Süvaõppega intervjuu küsimused ja vastused
Täna peetakse süvaõpet üheks kiiremini arenevaks tehnoloogiaks, millel on tohutu võime välja töötada rakendus, mida on mõnda aega tagasi peetud raskeks. Kõnetuvastus, pildituvastus, mustrite leidmine andmestikust, objektide klassifitseerimine fotodel, märkteksti genereerimine, isesõitvad autod ja palju muud on vaid mõned näited, kus Deep Learning on oma olulisust näidanud.
Nii et olete lõpuks leidnud oma unistuste töö süvaõppes, kuid mõtlete, kuidas süvaõppe intervjuud lõhestada ja millised võiksid olla tõenäolised süvaõppe intervjuu küsimused. Iga vestlus on erinev ja ka töö ulatus. Seda meeles pidades oleme välja töötanud kõige tavalisemad sügava õppimisega seotud intervjuu küsimused ja vastused, mis aitavad teil intervjuus edu saavutada.
Allpool on toodud mõned sügava õppimisega intervjuu küsimused, mida küsitakse intervjuus sageli ja mis aitaksid ka teie taset testida:
1. osa - Süvaõppega intervjuu küsimused (põhilised)
See esimene osa hõlmab põhjalikke õppimise intervjuu küsimusi ja vastuseid
1. Mis on sügav õppimine?
Vastus:
Masinõppe valdkond, mis keskendub sügavatele kunstlikele närvivõrkudele, mis on ajudest lõdvalt inspireeritud. Aleksei Grigorevitš Ivakhnenko avaldas esimese süvaõppevõrgustiku üldosa. Tänapäeval on see rakendus rakendatav erinevates valdkondades, näiteks arvuti nägemine, kõnetuvastus, loomulik keele töötlemine.
2. Miks on sügavad võrgud paremad kui madalad?
Vastus:
On uuringuid, mis väidavad, et nii madalad kui ka sügavad võrgud sobivad igasse funktsiooni, kuid kuna sügavatel võrkudel on mitu erinevat tüüpi peidetud kihti, on nad võimelised looma või välja pakkima paremaid omadusi kui madalama parameetritega madalad mudelid.
3. Mis on kulufunktsioon?
Vastus:
Kulufunktsioon on närvivõrgu täpsuse mõõde antud treeningvalimi ja eeldatava väljundi suhtes. See on üks väärtus, mittevektor, kuna see annab närvivõrgu toimimise tervikuna. Seda saab arvutada järgmiselt: funktsioon Keskmine ruutude viga: -
MSE = 1n∑i = 0n (Y i – Yi) 2
Kus Y ja soovitud väärtus Y on see, mida tahame minimeerida.
Liigume järgmiste süvaõppeintervjuu küsimuste juurde.
4. Mis on gradiendi laskumine?
Vastus:
Gradientide laskumine on põhimõtteliselt optimeerimise algoritm, mida kasutatakse kulude funktsiooni minimeerivate parameetrite väärtuse õppimiseks. See on iteratiivne algoritm, mis liigub järsu laskumise suunas, nagu on määratletud gradiendi negatiivi abil. Arvutame antud parameetri jaoks kulufunktsiooni gradiendi languse ja värskendame parameetrit järgmise valemi abil: -
Θ: = Θ – αd∂ΘJ (Θ)
Kus Θ - on parameetrivektor, α - õppimiskiirus, J (Θ) - on kulufunktsioon.
5. Mis on paljunemine?
Vastus:
Backpropagation on treeningalgoritm, mida kasutatakse mitmekihilise närvivõrgu jaoks. Selle meetodi puhul liigutame vea võrgu otsast kõikidele võrgu sisestele kaaludele ja võimaldame niiviisi tõhusalt arvutada gradienti. Selle võib jagada mitmeks etapiks järgmiselt: -
Treeningu andmete edastamine edastamiseks väljundi saamiseks.
TargetSihtväärtuse ja väljundväärtuse kasutamisel saab väljundi aktiveerimise korral arvutada vea tuletise.
Siis töötame tagasi vea tuletise arvutamiseks eelmises väljundi aktiveerimise osas ja jätkame seda kõigi varjatud kihtide puhul.
Kui kasutatakse eelnevalt arvutatud tuletisi väljundi ja kõigi peidetud kihtide kohta, arvutame veatuletused kaalu suhtes.
Ja siis värskendame kaalu.
6. Selgitage järgmist kolme gradiendi laskumise varianti: partii, stohhastiline ja mini-partii?
Vastus:
Stohhastiline gradiendi laskumine : siin kasutame gradiendi ja värskendusparameetrite arvutamiseks ainult ühte treeningnäidet.
Batch Gradient Descent : siin arvutame kogu andmekogumi gradiendi ja värskendame iga iteratsiooni korral.
Mini-partii gradiendi laskumine : see on üks populaarsemaid optimeerimise algoritme. See on stohhastilise gradiendi laskumise variant ja siin kasutatakse ühe treeningnäite asemel proovide minipartiisid.
2. osa - Süvaõppega intervjuu küsimused (täpsemad)
Vaadakem nüüd üksikasjalikke süvaõppe intervjuu küsimusi.
7. Mis kasu on minipartii gradiendi laskumisest?
Vastus:
Allpool on toodud mini-partii gradiendi laskumise eelised
• See on tõhusam võrreldes stohhastilise gradiendi laskumisega.
• Üldistamine kindlate miinimumide leidmisega.
• Mini-partiid võimaldavad aidata kogu treeningkomplekti gradienti ligikaudsel tasemel, mis aitab meil vältida kohalikke miinimume.
8. Mis on andmete normaliseerimine ja miks me seda vajame?
Vastus:
Tagasi paljundamisel kasutatakse andmete normaliseerimist. Andmete normaliseerimise peamine motiiv on andmete koondamise vähendamine või kaotamine. Siinkohal muudame väärtused paremaks lähenemiseks konkreetsete vahemike jaoks.
Liigume järgmiste süvaõppeintervjuu küsimuste juurde.
9. Mis on kaalu initsialiseerimine närvivõrkudes?
Vastus:
Kaalu alustamine on üks väga olulisi samme. Halb kaalu lähtestamine võib takistada võrgu õppimist, kuid kaalu hea lähtestamine aitab saavutada kiiremat lähenemist ja paremat üldist viga. Eelarvamusi saab tavaliselt nullini viia. Kaalude seadmise reegel peab olema nullilähedane, ilma et see oleks liiga väike.
10. Mis on automaatkooder?
Vastus:
Autokooder on autonoomne masinõppe algoritm, mis kasutab tagasipropagatsiooni põhimõtet, kus sihtväärtused seatakse võrdseks pakutavate sisenditega. Sisemiselt on sellel varjatud kiht, mis kirjeldab sisendi esitamiseks kasutatavat koodi.
Mõned peamised faktid automaatkoderi kohta on järgmised: -
• See on põhikomponentide analüüsiga sarnane järelevalveta ML-algoritm
• See minimeerib sama objektiivse funktsiooni kui põhikomponentide analüüs
• See on närvivõrk
• Neuraalvõrgu sihtväljund on selle sisend
11. Kas on õige ühendada 4. kihi väljund 2. kihi sisendiga?
Vastus:
Jah, seda saab teha, arvestades, et 4. kihi väljund on eelmisest ajaetapist nagu RNN-is. Samuti peame eeldama, et eelmine sisendpartii on mõnikord korrelatsioonis praeguse partiiga.
Liigume järgmiste süvaõppeintervjuu küsimuste juurde.
12. Mis on Boltzmanni masin?
Vastus:
Boltzmanni masinat kasutatakse probleemi lahenduse optimeerimiseks. Boltzmanni masina töö on põhimõtteliselt antud probleemi raskuste ja koguse optimeerimine.
Mõned olulised punktid Boltzmann Machine kohta -
• See kasutab korduvat struktuuri.
• See koosneb stohhastilistest neuronitest, mis koosnevad ühest kahest võimalikust olekust, kas 1 või 0.
• Selles olevad neuronid on kas adaptiivses (vaba olekus) või klammerdatud (külmunud).
• Kui rakendaksime diskreetse Hopfieldi võrgus simuleeritud lõõmutamist, saaks sellest Boltzmanni masin.
13. Milline on aktiveerimisfunktsiooni roll?
Vastus:
Aktiveerimisfunktsiooni kasutatakse mittelineaarsuse sisestamiseks närvivõrku, aidates sellel õppida keerukamaid funktsioone. Ilma selleta saaks närvivõrk õppida ainult lineaarset funktsiooni, mis on selle sisendandmete lineaarne kombinatsioon.
Soovitatavad artiklid
See on olnud juhend süvaõppega intervjuu küsimuste ja vastuste loendisse, et kandidaat saaks hõlpsasti neid sügav õppimise intervjuu küsimusi lahendada. Lisateabe saamiseks võite vaadata ka järgmisi artikleid
- Siit saate teada kümmet kõige kasulikumat HBase'i intervjuu küsimust
- Kasulikud masinõppega intervjuu küsimused ja vastused
- 5 kõige väärtuslikumat andmeteaduse intervjuu küsimust
- Olulised Ruby intervjuu küsimused ja vastused