Intervju pitanja i odgovori za duboko učenje
Danas se Deep Learning smatra jednom od najbrže rastućih tehnologija s ogromnom sposobnošću razvijanja aplikacije koja je neko vrijeme smatrana teškom. Prepoznavanje govora, prepoznavanje slike, pronalaženje obrazaca u skupu podataka, klasifikacija predmeta na fotografijama, generiranje teksta znakova, automatska vožnja automobila i još mnogo toga samo su neki od primjera gdje je Dubinsko učenje pokazalo svoju važnost.
Dakle, konačno ste pronašli svoj posao iz snova u Deep Learningu, ali se pitate kako probiti Deep Learning Intervju i što bi moglo biti vjerojatno pitanje Deep Learning Intervju. Svaki je intervju različit, a i opseg posla je različit. Imajući to u vidu, osmislili smo najčešća pitanja i odgovore za dubinsko učenje kako bi vam pomogli da postignete uspjeh u svom intervjuu.
Ispod je nekoliko pitanja o intervjuu dubokog učenja koja se često postavljaju u intervjuu i koja bi također mogla pomoći u testiranju vaših razina:
Dio 1 - Pitanja o intervjuu za dubinsko učenje (osnovno)
Ovaj prvi dio obuhvaća osnovna pitanja i odgovore za duboko učenje
1. Što je duboko učenje?
Odgovor:
Područje strojnog učenja koje je usredotočeno na duboke umjetne neuronske mreže koje su slabo inspirirane mozgom. Alexey Grigorevich Ivakhnenko objavio je prvu općenito o radu mreže Deep Learning. Danas se primjenjuje u raznim područjima kao što su računalni vid, prepoznavanje govora, obrada prirodnog jezika.
2. Zašto su duboke mreže bolje od plitkih?
Odgovor:
Postoje studije koje kažu da se i plitka i duboka mreža mogu uklopiti u bilo koju funkciju, ali kako duboke mreže imaju nekoliko skrivenih slojeva često različitih vrsta, tako da su u stanju izgraditi ili izdvojiti bolje značajke od plitkih modela s manje parametara.
3. Koja je funkcija troškova?
Odgovor:
Funkcija troška mjera je točnosti neuronske mreže u odnosu na dati uzorak treninga i očekivani izlaz. To je jedna vrijednost, nevektor, jer daje performanse neuronske mreže u cjelini. Može se izračunati ispod funkcije srednje pogreške u kvadratu: -
MSE = 1nΣi-0n (Y i-il) 2
Gdje je Y i željena vrijednost Y je ono što želimo smanjiti.
Prijeđite na sljedeća pitanja o intervjuima za duboko učenje.
4. Što je gradijentni pad?
Odgovor:
Spuštanje gradijenta u osnovi je algoritam optimizacije, koji se koristi za učenje vrijednosti parametara koji minimiziraju funkciju troškova. To je iterativni algoritam koji se kreće u smjeru najbržeg spuštanja kako je definirano negativnim nagibom. Izračunavamo pad gradijenta funkcije troška za određeni parametar i ažuriramo parametar dolje navedenom formulom: -
Θ: = Θ-αd∂ΘJ (Θ)
Gdje je Θ - parametar vektor, α - stopa učenja, J (Θ) - troškovna funkcija.
5. Što je povratno širenje?
Odgovor:
Backpropagacija je algoritam treninga koji se koristi za višeslojnu neurološku mrežu. U ovoj metodi premještamo pogrešku s kraja mreže na sve težine unutar mreže i na taj način omogućavamo učinkovito računanje gradijenta. Može se podijeliti u nekoliko koraka kako slijedi: -
Naprijed širenje podataka o obuci radi stvaranja rezultata.
HenTada pomoću ciljne vrijednosti i derivata pogreške pogreške na izlazu može se izračunati s obzirom na izlaznu aktivaciju.
Tada vršimo backpropagate za računanje derivata pogreške u odnosu na izlaznu aktivaciju na prethodnom i nastavljamo ovo za sve skrivene slojeve.
SingKoristeći prethodno izračunate derivate za izlaz i sve skrivene slojeve, izračunavamo derivate pogrešaka s obzirom na utege.
A zatim ažuriramo utege.
6. Objasnite sljedeće tri varijante spuštanja u gradijentu: šarž, stohastiku i mini šaržu?
Odgovor:
Stohastički pad gradijenta : Ovdje koristimo samo jedan primjer treninga za izračun parametara nagiba i ažuriranja.
Skupni gradijentni pad : Ovdje izračunavamo gradijent za cijeli skup podataka i izvršimo ažuriranje pri svakoj iteraciji.
Mini-batch Gradient Descent : To je jedan od najpopularnijih algoritama za optimizaciju. To je varijanta Stochastic Gradient Descent i ovdje se umjesto pojedinačnog primjera treninga koristi mini serija uzoraka.
Dio 2 - Pitanja za razgovor o dubokom učenju (napredno)
Pogledajmo sada napredna pitanja o intervjuu za duboko učenje.
7. Koje su prednosti spuštanja minijaturnim gradijentom?
Odgovor:
Ispod su prednosti mini spuštanja gradijentom
• To je učinkovitije u usporedbi sa stohastičkim gradijentom.
• generalizacija pronalaženjem ravnih minima.
• Mini-serije omogućuju približavanje nagiba cijelog seta treninga, što nam pomaže u izbjegavanju lokalnih minima.
8. Što je normalizacija podataka i zašto su nam potrebni?
Odgovor:
Normalizacija podataka koristi se tijekom backpropagacije. Glavni motiv normalizacije podataka je smanjenje ili uklanjanje suvišnih podataka. Ovdje izmjenjujemo vrijednosti kako bismo se uklopili u određeni raspon da bismo postigli bolju konvergenciju.
Prijeđite na sljedeća pitanja o intervjuima za duboko učenje.
9. Što je inicijalizacija težine u neuronskim mrežama?
Odgovor:
Inicijalizacija težine jedan je od vrlo važnih koraka. Loša inicijalizacija težine može spriječiti mrežu za učenje, ali dobra inicijalizacija težine pomaže u bržoj konvergenciji i boljoj općoj pogrešci. Predrasude se općenito mogu inicijalizirati na nulu. Pravilo postavljanja utega je da bude blizu nuli, a da nije premalo.
10. Što je autokoder?
Odgovor:
Autoenkoder je autonomni algoritam strojnog učenja koji koristi princip povratnog širenja gdje su postavljene ciljne vrijednosti jednake unesenim ulazima. Interno ima skriveni sloj koji opisuje kôd koji se koristi za predstavljanje ulaza.
Neke su ključne činjenice o autoenkoderu sljedeće:
• To je neodržavani algoritam ML sličan analizi glavnih komponenti
• Minimizira istu ciljnu funkciju kao i analiza glavnih komponenti
• To je neuronska mreža
• Ciljni izlaz neuronske mreže je njen ulaz
11. Je li u redu s izlaza razine 4 natrag na ulaz razine 2?
Odgovor:
Da, to se može učiniti s obzirom da je izlazni sloj 4 iz prethodnog vremenskog koraka kao u RNN-u. Također, moramo pretpostaviti da je prethodna ulazna serija ponekad korelirana s trenutnom partijom.
Prijeđite na sljedeća pitanja o intervjuima za duboko učenje.
12. Što je Boltzmannov stroj?
Odgovor:
Boltzmannov stroj koristi se za optimizaciju rješenja problema. Rad Boltzmannovog stroja uglavnom je optimiziranje težine i količine zadanog problema.
Neke važne točke o Boltzmannovom stroju -
• Koristi ponavljajuću strukturu.
• Sastoji se od stohastičnih neurona koji se sastoje od jednog od dva moguća stanja, bilo 1 ili 0.
• neuroni u ovom su ili u adaptivnom (slobodnom stanju) ili stegnutom (smrznuto).
• Ako primijenimo simulirano žarenje na diskretnu Hopfield mrežu, tada bi to postalo Boltzmannov stroj.
13. Koja je uloga funkcije aktivacije?
Odgovor:
Funkcija aktivacije koristi se za uvođenje nelinearnosti u neuronsku mrežu pomažući joj da nauči složenije funkcije. Bez koje bi neuronska mreža mogla naučiti samo linearnu funkciju koja je linearna kombinacija njegovih ulaznih podataka.
Preporučeni članci
Ovo je vodič za popis pitanja i odgovora za intervju dubokog učenja kako bi kandidat mogao lako razbiti ova pitanja o intervjuu za duboko učenje. Možete pogledati i sljedeće članke da biste saznali više
- Saznajte 10 najboljih korisnih pitanja o intervjuu za HBase
- Korisna pitanja strojnog intervjua i odgovora
- Top 5 najvrednijih pitanja o intervjuu za znanost o podacima
- Važna Ruby Intervju pitanja i odgovori