Vprašanja in odgovori za poglobljeno učenje in intervju
Danes je Deep Learning viden kot ena najhitreje rastočih tehnologij z ogromno zmožnostjo razvoja aplikacije, ki je bila že nekaj časa nazaj trpka kot težka. Prepoznavanje govora, prepoznavanje slike, iskanje vzorcev v naboru podatkov, razvrščanje predmetov na fotografijah, ustvarjanje besedilnih znakov, samovozeči avtomobili in še veliko več je le nekaj primerov, kjer je globinsko učenje pokazalo svojo pomembnost.
Torej ste končno našli svojo sanjsko službo v Deep Learningu, vendar se sprašujete, kako polomiti Intervju za globoko učenje in kakšna bi bila verjetno vprašanja o intervjuju za globoko učenje. Vsak intervju je drugačen in tudi obseg dela je drugačen. Upoštevajoč to, da smo zasnovali najpogostejša vprašanja in odgovore o poglobljenem učenju, ki vam bodo pomagali doseči uspeh v intervjuju.
Spodaj je nekaj vprašanj o intervjuju z globokim učenjem, ki jih pogosto postavljajo v Intervjuju in bi pomagala tudi pri preizkusu ravni:
1. del - Vprašanja za intervju z globinskim učenjem (osnovna)
Ta prvi del zajema osnovna vprašanja in odgovore za poglobljeno učenje
1. Kaj je globoko učenje?
Odgovor:
Območje strojnega učenja, ki se osredotoča na globoke umetne nevronske mreže, ki jih možgani zelo navdihujejo. Alexey Grigorevich Ivakhnenko je objavil prvega splošnega o delu Deep Learning mreže. Danes ima svojo uporabo na različnih področjih, kot so računalniški vid, prepoznavanje govora, obdelava naravnega jezika.
2. Zakaj so globoke mreže boljše od plitvih?
Odgovor:
Obstajajo študije, ki pravijo, da se tako plitve kot globoke mreže lahko prilegajo kateri koli funkciji, vendar pa imajo globoke mreže več skritih slojev, ki so pogosto različnih vrst, tako da lahko ustvarijo ali pridobijo boljše lastnosti kot plitvi modeli z manj parametri.
3. Kakšna je stroškovna funkcija?
Odgovor:
Funkcija stroškov je merilo natančnosti nevronske mreže glede na dani vzorec treninga in pričakovani rezultat. Je enotna vrednost, nevektorska, saj daje zmogljivost nevronske mreže kot celote. Izračunamo ga lahko pod funkcijo Srednja napaka v kvadratu: -
MSE = 1n∑i = 0n (Y i – Yi) 2
Kjer je Y in želena vrednost Y, kar želimo zmanjšati.
Pojdimo na naslednja vprašanja o intervjuju s poglobljenim učenjem.
4. Kaj je naklon spust?
Odgovor:
Gradient spust je v bistvu algoritem optimizacije, ki se uporablja za učenje vrednosti parametrov, ki minimizira funkcijo stroškov. Gre za iterativni algoritem, ki se premika v smeri najbolj strmega spuščanja, kot je opredeljeno z negativnostjo naklona. Izračunamo spust gradienta funkcije stroškov za določen parameter in ga posodobimo s spodnjo formulo: -
Θ: = Θ – αd∂ΘJ (Θ)
Kjer je Θ - vektor parametrov, α - stopnja učenja, J (Θ) - stroškovna funkcija.
5. Kaj je hrbtna širitev?
Odgovor:
Backpropagation je algoritem za usposabljanje, ki se uporablja za večplastno nevronsko omrežje. Pri tej metodi napako premaknemo s konca omrežja na vse uteži znotraj omrežja in s tem omogočimo učinkovito računanje naklona. Lahko ga razdelimo na več korakov, kot sledi: -
Naprej širjenje podatkov o usposabljanju, da se ustvarijo rezultati.
Potem se lahko izračuna ciljni vrednost in izvod napake izhodne vrednosti glede na aktivacijo izhoda.
Potem podpišemo za izračun izpeljane napake glede na izhodno aktivacijo na prejšnji in to nadaljujemo za vse skrite plasti.
Uporabo predhodno izračunanih izpeljank za izhodne in vse skrite plasti izračunamo izpeljane napake glede na uteži.
Potem posodobimo uteži.
6. Pojasnite naslednje tri variante naklona: šarža, stohastičnost in mini šarža?
Odgovor:
Stohastični spust gradienta : Tu uporabljamo le en primer treninga za izračun parametrov gradienta in posodobitve.
Šaržni gradient Descent : Tu izračunamo gradient za celoten nabor podatkov in izvedemo posodobitev ob vsaki ponovitvi.
Mini-batch Gradient Descent : To je eden najbolj priljubljenih algoritmov za optimizacijo. Gre za različico Stohastic Gradient Descent in tukaj namesto enega samega primera treninga uporabljamo mini šaržo vzorcev.
2. del - Vprašanja za intervju z globinskim učenjem (napredno)
Zdaj si oglejmo napredna vprašanja o intervjuju za poglobljeno učenje.
7. Kakšne so prednosti spuščanja po mini naklonu?
Odgovor:
Spodaj so prednosti mini spuščajočega gradienta
• To je bolj učinkovito v primerjavi s stohastičnim naklonom.
• Posplošitev z iskanjem ravnih minima.
• Mini serije omogočajo približevanje naklona celotnega sklopa vadbe, kar nam pomaga, da se izognemo lokalnim minimumom.
8. Kaj je normalizacija podatkov in zakaj jo potrebujemo?
Odgovor:
Med povratno širjenjem se uporablja normalizacija podatkov. Glavni motiv normalizacije podatkov je zmanjšati ali odpraviti odvečne podatke. Tukaj spremenimo vrednosti, da se prilagodimo določenemu območju, da dosežemo boljšo konvergenco.
Pojdimo na naslednja vprašanja o intervjuju s poglobljenim učenjem.
9. Kaj je inicializacija teže v nevronskih mrežah?
Odgovor:
Inicializacija teže je eden zelo pomembnih korakov. Slaba inicializacija teže lahko omrežju prepreči učenje, vendar dobra inicializacija teže pripomore k hitrejšemu zbliževanju in boljši splošni napaki. Biases se lahko na splošno inicializira na nič. Pravilo za nastavitev uteži je, da je blizu nič, ne da bi bilo premajhno.
10. Kaj je samodejni dajalnik?
Odgovor:
Autoencoder je avtonomni algoritem strojnega učenja, ki uporablja načelo povratnega širjenja, pri čemer so ciljne vrednosti enake vnesenim vhodom. Notranjost ima skrito plast, ki opisuje kodo, ki se uporablja za predstavljanje vnosa.
Nekatera ključna dejstva o avtoenkoderju so naslednja: -
• Gre za nenadzorovani algoritem ML, podoben analizi glavnih komponent
• Zmanjša enako ciljno funkcijo kot analiza glavnih komponent
• Gre za nevronsko mrežo
• Ciljni izhod nevronske mreže je njen vhod
11. Ali je v redu povezava z izhoda nivoja 4 na vhod nivoja 2?
Odgovor:
Da, to je mogoče storiti ob upoštevanju, da je izhodni sloj 4 iz prejšnjega časovnega koraka kot v RNN. Prav tako moramo domnevati, da je prejšnja vhodna serija včasih povezana s trenutno serijo.
Pojdimo na naslednja vprašanja o intervjuju s poglobljenim učenjem.
12. Kaj je Boltzmannov stroj?
Odgovor:
Boltzmannov stroj se uporablja za optimizacijo rešitve težave. Delo naprave Boltzmann je v bistvu optimizacija uteži in količine za dano težavo.
Nekaj pomembnih točk o Boltzmannovem stroju -
• Uporablja se ponavljajoča se struktura.
• Sestavljen je iz stohastičnih nevronov, ki so sestavljeni iz enega od dveh možnih stanj, bodisi 1 bodisi 0.
• Nevroni v tem so bodisi v prilagodljivem (prosti stanju) bodisi vpeti (zamrznjeni).
• Če na diskretno Hopfield omrežje uporabimo simulirano žarjenje, bi to postalo Boltzmannova naprava.
13. Kakšna je vloga funkcije za aktiviranje?
Odgovor:
Aktivacijska funkcija se uporablja za vnašanje nelinearnosti v nevronsko mrežo, kar ji pomaga pri učenju bolj zapletenih funkcij. Brez tega bi nevronska mreža lahko spoznala le linearno funkcijo, ki je linearna kombinacija njenih vhodnih podatkov.
Priporočeni članki
To je vodnik za seznam vprašanj in odgovorov za intervju z globokim učenjem, tako da lahko kandidat zlahka razbije ta vprašanja za intervju z globokim učenjem. Če želite izvedeti več, si oglejte tudi naslednje članke
- Preberite več o 10 najbolj uporabnih vprašanj o intervjuju za HBase
- Uporabna vprašanja in odgovori o strojnem učenju
- Top 5 najbolj dragocenih vprašanj o intervjuju za znanost o podatkih
- Pomembna vprašanja in odgovori Ruby Intervju