بهترین سوال های مصاحبه یادگیری ماشین

بهترین سوال های مصاحبه یادگیری ماشین

شنیدن درمورد مصاحبه همیشه باعث می شود احساس نگرانی کنیم. اما همه ما به خوبی می دانیم که کل روند ارزش تلاش برای آن را دارد ، زیرا ممکن است در پایان شغل رویایی خود را به دست آورید. یک مصاحبه یادگیری ماشین نیز از این قاعده مستثنی نیست و به آمادگی و پشتکار کامل نیاز دارد.
اگر بخواهید خود را برای هرچیزی آماده کنید ممکن است دچار سارگردانی شوید. آنچه شما باید انجام دهید این است که روی موضوعات اصلی تمرکز کنید که تمام مفاهیم اصلی را برای شما روشن می کند.
مباحث مهم برای مصاحبه یادگیری ماشین
چه متقاضی دریافت نقش تحقیقی و چه نقش مهندسی باشید ، انتظار می رود مباحث زیر را با جزئیات کامل بدانید.
ساختارهای داده
این موضوع خاص در بیش از یک دور از مصاحبه از شما پرسیده خواهد شد بنابراین باید آشنایی کامل با لیست های پیوندی ، آرایه ها ، رشته ها ، پشته ها ، صف ها و غیره داشته باشید.
زبان برنامه نویسی (مانند پایتون ، R و غیره)
بدانید پایتون چیست ، چگونه کار می کند ، مفاهیم برنامه نویسی شی گرا، تفاوت “is” با "==" و غیره را بدانید.
ظرفیت حل مسئله
به طور کلی ، این بخش در طول مصاحبه مطرح نمی شود. با این حال ، شما نباید از این شانس استفاده کنید زیرا شرکت ها تمایل دارند استراتژی های مختلفی برای استخدام داشته باشند. سؤالاتی که از این بخش به وجود می آیند شامل مواردی همچون "چگونه می توانید سیستمی را مدل کنید که می خواهید در آن فوراً کلاهبرداری از کارت های اعتباری را پیدا کنید ؟"
نقش مهندسی
این نقش شما را ملزم می داند که در مورد نحوه ارائه مدل ها در تولید و همچنین عمده ترین مشکلات پشت آن بدانید. علاوه بر این ، اگر شما در مورد نحوه مقیاس بندی مدل های مربوطه و همچنین پایپ لاین big data بدانید ، ممکن است به عنوان یک مزیت برای شما باشد.
نقشهای تحقیق
شما باید کاملاً از ریاضیات و سایر مفاهیم اصلی و همچنین جزئی مربوط به یادگیری ماشین آگاه باشید. همچنین باید بتوانید مفاهیم پشت پروژه هایی که انجام داده اید را نمایان کنید.
مبانی یادگیری ماشین
برای این کار ، شما باید با موضوعات زیر آشنا باشید:
واریانس
مفاهیم Recall
مرتب سازی
کاهش گرادیان
همچنین با طبقه بندی ، خوشه بندی و کاهش ابعاد کاملاً آشنا باشید (درباره الگوریتم های مختلفی که برای هر موضوعی که در بالا ذکر شد آشنا باشید).
سوالات مصاحبه یادگیری ماشین
در اینجا لیستی از برخی سؤالات مرتبط وجود دارد که به شما کمک می کند تا برای مصاحبه آماده شوید.
سوال: در صورت خراب شدن برخی داده ها یا از بین رفتن در یک مجموعه داده ، چگونه می توانید آن را کنترل کنید؟
پاسخ: به راحتی می توانید داده های گمشده یا خراب شده را در یک مجموعه داده پیدا کنید و بستگی به این دارد که آیا کسی می خواهد ردیف ها یا ستون های مربوطه را رها کند یا یک مقدار را به عنوان جایگزینی در آنها قرار دهد. isnull () و dropana () دو روش بسیار مهم و مفید در Pandas هستند. هر دوی اینها به شما در پیدا کردن ستون های داده گمشده کمک می کنند.
همچنین اگر می خواهید یک مقدار نامعتبر را با مقدار پیش فرض جایگزین کنید ، می توانید از روش fillna () استفاده کنید.
سؤال: تفاوت بین یادگیری ماشین تحت نظارت و بدون نظارت چیست؟
پاسخ: یادگیری نظارت شده به داده های آموزش دارای برچسب نیاز دارد. باید بدانید که کدام نقطه داده به کدام کلاس تعلق دارد یا دارای چه برچسبی است. از طرف دیگر یادگیری بدون نظارت نیازی به برچسب زدن داده ها ندارد.
سؤال: تفاوت بین مرتب سازی L1 و L2 در چیست؟
پاسخ: مرتب سازی L1 باینری است - بسیاری از متغیرها وزن 1 یا 0 را به خود اختصاص می دهند. از طرف دیگر ، تنظیم L2 تمایل دارد خطایی را در بین همه شرایط پخش کند.
سوال: تبدیل فوریه چیست؟
پاسخ: تبدیل فوریه روشی برای تجزیه توابع عمومی در برهم نهی توابع متقارن است و شبیه به این است که یک ساز موسیقی می‌تواند از نظر حجم و فرکانس می تواند به نت های سازنده ی آن تقسیم شود .
سوال: کاهش خطای هرس را در یک درخت تصمیم گیری توضیح دهید
پاسخ: در هرس ، آن شاخه های درختان تصمیم گیری که قدرت پیش بینی ضعیفی دارند برداشته می شوند تا دقت پیش بینی و افزایش پیچیدگی مدل کاهش یابد.
در Reduction Error Pruning ، از برگ شروع می کنیم و هر گره با محبوب ترین کلاس خود جایگزین می شود. اگر بر دقت پیش بینی کننده تأثیر نگذارد ، این تغییر حفظ می شود. این روش هرس کاملاً ساده است و از مزیت سرعت و سادگی برخوردار است.
سوال: نمره F1 چیست؟ چگونه می توانید از آن استفاده کنید؟
پاسخ: نمره F1 معیار عملکرد مدل است. در اصل یک میانگین وزنی recall و precision است. نمره F1 خوب بدین معنی است که مثبت ها و منفی های اشتباه کم است. نمره F1 عالی 1 است و نمره F1 یک مدل کاملاً شکست خورده 0 است.
نمره  F1= 2* ((recall * precision) / (precision + recall))
سوال: چه چیزی باعث می شود انتقال های CNN هیچگاه تغییر نکند؟
پاسخ: هسته کانولوشن قابلیت عمل به عنوان آشکارساز ویژگی خاص خود را دارد. بگذارید مثالی بزنیم. فرض کنید کسی در حال انجام تشخیص شیء است. در این حالت ، به خصوص مهم نیست که جسم در کجای تصویر واقع شده است. این به این دلیل است که در اینجا به طور خاص می‌توان کانولوشن را در کل محدوده تصویر مورد نظر اعمال کرد.
سوال: اهمیت مشخص شبکه های Residual چیست؟
پاسخ: اهمیت اصلی شبکه های Residual به طور کلی این بود که امکان دسترسی مستقیم ویژگی ها از لایه های قبلی را فراهم می آورد و به طور مستقیم به گردش و انتشار اطلاعات سریع از طریق کل شبکه کمک می کند. 
سوال: چه چیزی باعث می شود CNN های تقسیم بندی ساختار رمزگذار-رمزگشایی را داشته باشند؟
پاسخ: رمزگذار CNN را می توان به عنوان یک شبکه استخراج ویژگی تصور کرد. از طرف دیگر ، رمز گشاینده CNN را می توان به عنوان چیزی که از آن اطلاعات خاص استفاده می کند برای ساخت سگمنت های تصویر با سریع رمزگشایی ویژگی های اساسی و ارائه آن ها تصور کرد.
سوال: چرا طبقه بندی CNN ها از حداکثر تجمع (Max-pooling )تشکیل شده اند؟
پاسخ: این چیزی است که نقش مهمی در بینایی رایانه‌ای دارد . حداکثر تجمع توانایی کاهش محاسبات را دارد به دلیل این واقعیت که بعد از تجمع ، نقشه‌های ویژگی کوچک‌تر می‌شوند . 
سؤال: افزایش درجه حرارت کره زمین منجر به کاهش تعداد دزدان دریایی شده است. آیا این بدان معناست که کاهش تعداد دزدان دریایی باعث تغییر اوضاع شده است؟
پاسخ: نگاه خوب به این سؤال باعث می شود كه شما علت علی و همبستگی را به خاطر بسپارید. نه ، ما قطعاً نمی توانیم تصور كنیم كه كاهش تعداد دزدان دریایی منجر به تغییر گسترده دمای جهانی شده است. ممکن است چندین عامل دیگر نیز مؤثر بر این نتیجه یا پدیده خاص باشند.
همبستگی بین تعداد کل دزدان دریایی و دمای متوسط جهانی وجود دارد اما نمی توان نتیجه گرفت که دزدان دریایی به دلیل افزایش دمای جهانی کاملاً مردند.

سؤال: تحقیقات فعلی خود را که انجام داده اید بگویید. در واقع چه کار هایی کرده اید و چه کار هایی نکرده اید؟ آیا می توانید در مورد آینده تحقیقات خود بگویید؟
پاسخ: برای این سوال ، می توانید بطور مسلط در مورد تحقیقات خود که با هدف شرکت آن ها مرتبط است آنها صحبت کنید. شما می توانید به سرعت مهارت هایی را که یاد گرفته اید و یا هر چیز مفیدی را که می تواند تأثیرگذاری زیادی در شرکت آنها بگذارد ، را بگویید. به یاد داشته باشید که تحقیقات شما ممکن است 100٪ با الگوی تجاری آنها مرتبط نباشد ، اما باید به نوعی بر نقش شما تأثیر بگذارد و به شرکت و خود شما ارزش افزوده دهد.
علاوه بر این ، می توانید در مورد فراز و نشیب هایی که در طول تحقیق خود با آن روبرو هستید و اینکه چگونه این امر به روشی مثبت در جهت گیری شما تأثیر گذاشته است ، توضیح دهید.
سوال: آیا اخیراً پروژه های خاصی را انجام داده اید که برای شرکت ما اهمیت داشته باشد؟
پاسخ: به این سؤال می توانید درست مانند سؤال قبلی پاسخ دهید. می توانید در مورد پروژه های اخیر خود صحبت کنید یا از پروژه هایی که قصد دارند تأثیر کاملی بر روی ذهنیت مصاحبه کننده بگذارند، بگویید.
نکاتی مهم که ممکن است به شما در انجام بهتر کمک کند
از آنجا که بیشتر مصاحبه های یادگیری ماشین به صورت آنلاین انجام می شود ، باید از داشتن اینترنت مناسب و یک میکروفون مناسب استفاده کنید. ایجاد مزاحمت غیر ضروری بین جریان ، نباید جریان مصاحبه شما را خراب کند ، زیرا این مسئله ممکن است باعث تحریک مصاحبه کننده شود.
مکالمه را عادی نگه دارید زیرا این ممکن است به صادقانه به نظر رسیدن شما کمک کند.
همچنین ممکن است به شما زمانی دهند که سوال بپرسید. برای چنین شرایطی ، باید سوالات خوبی را از قبل تهیه کنید. برخی از سوالات مرتبط ممکن است چیزی شبیه به این باشد: 
کدام سخت افزار به طور کلی توسط شما استفاده می شود؟
آیا شما نیز به برچسب زدن داده ها اجازه می دهید؟
تیم متشکل از چند عضو است؟
نتیجه
ما امیدواریم که تاکنون در مورد سؤالاتی که ممکن است هنگام شرکت در مصاحبه یادگیری ماشین با آنها روبرو شوید ، تصور صحیح داشته باشید. سؤالات فوق به اندازه کافی برای آماده سازی کامل آنچه در واقع از شما انتظار می رود ، کافی است.

نظر شما