превише параметара у односу на број типова података о обуци. Модел показује лоше перформансе које су претјеране.

4) Зашто се дешава прекомерно опремање?

Постоји могућност прекомерне опреме, јер критеријуми коришћени за обуку модела нису исти као критеријуми који се користе за процену ефикасности модела.

5) Како можете избећи прекомерно опремање?

Коришћењем великог броја података може се избећи прекомерно прилагођавање, прекомерно прилагођавање се дешава релативно јер имате мали скуп података и покушавате да из њега научите. Али ако имате малу базу података и приморани сте да добијете модел заснован на томе. У таквој ситуацији можете користити технику познату као унакрсна валидација . Овом методом скуп података се дели на два одељка, скупове података за тестирање и обуку, скуп података за тестирање ће само тестирати модел, док ће у скупу података за обуку тачке података израдити модел.

У овој техници, моделу се обично даје скуп познатих података на којем се изводи обука (скуп података о тренингу) и скуп непознатих података на основу којих се модел тестира. Идеја унакрсне валидације је дефинисање скупа података за „тестирање“ модела у фази обуке.

6) Шта је индуктивно машинско учење?

Индуктивно машинско учење укључује процес учења на примерима, где систем из скупа посматраних случајева покушава да наведе опште правило.

7) Који су пет популарних алгоритама машинског учења?

Стабла одлучивања
Неуронске мреже (повратно ширење)
Пробабилистичке мреже
Најближи сусед
Подржавају векторске машине

8) Које су различите технике алгоритма у машинском учењу?

Различите врсте техника у машинском учењу су

Надгледано учење
Учење без надзора
Учење под надзором
Учење ојачања
Трансдукција
Научити како се учи

9) Које су три фазе за изградњу хипотеза или модела у машинском учењу?

Грађење модела
Испитивање модела
Примена модела

10) Који је стандардни приступ учењу под надзором?

Стандардни приступ учењу под надзором је подела примера на сет обуке и тест.

11) Шта су „сет за обуку“ и „тест сет“?

У разним областима информационих наука, попут машинског учења, скуп података користи се за откривање потенцијално предвиђања односа познатог као „сет за обуку“. Сет за обуку су примери који се дају ученику, док се тест сет користи за тестирање тачности хипотеза које је генерисао ученик, и то је скуп примера који се задржава од ученика. Сет за тренинг се разликује од скупа за тестирање.

12) Наведи разне приступе машинском учењу?

Различити приступи у машинском учењу су

Концепт Вс Класификација Учење
Симболично вс статистичко учење
Индуктивно вс аналитичко учење

13) Шта није машинско учење?

Вештачка интелигенција
Закључивање засновано на правилу

14) Објасните која је функција „учења без надзора“?

Пронађите кластере података
Пронађите ниско-димензионалне приказе података
Пронађите занимљива упутства у подацима
Занимљиве координате и корелације
Пронађите нова запажања / чишћење базе података

15) Објасните која је функција „учења под надзором“?

Класификације
Препознавање говора
Регресија
Предвидите временске серије
Означи низове

16) Шта је машинско учење независно од алгоритма?

Машинско учење тамо где су математичке основе независне од било ког одређеног класификатора или алгоритам учења назива се алгоритам неовисно машинско учење?

17) Која је разлика између вештачког учења и машинског учења?

Дизајнирање и развој алгоритама у складу са понашањем на основу емпиријских података познати су под називом „машинско учење“. Иако вештачка интелигенција поред машинског учења, она покрива и друге аспекте као што су представљање знања, обрада природног језика, планирање, роботика итд.

18) Шта је класификатор у машинском учењу?

Класификатор у машинском учењу је систем који уноси вектор дискретних или континуираних вредности карактеристика и даје једну дискретну вредност, класу.

19) Које су предности Наив Баиес-а?

У Наивном Баиесовом класификатору конвергират ће се брже од дискриминативних модела попут логистичке регресије, тако да вам треба мање података о обуци. Главна предност је што не може да научи интеракције између карактеристика.

20) У којим областима се користи препознавање узорка?

Препознавање обрасца се може користити у

Цомпутер Висион
Препознавање говора
Претрага података
Статистика
Неформално проналажење
Био-информатика

21) Шта је генетско програмирање?

Генетско програмирање је једна од две технике које се користе у машинском учењу. Модел се заснива на тестирању и одабиру најбољег избора између низа резултата.

22) Шта је индуктивно логичко програмирање у машинском учењу?

Индуктивно логичко програмирање (ИЛП) је потпоље машинског учења које користи логичко програмирање које представља основно знање и примере.

23) Шта је избор модела у машинском учењу?

Процес одабира модела међу различитим математичким моделима, који се користе за описивање истог скупа података, познат је под називом Избор модела. Избор модела примењује се на поља статистике, машинског учења и рударства података.

24) Које су две методе коришћене за калибрацију у надгледаном учењу?

Две методе које се користе за предвиђање добрих вероватноћа у надгледаном учењу су

Платт Цалибратион
Изотонична регресија

Ове методе су дизајниране за бинарну класификацију и нису тривијалне.

25) Који се метод често користи за спречавање прекомерне опреме?

Када постоји довољно података, „изотонична регресија“ се користи да би се спречио проблем прекомерне опреме.

26) Која је разлика између хеуристике за учење правила и хеуристике за стабла одлучивања?

Разлика је у томе што хеуристика за стабла одлучивања процењује просечни квалитет одређеног броја неповезаних скупова, док ученици који уче правило процењују само квалитет скупа случајева који су покривени правилом кандидата.

27) Шта је перцептрон у машинском учењу?

У машинском учењу, Перцептрон је алгоритам за надгледану класификацију улаза у један од неколико могућих небинарних излаза.

28) Објасните две компоненте Баиесова логичког програма?

Баиесов логички програм састоји се од две компоненте. Прва компонента је логична; састоји се од скупа Баиесових клаузула, који обухвата квалитативну структуру домена. Друга компонента је квантитативна, она кодира квантитативне информације о домену.

29) Шта су Баиесиан Нетворкс (БН)?

Баиесова мрежа се користи за представљање графичког модела односа вероватноће између скупа променљивих.

30) Зашто се алгоритам учења заснован на инстанцама понекад назива и алгоритам лењег учења?

Инсталацијски алгоритам учења назива се и лењи алгоритам учења јер они одлажу процес индукције или генерализације док се не изврши класификација.

31) Које су две методе класификације које СВМ (Суппорт Вецтор Мацхине) може да поднесе?

Комбиновање бинарних класификатора
Модификовање бинарног система тако да укључује учење више класа

32) Шта је учење у ансамблу?

Да би се решио одређени рачунски програм, стратешки се генеришу и комбинују вишеструки модели попут класификатора или стручњака. Овај процес је познат као учење у ансамблу.

33) Зашто се користи учење у ансамблу?

Учење у ансамблу користи се за побољшање класификације, предвиђања, приближавања функција итд. Модела.

34) Када користити учење у ансамблу?

Учење у ансамблу се користи када правите класификаторе компонената који су тачнији и независнији једни од других.

35) Које су две парадигме ансамбл метода?

Две парадигме ансамбл метода су

Методе секвенцијалног ансамбла
Методе паралелних ансамбала

36) Који је општи принцип ансамбл методе и шта је врећање и појачавање у методи ансамбла?

Општи принцип ансамбл методе је комбиновање предвиђања неколико модела изграђених са датим алгоритмом учења како би се побољшала робусност у односу на један модел. Врећање је метода у ансамблу за побољшање нестабилних шема процене или класификације. Док се методе појачавања користе узастопно како би се смањило пристрасност комбинованог модела. Повећавање и додавање вреће могу смањити грешке смањењем члана варијансе.

37) Шта је декомпозиција варијансе варијансе класификационе грешке у ансамбл методи?

Очекивана грешка алгоритма учења може се разложити на пристрасност и варијансу. Појам пристрасности мери колико се просечан класификатор који израђује алгоритам учења подудара са циљном функцијом. Термин варијанце мери колико флуктуација предвиђања алгоритма учења варира за различите скупове тренинга.

38) Шта је алгоритам инкременталног учења у ансамблу?

Инкрементални метод учења је способност алгоритма да учи из нових података који могу бити доступни након што је класификатор већ генерисан из већ доступног скупа података.

39) За шта се користе ПЦА, КПЦА и ИЦА?

ПЦА (Анализа главних компонената), КПЦА (Анализа главних компоненти заснована на језгри) и ИЦА (Независна анализа компонената) су важне технике екстракције карактеристика које се користе за смањење димензионалности.

40) Шта је смањење димензија у машинском учењу?

У машинском учењу и статистици, смањење димензија је процес смањења броја случајних променљивих који се разматрају и може се поделити на избор обележја и издвајање обележја.

41) Шта су машине са векторима подршке?

Машине векторских носача су надгледани алгоритми учења који се користе за класификацију и регресиону анализу.

42) Које су компоненте техника релационе евалуације?

Важне компоненте техника релационе евалуације су

Прикупљање података
Стицање земаљске истине
Техника унакрсне валидације
Тип упита
Бодовање метрика
Тест значајности

43) Које су различите методе за секвенцијално надгледано учење?

Различите су методе за решавање проблема секвенцијалног надзора под надзором

Методе клизних прозора
Понављајући клизни прозори
Скривени модели Маркова
Максимални ентропијски модели Маркова
Условна случајна поља
Графичке трансформаторске мреже

44) Која су подручја роботике и обраде информација у којима се јавља проблем секвенцијалног предвиђања?

Области у роботици и обради информација у којима се јавља проблем секвенцијалног предвиђања су

Учење имитације
Структурно предвиђање
Учење ојачања засновано на моделу

45) Шта је групно статистичко учење?

Статистичке технике учења омогућавају учење функције или предиктора из скупа посматраних података који могу да предвиђају невиђене или будуће податке. Ове технике пружају гаранције о учинку наученог предиктора на будућим невиђеним подацима на основу статистичке претпоставке о процесу генерисања података.

46) Шта је ПАЦ учење?

ПАЦ (вероватно приближно тачно) учење је оквир учења који је уведен за анализу алгоритама учења и њихове статистичке ефикасности.

47) Које су различите категорије које можете категорисати у процесу учења у низу?