50 gépi tanulási interjú kérdés és válasz (2025)
Evelyn Clarke
Íme a gépi tanulással kapcsolatos interjúkérdések és válaszok friss és tapasztalt jelöltek számára, hogy megszerezzék álmaik állását.
Gépi tanulási Viva kérdések és válaszok pályakezdőknek
1) Mi az a gépi tanulás?
A gépi tanulás a számítástechnikának egy olyan ága, amely rendszerprogramozással foglalkozik annak érdekében, hogy automatikusan tanuljon és fejlődjön a tapasztalattal. Például: A robotok úgy vannak programozva, hogy az érzékelőktől gyűjtött adatok alapján tudják végrehajtani a feladatot. Automatikusan megtanulja a programokat az adatokból.
👉 Ingyenes PDF letöltés: Gépi tanulási interjú kérdések és válaszok >>
2) Említse meg az adatbányászat és a gépi tanulás közötti különbséget?
A gépi tanulás olyan algoritmusok tanulmányozásával, tervezésével és fejlesztésével kapcsolatos, amelyek lehetővé teszik a számítógépek számára, hogy kifejezetten programozás nélkül tanuljanak. Míg az adatbányászat úgy definiálható, mint az a folyamat, amelyben a strukturálatlan adatok tudást vagy ismeretlen érdekes mintákat próbálnak kinyerni. A folyamatgép során tanulási algoritmusokat használnak.
3) Mit jelent a „túlillesztés” a gépi tanulásban?
In gépi tanulás, amikor egy statisztikai modell véletlenszerű hibát vagy zajt ír le a mögöttes összefüggés helyett, „túlillesztés” történik. Ha egy modell túlságosan összetett, általában túlillesztés figyelhető meg, mivel túl sok paraméterrel rendelkezik a betanítási adattípusok számához képest. A modell gyenge teljesítményt mutat, ami túl jól illeszkedik.
4) Miért történik túlillesztés?
Fennáll a túlillesztés lehetősége, mivel a modell betanításához használt kritériumok nem azonosak a modell hatékonyságának megítélésére használt kritériumokkal.
5) Hogyan kerülheted el a túlszerelést?
Sok adat használatával elkerülhető a túlillesztés, a túlillesztés viszonylag kis adatkészlettel történik, és igyekszik tanulni belőle. De ha van egy kis adatbázis és kénytelen vagy az alapján jönni egy modellel. Ilyen helyzetben használhatja az úgynevezett technikát keresztellenőrzés. Ebben a módszerben az adatkészlet két részre, tesztelési és betanítási adatkészletekre oszlik, a tesztelő adatkészlet csak a modellt teszteli, míg a betanítási adatkészletben az adatpontok jönnek létre a modellel.
Ebben a technikában a modell általában egy ismert adatokból álló adatkészletet kap, amelyen a képzés (oktatási adatkészlet) fut, és egy ismeretlen adatokból álló adatkészletet, amelyhez a modellt tesztelik. A keresztellenőrzés célja egy adatkészlet meghatározása a modell „tesztelése” céljából a betanítási fázisban.
6) Mi az induktív gépi tanulás?
Az induktív gépi tanulás a példákon keresztül történő tanulás folyamatát foglalja magában, ahol egy rendszer megfigyelt példányok halmazából megpróbál egy általános szabályt előidézni.
7) Mi a gépi tanulás öt népszerű algoritmusa?
- Döntési fák
- Neurális hálózatok (vissza terjedés)
- Valószínűségi hálózatok
- Legközelebbi szomszéd
- Támogatja a vektoros gépeket
8) Melyek a különböző algoritmustechnikák a gépi tanulásban?
A gépi tanulás különböző technikái
- Felügyelt tanulás
- Felügyelet nélküli tanulás
- Félig felügyelt tanulás
- Erősítő tanulás
- Transduction
- Megtanulni tanulni
9) Mi a három lépésből áll a hipotézisek vagy modellek felépítése a gépi tanulásban?
- Modellépület
- Modelltesztelés
- A modell alkalmazása
10) Mi a felügyelt tanulás standard megközelítése?
A felügyelt tanulás standard megközelítése az, hogy a példakészletet fel kell osztani a képzési halmazra és a tesztre.
11) Mi az „edzőkészlet” és „tesztkészlet”?
Az információtudomány különböző területein, például a gépi tanulásban, egy adathalmazt használnak fel a „Tréningkészletként” ismert, potenciálisan prediktív kapcsolat felfedezésére. A tréningkészlet a tanulónak adott példa, a tesztkészlet pedig a tanuló által generált hipotézisek pontosságának tesztelésére szolgál, és a tanulótól visszatartott példakészlet. Az edzéskészlet különbözik a tesztkészlettől.
12) Sorolja fel a gépi tanulás különféle megközelítéseit?
A gépi tanulás különböző megközelítései a következők
- koncepció vs osztályozás tanulás
- Szimbolikus vs statisztikai tanulás
- Induktív vs analitikus tanulás
13) Mi nem a gépi tanulás?
- Mesterséges intelligencia
- Szabály alapú következtetés
14) Magyarázza el, mi a „felügyelet nélküli tanulás” funkciója?
- Keresse meg az adatok klasztereit
- Keresse meg az adatok kis dimenziós reprezentációit
- Keressen érdekes irányokat az adatokban
- Érdekes koordináták és összefüggések
- Keressen új megfigyeléseket/adatbázis-tisztítást
15) Magyarázza el, mi a „felügyelt tanulás” funkciója?
- EUROVOC
- Beszédfelismerés
- Regresszió
- Idősor előrejelzése
- Annotálja a karakterláncokat
16) Mi az algoritmusfüggetlen gépi tanulás?
A gépi tanulást, ahol a matematikai alapok függetlenek egy adott osztályozótól vagy tanulási algoritmustól, algoritmusfüggetlen gépi tanulásnak nevezik?
17) Mi a különbség a mesterséges tanulás és a gépi tanulás között?
Az empirikus adatokon alapuló viselkedések szerinti algoritmusok tervezése és fejlesztése gépi tanulásként ismert. Míg a mesterséges intelligencia a gépi tanuláson kívül más szempontokat is lefed, mint a tudásreprezentáció, a természetes nyelvi feldolgozás, a tervezés, a robotika stb.
18) Mi az osztályozó a gépi tanulásban?
A Machine Learning osztályozója egy olyan rendszer, amely diszkrét vagy folytonos jellemzőértékek vektorát adja meg, és egyetlen diszkrét értéket, az osztályt ad ki.
19) Mik a Naive Bayes előnyei?
A naiv Bayes osztályozó gyorsabban konvergál, mint az olyan megkülönböztető modellek, mint a logisztikus regresszió, így kevesebb képzési adatra van szüksége. A fő előnye, hogy nem tudja megtanulni a funkciók közötti interakciókat.
20) Milyen területeken használják a Mintafelismerést?
A mintafelismerés használható
- Számítógépes látás
- Speech Recognition
- Data Mining
- Statisztika
- Informális visszakeresés
- Bioinformatika
Gépi tanulással kapcsolatos interjúkérdések tapasztaltaknak
21) Mi a genetikai programozás?
A genetikai programozás a gépi tanulásban használt két technika egyike. A modell a tesztelésen és az eredmények közül a legjobb választáson alapul.
22) Mi az induktív Logic Programmozás a gépi tanulásban?
Induktív Logic ProA gramming (ILP) a gépi tanulás egy részterülete, amely logikai programozást használ, háttértudást és példákat ábrázolva.
23) Mit jelent a modellválasztás a gépi tanulásban?
A különböző matematikai modellek közötti modellek kiválasztásának folyamatát, amelyek ugyanazt az adatkészletet írják le, modellválasztásnak nevezik. A modellválasztást a statisztika, a gépi tanulás és az adatbányászat területén alkalmazzák.
24) Milyen két módszert használnak a felügyelt tanulás kalibrálásához?
A felügyelt tanulásban a jó valószínűségek előrejelzésére használt két módszer a következő
- Platt kalibráció
- Izotóniás regresszió
Ezeket a módszereket bináris osztályozásra tervezték, és ez nem triviális.
25) Milyen módszert alkalmaznak gyakran a túlillesztés megelőzésére?
Ha elegendő adat áll rendelkezésre, az „Izotóniás regressziót” használják a túlillesztési probléma elkerülésére.
26) Mi a különbség a szabálytanulási heurisztika és a döntési fák heurisztika között?
A különbség az, hogy a döntési fák heurisztikája számos diszjunkt halmaz átlagos minőségét értékeli, míg a szabálytanulók csak a jelölt szabály által lefedett példányhalmaz minőségét értékelik.
27) Mi az a Perceptron a gépi tanulásban?
A gépi tanulásban a Perceptron egy felügyelt tanulási algoritmus bináris osztályozók számára, ahol a bináris osztályozó dönti el, hogy egy bemenet vektort vagy számot jelent-e.
28) Magyarázza el a Bayes-féle logikai program két összetevőjét?
A bayesi logikai program két összetevőből áll. Az első komponens egy logikai komponens; Bayes-i záradékok halmazából áll, amely rögzíti a tartomány minőségi struktúráját. A második komponens egy kvantitatív, amely a tartományra vonatkozó mennyiségi információkat kódolja.
29) Mik azok a Bayes-hálózatok (BN)?
A Bayes-hálózatot a változók közötti valószínűségi kapcsolatok grafikus modelljének ábrázolására használják.
30) Miért nevezik a példány alapú tanulási algoritmust néha lusta tanulási algoritmusnak?
A példány alapú tanulási algoritmust Lusta tanulási algoritmusnak is nevezik, mivel késleltetik az indukciós vagy általánosítási folyamatot az osztályozás végrehajtásáig.
31) Milyen két osztályozási módszert tud kezelni az SVM (Support Vector Machine)?
- Bináris osztályozók kombinálása
- Bináris módosítása több osztályos tanulás beépítésére
32) Mi az az együttes tanulás?
Egy adott számítási program megoldásához több modellt, például osztályozókat vagy szakértőket stratégiailag generálnak és kombinálnak. Ezt a folyamatot együttes tanulásnak nevezik.
33) Miért alkalmazzák az együttes tanulást?
Az együttes tanulást a modell osztályozásának, előrejelzésének, függvényközelítésének stb. javítására használják.
34) Mikor alkalmazzuk az együttes tanulást?
Az együttes tanulást akkor használják, amikor pontosabb és egymástól független összetevő-osztályozókat készít.
35) Mi az ensemble módszerek két paradigmája?
Az ensemble módszerek két paradigmája az
- Szekvenciális ensemble módszerek
- Párhuzamos együttes módszerek
36) Mi az ensemble módszer általános elve, és mi a bagging és boosting az ensemble módszerben?
Az ensemble módszer általános elve az, hogy több, egy adott tanulási algoritmussal felépített modell előrejelzését kombinálja, hogy egyetlen modellhez képest javítsa a robusztusságot. A zsákolás az instabil becslési vagy osztályozási sémák javítására szolgáló összesített módszer. Míg a boosting módszert szekvenciálisan alkalmazzák a kombinált modell torzításának csökkentésére. A boostálás és a zsákolás egyaránt csökkentheti a hibákat a varianciatag csökkentésével.
37) Mi az osztályozási hiba torzítás-variancia dekompozíciója az ensemble módszerben?
A tanuló algoritmus várható hibája felbontható torzításra és varianciára. A torzítási tag azt méri, hogy a tanulási algoritmus által előállított átlagos osztályozó mennyire egyezik a célfüggvénnyel. A varianciatag azt méri, hogy a tanulási algoritmus előrejelzése mennyire ingadozik a különböző képzési halmazoknál.
38) Mi az a növekményes tanulási algoritmus az együttesben?
A növekményes tanulási módszer egy algoritmus azon képessége, hogy tanuljon azokból az új adatokból, amelyek azután állnak rendelkezésre, hogy az osztályozót már létrehozták a már elérhető adatkészletből.
39) Mire használható a PCA, a KPCA és az ICA?
A PCA (Principal Components Analysis), a KPCA (Kernel alapú főkomponens-elemzés) és az ICA (Independent Component Analysis) a dimenziócsökkentéshez használt fontos jellemző-kinyerési technikák.
40) Mit jelent a dimenziócsökkentés a gépi tanulásban?
A gépi tanulásban és a statisztikában a dimenziócsökkentés a megfontolandó valószínűségi változók számának csökkentésének folyamata, amely jellemzők kiválasztására és jellemzőkivonásra osztható.
41) Mik azok a támogató vektorgépek?
A támogató vektorgépek felügyelt tanulási algoritmusok, amelyeket osztályozásra és regressziós elemzésre használnak.
42) Melyek a relációs értékelési technikák összetevői?
A relációs értékelési technikák fontos összetevői az
- Adatgyűjtés
- A földi igazság megszerzése
- Keresztellenőrzési technika
- Lekérdezés típusa
- Pontozási metrika
- Szignifikancia teszt
43) Melyek a szekvenciális felügyelt tanulás különböző módszerei?
A szekvenciális felügyelt tanulással kapcsolatos problémák megoldásának különböző módszerei a következők
- Tolóablakos módszerek
- Visszatérő tolóablakok
- Rejtett Markow modellek
- Maximális entrópia Markow modellek
- Feltételes véletlenszerű mezők
- Grafikontranszformátor hálózatok
44) Melyek azok a területek a robotikában és az információfeldolgozásban, ahol szekvenciális előrejelzési probléma merül fel?
A robotika és az információfeldolgozás azon területei, ahol szekvenciális előrejelzési probléma merül fel
- Utánzó tanulás
- Strukturált előrejelzés
- Modell alapú megerősítéses tanulás
45) Mi az a kötegelt statisztikai tanulás?
A statisztikai tanulási technikák lehetővé teszik egy függvény vagy előrejelző megtanulását megfigyelt adatok halmazából, amely előrejelzéseket adhat a nem látott vagy jövőbeli adatokról. Ezek a technikák garanciákat nyújtanak a tanult előrejelző teljesítményére a jövőbeli nem látható adatokon, az adatgenerálási folyamat statisztikai feltételezése alapján.
46) Mi az a PAC tanulás?
A PAC (Probably Approximately Correct) tanulás egy tanulási keretrendszer, amelyet a tanulási algoritmusok és statisztikai hatékonyságuk elemzésére vezettek be.
47) Milyen kategóriákba sorolhatja a sorozattanulási folyamatot?
- Sorozat előrejelzése
- Sorozatgenerálás
- Szekvencia felismerés
- Sorozati döntés
48) Mi az a sorozattanulás?
A szekvenciális tanulás egy logikus tanítási és tanulási módszer.
49) Mi a gépi tanulás két technikája?
A gépi tanulás két technikája az
- Genetikai programozás
- Induktív tanulás
50) Adja meg a gépi tanulás népszerű alkalmazását, amelyet nap mint nap lát?
A nagy e-kereskedelmi webhelyek által megvalósított ajánlómotor gépi tanulást használ.
Ezek az interjúkérdések a viva-ban is segítenek.
