Bersedia untuk 13 soalan temu ramah ini mengenai pembelajaran mesin

Soalan Temu ramah Pembelajaran Mesin

Wawancara untuk jurutera pembelajaran mesin akan sangat teknikal, tetapi ini adalah peluang anda untuk menunjukkan apa yang menjadikan anda calon terbaik.

Bersiaplah dengan soalan wawancara kecerdasan buatan dan pembelajaran mesin ini dan bagaimana menjawabnya.

Penemu ramah juga boleh menggunakan senarai ini untuk membina temu bual yang mendedahkan kemampuan calon mesin pembelajaran. Anda akan mempelajari kemahiran teknikal dan kemampuan mereka untuk berfikir secara kritis.

Soalan yang diharapkan dalam temu ramah pembelajaran mesin.

Flickr

Algoritma

Bersedia untuk menunjukkan pengetahuan anda mengenai algoritma pembelajaran cetek. Kecuali anda melamar jawatan Saintis Data yang ketat, pewawancara tidak akan terlalu sibuk dengan soalan algoritma. Tetapi anda harus dapat membincangkan input dan algoritma apa yang paling sesuai digunakan untuk aplikasi apa.

1. Bilakah anda akan menggunakan KNN (k jiran terdekat)?

KNN biasanya digunakan untuk klasifikasi. Ini adalah salah satu algoritma paling mudah dan paling banyak digunakan dalam pembelajaran mesin.

Jawapan anda mungkin berbeza berdasarkan pengalaman anda tetapi saya akan mempertimbangkan KNN dalam kebanyakan kes apabila kelas dan ciri dilabelkan

2. Terangkan bagaimana SVM (Support Vector Machine) berfungsi. Bagaimana anda boleh menggunakan SVM dengan data tidak linear?

SVM membuat hyperplane atau batas keputusan untuk mengklasifikasikan data input berdasarkan sisi batas mana data baru terletak. Mereka dioptimumkan dengan meningkatkan margin antara titik dan titik data sebanyak mungkin.

Ingat bahawa kernel sering disusun dengan SVM. Kernel mengubah data bukan linear menjadi data linear supaya SVM dapat dioptimumkan.

Rangka Kerja dan Bahasa

Pewawancara ingin mengetahui bahasa dan kerangka apa yang telah anda gunakan. Mereka juga akan menggunakan soalan-soalan ini untuk mendapatkan idea tentang seberapa cepat anda mengambil kerangka baru dan bagaimana selaras dengan kerangka kerja apa yang tersedia untuk kecerdasan buatan.

3. Mengapa anda suka menggunakan ?

Apa-apa sahaja dalam resume anda adalah permainan yang adil. Terutama bahasa pengaturcaraan yang anda senaraikan dalam kemahiran anda. Oleh itu, bersiaplah untuk membincangkan semua selok-beloknya.

Sekiranya jawapan yang benar adalah bahawa anda hanya menggunakan bahasa itu kerana itulah yang mereka gunakan pada pekerjaan terakhir anda, tidak mengapa Bersedialah untuk membincangkan kelebihan dan kekurangan bahasa dari perspektif pembelajaran mesin.

4. Ceritakan pengalaman anda menggunakan ?

Sekiranya anda biasa dengan kerangka kerja yang digunakan syarikat, ini semestinya mudah bagi anda. Sudah tentu, jika anda menyenaraikannya di resume anda, anda seharusnya dapat membincangkannya.

Sekiranya anda belum menggunakan kerangka khusus itu, tidak semestinya pemecah perjanjian. Mana-mana jurutera perisian yang bernilai garamnya harus dapat menyesuaikan diri dengan kerangka baru tanpa keluk pembelajaran yang besar. Huraian pekerjaan kemungkinan akan menyenaraikan beberapa platform utama yang digunakan syarikat. Lakukan kajian anda sebelum temu ramah bermula.

Beberapa aspek yang harus ditumpukan ketika meneliti kerangka kerja baru:

• Tugas apa yang paling baik ditangani?
• Apa kelebihan / kekurangannya?
• Bahasa manakah yang bersesuaian dengan kerangka kerja?

Anda perlu dapat bercakap dengan bijak mengenai persekitaran itu.

Sekiranya kerangka itu adalah sumber terbuka, maka cubalah pada komputer peribadi anda. Terdapat juga beberapa kelas dalam talian yang berpatutan yang boleh anda ambil yang akan memberi anda lesen sementara.

Membangun Rangkaian Neural

5. Apa yang akan anda lakukan sekiranya algoritma anda tidak menyatu?

Ini adalah soalan terbuka yang semestinya mudah bagi sesiapa sahaja yang bekerja dalam pembelajaran mesin.

Penurunan kadar pembelajaran (alpha) adalah langkah pertama yang baik. Sebagai penemuduga, saya ingin melihat calon menerangkan pendekatan yang lebih logik untuk mencari alpha. Cuba pelbagai alfa yang strategik dan rancang fungsi kos daripada sebilangan lelaran.

6. Bilakah anda akan menggunakan Gradient Descent vs Normal Equation?

Anda mungkin bertanya mengenai kebaikan dan keburukan kaedah berbeza untuk mengoptimumkan algoritma.

Ingat bahawa persamaan normal tidak dapat digunakan dengan klasifikasi, jadi perbandingan ini hanya penting untuk regresi. Persamaan normal dipilih apabila bilangan ciri tidak terlalu besar. Ini mempunyai kelebihan daripada penurunan gradien kerana anda tidak perlu memilih kadar pembelajaran atau berulang.

Sekiranya terdapat banyak ciri maka persamaan normalnya sangat perlahan jadi saya akan memilih kecerunan.

Jangkakan soalan untuk membina rangkaian saraf dalam wawancara untuk pembelajaran mesin atau kedudukan kecerdasan buatan.

WikimediaCommons

Menilai Model (Prestasi)

Salah satu tugas utama jurutera pembelajaran mesin adalah mengoptimumkan rangkaian saraf dan memahami prestasi kerjanya.

7. Mengapa overfitting buruk dan bagaimana anda boleh memperbaikinya?

Overfitting adalah apabila algoritma sesuai dengan data latihan tetapi dapat meramalkan situasi baru dengan tepat. Jelas ini tidak baik kerana tidak berguna untuk situasi dunia nyata.

Huraikan beberapa cara agar overfitting dapat diperbaiki. Menambah istilah regularisasi dan meningkatkan lambda dapat memberikan hasil yang baik. Mengurangkan bilangan ciri atau mengurangkan urutan polinomial adalah pilihan tetapi bukan pilihan yang tepat dalam setiap keadaan.

8. Bagaimana anda tahu jika model anda bagus?

Ini serupa dengan soalan di atas di mana calon perlu memahami bagaimana menilai model.

Anda boleh menerangkan bagaimana data latihan yang tersedia dibahagikan kepada Data Latihan, Data Pengesahan dan Data Ujian dan apa yang digunakan. Saya ingin mendengar calon bercakap mengenai perbezaan tahap polinomial dan lambda dan membandingkan ralat dalam data pengesahan.

Projek

Datang ke temu ramah yang siap membincangkan projek sebelumnya. Seperti wawancara apa pun, apa sahaja yang terdapat dalam resume anda adalah permainan yang adil.

Mempunyai portfolio projek dari tempat kerja, sekolah atau penggunaan peribadi anda. Anda mungkin dihalang dalam apa yang dapat anda katakan dari Perjanjian Bukan Pendedahan atau karya terperingkat sehingga jelas mengenai apa yang dapat anda bincangkan.

Berikut adalah beberapa soalan yang boleh anda jangkakan:

9. Apakah projek pembelajaran mesin kegemaran anda yang anda jalankan?

Demi temu ramah ini, anda mungkin memilih projek yang paling sesuai dengan pekerjaan sebagai kegemaran anda. Ini akan memberi anda peluang untuk mengetengahkan pengalaman anda yang relevan.

Sekiranya anda lebih suka bercakap tentang mana yang paling anda gemari untuk memberi idea kepada pengurus pengambilan pekerja sama ada anda akan menyukai kedudukan baru itu juga merupakan idea yang baik.

10. Ceritakan masalah sukar yang anda selesaikan.

Pilih masalah yang dapat digambarkan dengan mudah. Sebahagian daripada menjawab soalan ini dengan baik adalah menunjukkan bahawa anda dapat menerangkan masalah pembelajaran mesin yang kompleks kepada khalayak bukan teknikal.

Apabila anda menerangkan penyelesaian anda, jangan ambil pujian kecuali itu semua adalah usaha anda. Memainkan sumbangan pasukan anda akan menunjukkan bahawa anda adalah pemain pasukan yang baik. Sekiranya berkenaan, tunjukkan kesan pelanggan, jadual dan anggaran yang dihadapi oleh isu ini. Tunjukkan bagaimana sumbangan anda menambah nilai ke garis bawah, bukan hanya masalah langsung.

Soalan Tingkah Laku

Jangan lupa bahawa wawancara kemungkinan besar akan merangkumi soalan tingkah laku. Dan bagi banyak jurutera dan saintis data inilah bahagian yang paling sukar! Kami menghabiskan banyak masa untuk mempersiapkan soalan teknikal yang kami lupakan yang juga akan dinilai oleh bagaimana kami masuk ke dalam pasukan.

Soalan tingkah laku yang lebih penting ada di bawah supaya anda dapat membuat persediaan lebih awal. Untuk soalan yang meminta anda menerangkan waktu tertentu, gunakan model STAR untuk menggariskan jawapan anda. Baca