Întrebări la interviu de învățare profundă și răspuns
Astăzi, Deep Learning a fost văzută ca una dintre tehnologiile cu cea mai rapidă creștere, cu o capacitate imensă de a dezvolta o aplicație care a fost văzută ca fiind grea de ceva timp. Recunoașterea vorbirii, recunoașterea imaginii, găsirea tiparelor într-un set de date, clasificarea obiectelor în fotografii, generarea textului personajelor, mașinile care se auto-conduc și multe altele sunt doar câteva exemple în care Deep Learning și-a arătat importanța.
Așadar, în sfârșit, ți-ai găsit slujba de vis în învățare profundă, dar te întrebi cum să spargi interviul de învățare profundă și care ar putea fi întrebările posibile pentru interviu de învățare profundă. Fiecare interviu este diferit și sfera unui loc de muncă este diferită. Reținând acest lucru, am conceput cele mai comune întrebări și răspunsuri la interviu de învățare profundă pentru a vă ajuta să obțineți succes în interviu.
Mai jos sunt câteva întrebări la interviu de învățare profundă, care sunt frecvent adresate în interviu și ar ajuta, de asemenea, să vă testați nivelurile:
Partea 1 - Întrebați interviul pentru învățare în profunzime (de bază)
Această primă parte acoperă întrebările de bază și răspunsurile la interviu de învățare profundă
1. Ce este învățarea profundă?
Răspuns:
Zona de învățare a mașinilor, care se concentrează pe rețele neuronale artificiale profunde, care sunt inspirați ușor de creier. Alexey Grigorevich Ivakhnenko a publicat primul general despre rețeaua de învățare profundă. Astăzi are aplicația sa în diverse domenii precum viziunea computerului, recunoașterea vorbirii, procesarea limbajului natural.
2. De ce sunt rețelele profunde mai bune decât cele superficiale?
Răspuns:
Există studii care spun că atât rețelele profunde cât și cele adânci se pot încadra în orice funcție, dar întrucât rețelele profunde au mai multe straturi ascunse de multe ori de diferite tipuri, astfel încât acestea sunt capabile să construiască sau să extragă funcții mai bune decât modelele superficiale cu parametri mai puțini.
3. Care este funcția de cost?
Răspuns:
O funcție de cost este o măsură a preciziei rețelei neuronale în raport cu eșantionul de antrenament dat și cu producția preconizată. Este o valoare unică, nonvector, deoarece oferă performanța rețelei neuronale în ansamblu. Poate fi calculată ca mai jos funcția Eroare medie pătrată: -
MSE = 1nΣi = 0n (Y i-Yi) 2
Unde Y și valoarea dorită Y este ceea ce vrem să minimizăm.
Haideți să trecem la următoarele întrebări de interviu pentru învățare profundă.
4. Ce este descendența în gradient?
Răspuns:
Descendența de gradient este practic un algoritm de optimizare, care este utilizat pentru a învăța valoarea parametrilor care minimizează funcția de cost. Este un algoritm iterativ care se deplasează în direcția coborârii mai abrupte, așa cum este definit de negativul gradientului. Calculăm coborârea gradientă a funcției cost pentru un parametru dat și actualizăm parametrul după formula de mai jos: -
Θ: = Θ-αd∂ΘJ (Θ)
Unde Θ - este parametrul vector, α - rata de învățare, J (Θ) - este o funcție de cost.
5. Ce este backpropagarea?
Răspuns:
Backpropagation este un algoritm de instruire utilizat pentru o rețea neuronală multistrat. În această metodă, mutăm eroarea de la un capăt al rețelei la toate greutățile din interiorul rețelei și permițând astfel un calcul eficient al gradientului. Poate fi împărțit în mai multe etape după cum urmează: -
propagarea ulterioară a datelor de instruire pentru a genera rezultate.
Atunci se folosește valoarea de țintă și derivatul de eroare al valorii de ieșire poate fi calculat cu privire la activarea ieșirii.
Apoi, nepropagăm pentru calcularea derivatului erorii cu privire la activarea ieșirii pe precedent și continuăm acest lucru pentru toate straturile ascunse.
Utilizând derivate calculate anterior pentru ieșire și toate straturile ascunse calculăm derivate de eroare în raport cu greutățile.
Și apoi actualizăm greutățile.
6. Explicați următoarele trei variante de coborâre a gradientului: lot, stocastic și mini-lot?
Răspuns:
Descendență de gradient Stochastic : Aici folosim un singur exemplu de instruire pentru calcularea gradientului și a parametrilor de actualizare.
Coborârea gradientului de lot : Aici calculăm gradientul pentru întregul set de date și efectuăm actualizarea la fiecare iterație.
Descărcare Gradient Mini-lot : Este unul dintre cei mai populari algoritmi de optimizare. Este o variantă a Stochastic Gradient Descent și aici, în loc de un singur exemplu de antrenament, se utilizează mini-lot de probe.
Partea 2 - Întrebări aprofundate pentru interviu (avansat)
Haideți să aruncăm o privire asupra întrebărilor avansate de interviu aprofundate.
7. Care sunt avantajele descendenței în gradient mini-lot?
Răspuns:
Mai jos sunt avantajele descendenței în gradient mini-lot
• Acest lucru este mai eficient în comparație cu descendența gradientului stocastic.
• Generalizarea prin găsirea minimelor plate.
• Mini-loturile permit ajustarea aproximării gradientului întregului set de antrenament, ceea ce ne ajută să evităm minimele locale.
8. Care este normalizarea datelor și de ce avem nevoie?
Răspuns:
Normalizarea datelor se folosește în timpul proppropoziției. Motivul principal din spatele normalizării datelor este reducerea sau eliminarea redundanței datelor. Aici redimensionăm valorile pentru a se încadra într-un interval specific pentru a obține o convergență mai bună.
Haideți să trecem la următoarele întrebări de interviu pentru învățare profundă.
9. Care este inițializarea greutății în rețelele neuronale?
Răspuns:
Initializarea greutatii este unul dintre pasii foarte importanti. O inițializare a greutății proaste poate împiedica o rețea să învețe, dar inițializarea bună a greutății ajută la conferirea unei convergențe mai rapide și a unei erori generale mai bune. Biasurile pot fi inițializate în general la zero. Regula pentru stabilirea greutăților este să fie aproape de zero, fără a fi prea mici.
10. Ce este un codificator automat?
Răspuns:
Un codificator auto este un algoritm autonom de învățare automată care folosește principiul backpropagation, unde valorile țintă sunt setate ca fiind egale cu intrările furnizate. Intern, are un strat ascuns care descrie un cod folosit pentru a reprezenta intrarea.
Câteva date cheie despre autoencoder sunt următoarele: -
• Este un algoritm ML nesupravegheat similar cu Analiza componentelor principale
• Minimizează aceeași funcție obiectivă ca și analiza componentelor principale
• Este o rețea neuronală
• Ieșirea țintei rețelei neuronale este intrarea sa
11. Este OK să vă conectați din nou la o ieșire Layer 4 la o intrare Layer 2?
Răspuns:
Da, acest lucru se poate face având în vedere că ieșirea stratului 4 este din etapa anterioară ca în RNN. De asemenea, trebuie să presupunem că lotul de intrare anterior este uneori corelat cu lotul curent.
Haideți să trecem la următoarele întrebări de interviu pentru învățare profundă.
12. Ce este mașina Boltzmann?
Răspuns:
Mașina Boltzmann este utilizată pentru a optimiza soluția unei probleme. Lucrările mașinii Boltzmann sunt în principiu de a optimiza greutățile și cantitatea pentru problema dată.
Câteva puncte importante despre Mașina Boltzmann -
• Utilizează o structură recurentă.
• Este format din neuroni stocastici, care constau dintr-una din cele două stări posibile, fie 1, fie 0.
• Neuronii din aceasta sunt fie în stare adaptativă (liberă), fie prinse (în stare înghețată).
• Dacă aplicăm o recoacere simulată pe o rețea discretă Hopfield, aceasta ar deveni Mașina Boltzmann.
13. Care este rolul funcției de activare?
Răspuns:
Funcția de activare este utilizată pentru a introduce neliniaritatea în rețeaua neuronală ajutându-l să învețe funcții mai complexe. Fără de care rețeaua neuronală nu ar putea învăța doar funcția liniară, care este o combinație liniară a datelor sale de intrare.
Articole recomandate
Acesta a fost un ghid la Lista întrebărilor și răspunsurilor la interviu de învățare profundă, astfel încât candidatul să poată împărți cu ușurință aceste întrebări de interviu de învățare profundă. De asemenea, puteți consulta următoarele articole pentru a afla mai multe
- Aflați Top 10 Cele mai utile întrebări pentru interviu HBase
- Întrebări utile cu răspuns la învățarea mașinii
- Top 5 Cele mai valoroase întrebări la interviu pentru știința datelor
- Întrebări importante cu interviu Ruby și răspuns