Въпроси и отговор за задълбочено обучение за интервю
Днес Deep Learning се разглежда като една от най-бързо развиващите се технологии с огромна способност за разработване на приложение, което се смята за трудно преди известно време. Разпознаване на реч, разпознаване на изображения, намиране на модели в набор от данни, класификация на обекти във фотографии, генериране на текст от символи, самоуправляващи се автомобили и много други са само няколко примера, при които Deep Learning показа своето значение.
Така че най-накрая сте намерили мечтаната си работа в Deep Learning, но се чудите как да разбиете Deep Learning Interview и какви биха могли да бъдат вероятните въпроси за интервю на Deep Learning. Всяко интервю е различно и обхватът на работата също е различен. Имайки това предвид, ние разработихме най-често срещаните въпроси за интервю за задълбочено обучение и отговори, които да ви помогнат да постигнете успех в интервюто си.
По-долу са няколко въпроса за интервю за задълбочено обучение, които често се задават в Интервю и биха помогнали и за тестване на нивата ви:
Част 1 - Въпроси за интервю за задълбочено обучение (основни)
Тази първа част обхваща основни въпроси и отговори за задълбочено обучение за интервю
1. Какво е задълбочено обучение?
Отговор:
Областта на машинното обучение, която се фокусира върху дълбоки изкуствени невронни мрежи, които са вдъхновени от мозъка. Алексей Григоревич Ивахненко публикува първия общ текст на работещата мрежа за дълбоко обучение. Днес то има приложение в различни области като компютърно зрение, разпознаване на реч, обработка на естествен език.
2. Защо дълбоките мрежи са по-добри от плитките?
Отговор:
Има проучвания, които казват, че както плитките, така и дълбоките мрежи могат да се поберат при всяка функция, но тъй като дълбоките мрежи имат няколко скрити слоя често от различни видове, така че те са в състояние да изграждат или извличат по-добри характеристики от плитки модели с по-малко параметри.
3. Каква е функцията на разходите?
Отговор:
Функцията на разходите е мярка за точността на невронната мрежа по отношение на дадената тренировъчна извадка и очакваната продукция. Това е единична стойност, невектор, тъй като дава производителността на невронната мрежа като цяло. Тя може да бъде изчислена по-долу от функцията за средна квадратна грешка: -
MSE = 1nΣi = 0n (Y и-ил) 2
Където Y и желаната стойност Y е това, което искаме да сведем до минимум.
Нека преминем към следващите въпроси за интервю за задълбочено обучение.
4. Какво е градиентно спускане?
Отговор:
Градиентното спускане е основно алгоритъм за оптимизация, който се използва за научаване на стойността на параметрите, която минимизира функцията за разходи. Това е итеративен алгоритъм, който се движи в посока на най-стръмно спускане, както е дефинирано от отрицанието на градиента. Изчисляваме градиентното спускане на функцията за разходи за даден параметър и актуализираме параметъра по следната формула: -
Θ: = Θ-αd∂ΘJ (Θ)
Където Θ - е параметърният вектор, α - процент на обучение, J (Θ) - е функция на разходите.
5. Какво е обратното размножаване?
Отговор:
Обратното разпространение е алгоритъм за обучение, използван за многослойна невронна мрежа. При този метод преместваме грешката от края на мрежата до всички тегла в мрежата и по този начин позволяваме ефективно изчисляване на градиента. Тя може да бъде разделена на няколко стъпки, както следва: -
Напред разпространение на данните за обучение с цел генериране на резултати.
HenТогава, като се използва целевата стойност и производната грешка на изходната стойност, може да се изчисли по отношение на активирането на изхода.
Тогава правим backpropagate за изчисляване на производна на грешката по отношение на активирането на изхода при предишни и продължаваме това за всички скрити слоеве.
Sing Използвайки предварително изчислени производни за изход и всички скрити слоеве, изчисляваме производни на грешки по отношение на теглата.
И след това актуализираме тежестите.
6. Обяснете следните три варианта на градиентно спускане: партиден, стохастичен и мини-партиден?
Отговор:
Стохастичен градиент на спускане : Тук използваме само един пример за обучение за изчисляване на параметрите на градиент и актуализация.
Batch Gradient Descent : Тук изчисляваме градиента за целия набор от данни и извършваме актуализацията при всяка итерация.
Мини-партиден градиент спускане : Това е един от най-популярните алгоритми за оптимизация. Това е вариант на Stochastic Gradient Descent и тук вместо единичен пример за обучение се използва мини партида от проби.
Част 2 - Въпроси за интервю за задълбочено обучение (разширено)
Нека сега да разгледаме разширените въпроси за интервю за задълбочено обучение.
7. Какви са предимствата на мини-партидното градиентно спускане?
Отговор:
По-долу са предимствата на мини партидния градиент на спускане
• Това е по-ефективно в сравнение със стохастичен наклон на градиента.
• Обобщаването чрез намиране на плоските минимуми.
• Мини партидите позволяват да се приближи до наклона на целия тренировъчен комплект, което ни помага да избегнем местните минимуми.
8. Какво е нормализиране на данните и защо ни трябват?
Отговор:
Нормализирането на данните се използва по време на обратното разпространение. Основният мотив за нормализиране на данните е намаляването или премахването на излишъка на данните. Тук преоразмеряваме стойностите, за да се впишем в определен диапазон, за да постигнем по-добра конвергенция.
Нека преминем към следващите въпроси за интервю за задълбочено обучение.
9. Какво е инициализиране на теглото в невронните мрежи?
Отговор:
Инициализирането на теглото е една от много важните стъпки. Лошата инициализация на теглото може да попречи на мрежата да се учи, но добрата инициализация на теглото помага за по-бързо сближаване и по-добра цялостна грешка. Biases могат като цяло да се инициализират до нула. Правилото за определяне на тежестите е да бъде близо до нула, без да е твърде малко.
10. Какво е автокодер?
Отговор:
Autoencoder е автономен алгоритъм за машинно обучение, който използва принципа за обратно размножаване, при който целевите стойности са определени като равни на предоставените входове. Вътрешно има скрит слой, който описва код, използван за представяне на входа.
Някои ключови факти за autoencoder са, както следва: -
• Това е неподдържан ML алгоритъм, подобен на анализ на основните компоненти
• Минимизира същата обективна функция като анализ на основните компоненти
• Това е невронна мрежа
• Целевият изход на невронната мрежа е нейният вход
11. Добре ли е да се свържете от изход Layer 4 обратно към вход Layer 2?
Отговор:
Да, това може да се направи, като се има предвид, че изходът на слой 4 е от предишната стъпка във времето, като в RNN. Също така, ние трябва да приемем, че предишната партида за вход понякога е свързана с текущата партида.
Нека преминем към следващите въпроси за интервю за задълбочено обучение.
12. Какво представлява машината Boltzmann?
Отговор:
Boltzmann Machine се използва за оптимизиране на решението на даден проблем. Работата на машината Boltzmann е основно за оптимизиране на теглата и количеството за дадения проблем.
Някои важни точки за Boltzmann Machine -
• Използва повтаряща се структура.
• Състои се от стохастични неврони, които се състоят от едно от двете възможни състояния, 1 или 0.
• Невроните в това са или в адаптивно (свободно състояние), или притиснато (замразено състояние).
• Ако приложим симулирано отгряване върху дискретна Hopfield мрежа, то това ще стане Boltzmann Machine.
13. Каква е ролята на функцията за активиране?
Отговор:
Функцията за активиране се използва за въвеждане на нелинейност в невронната мрежа, помагайки й да научи по-сложни функции. Без която невронната мрежа би могла да научи само линейна функция, която е линейна комбинация от входните й данни.
Препоръчителни статии
Това е ръководство за списък с въпроси и отговори за задълбочено обучение, за да може кандидатът да преодолее лесно тези въпроси за интервю за задълбочено обучение. Можете също да разгледате следните статии, за да научите повече
- Научете 10-те най-полезни въпроса за интервю за HBase
- Полезни въпроси и отговор за интервю за машинно обучение
- Топ 5 най-ценни въпроса за интервю за наука за данни
- Важни въпроси и отговор на Ruby Interview