Domande e risposte di intervista di apprendimento profondo
Oggi Deep Learning è stato visto come una delle tecnologie in più rapida crescita con un'enorme capacità di sviluppare un'applicazione che è stata vista come dura qualche tempo fa. Riconoscimento vocale, riconoscimento delle immagini, ricerca di schemi in un set di dati, classificazione degli oggetti nelle fotografie, generazione del testo dei personaggi, auto a guida autonoma e molti altri sono solo alcuni esempi in cui Deep Learning ha dimostrato la sua importanza.
Quindi hai finalmente trovato il lavoro dei tuoi sogni nel Deep Learning ma ti stai chiedendo come risolvere il colloquio del Deep Learning e quali potrebbero essere le probabili domande del colloquio del Deep Learning. Ogni colloquio è diverso e anche la portata di un lavoro è diversa. Tenendo presente questo, abbiamo progettato le domande e le risposte più comuni per l'intervista di Deep Learning per aiutarti a ottenere il successo durante il tuo colloquio.
Di seguito sono riportate alcune domande relative al colloquio sull'apprendimento profondo che vengono poste di frequente nell'intervista e che potrebbero anche aiutare a testare i tuoi livelli:
Parte 1 - Domande di intervista approfondite (di base)
Questa prima parte tratta le domande e le risposte di base dell'intervista per l'apprendimento profondo
1. Che cos'è il deep learning?
Risposta:
L'area dell'apprendimento automatico che si concentra su reti neurali artificiali profonde che sono vagamente ispirate dal cervello. Alexey Grigorevich Ivakhnenko ha pubblicato il primo generale sulla rete di Deep Learning funzionante. Oggi ha la sua applicazione in vari campi come la visione artificiale, il riconoscimento vocale, l'elaborazione del linguaggio naturale.
2. Perché le reti profonde sono migliori di quelle poco profonde?
Risposta:
Ci sono studi che affermano che reti profonde e profonde possono adattarsi a qualsiasi funzione, ma poiché le reti profonde hanno diversi livelli nascosti spesso di tipo diverso, quindi sono in grado di costruire o estrarre caratteristiche migliori rispetto ai modelli superficiali con meno parametri.
3. Qual è la funzione di costo?
Risposta:
Una funzione di costo è una misura dell'accuratezza della rete neurale rispetto al campione di addestramento dato e all'output previsto. È un valore unico, non vettoriale in quanto fornisce le prestazioni della rete neurale nel suo insieme. Può essere calcolato come sotto la funzione Errore quadratico medio: -
MSE = 1nΣi = 0n (Y i-Yi) 2
Dove Y e il valore desiderato Y è ciò che vogliamo minimizzare.
Passiamo alle prossime domande di intervista di Deep Learning.
4. Che cos'è la discesa gradiente?
Risposta:
La discesa gradiente è fondamentalmente un algoritmo di ottimizzazione, che viene utilizzato per apprendere il valore dei parametri che minimizza la funzione di costo. È un algoritmo iterativo che si sposta nella direzione della discesa più ripida definita dal negativo del gradiente. Calcoliamo la discesa del gradiente della funzione di costo per un dato parametro e aggiorniamo il parametro con la formula seguente: -
Θ: = Θ-αd∂ΘJ (Θ)
Dove Θ - è il vettore del parametro, α - tasso di apprendimento, J (Θ) - è una funzione di costo.
5. Che cos'è la backpropagation?
Risposta:
La backpropagation è un algoritmo di training utilizzato per una rete neurale multistrato. In questo metodo, spostiamo l'errore da un'estremità della rete a tutti i pesi all'interno della rete e consentendo così un calcolo efficiente del gradiente. Può essere suddiviso in più passaggi come segue: -
Proprietà avanzata dei dati di addestramento al fine di generare risultati.
HenQuindi si può calcolare la derivata dell'errore del valore target e del valore di output rispetto all'attivazione dell'output.
HenPoi eseguiamo la backpropagazione per calcolare la derivata dell'errore rispetto all'attivazione dell'output precedente e continuiamo per tutti i livelli nascosti.
Utilizzando le derivate calcolate in precedenza per l'output e tutti i livelli nascosti calcoliamo le derivate degli errori rispetto ai pesi.
E poi aggiorniamo i pesi.
6. Spiegare le seguenti tre varianti di discesa gradiente: batch, stocastica e mini-batch?
Risposta:
Discesa gradiente stocastica : qui utilizziamo un solo esempio di allenamento per il calcolo della pendenza e dei parametri di aggiornamento.
Discesa del gradiente in batch : qui calcoliamo il gradiente per l'intero set di dati ed eseguiamo l'aggiornamento ad ogni iterazione.
Discesa gradiente mini-batch : è uno degli algoritmi di ottimizzazione più popolari. È una variante della discesa del gradiente stocastico e qui invece di un singolo esempio di allenamento, viene utilizzato un mini-lotto di campioni.
Parte 2 - Domande di intervista per l'apprendimento profondo (avanzate)
Diamo ora un'occhiata alle domande avanzate per l'intervista a Deep Learning.
7. Quali sono i vantaggi della discesa con gradiente mini-batch?
Risposta:
Di seguito sono riportati i vantaggi della discesa con gradiente mini-batch
• Questo è più efficiente rispetto alla discesa gradiente stocastica.
• La generalizzazione trovando i minimi piatti.
• I mini-batch consentono di approssimare il gradiente dell'intero set di allenamento, aiutandoci a evitare i minimi locali.
8. Che cos'è la normalizzazione dei dati e perché ne abbiamo bisogno?
Risposta:
La normalizzazione dei dati viene utilizzata durante la backpropagation. Il motivo principale alla base della normalizzazione dei dati è ridurre o eliminare la ridondanza dei dati. Qui ridimensioniamo i valori per adattarli a un intervallo specifico per ottenere una migliore convergenza.
Passiamo alle prossime domande di intervista di Deep Learning.
9. Che cos'è l'inizializzazione del peso nelle reti neurali?
Risposta:
L'inizializzazione del peso è uno dei passaggi molto importanti. Un'inizializzazione del peso errato può impedire l'apprendimento di una rete, ma l'inizializzazione del peso utile aiuta a fornire una convergenza più rapida e un migliore errore generale. I bias possono essere generalmente inizializzati a zero. La regola per impostare i pesi è di essere vicini allo zero senza essere troppo piccoli.
10. Che cos'è un codificatore automatico?
Risposta:
Un autoencoder è un algoritmo di apprendimento automatico autonomo che utilizza il principio di backpropagation, in cui i valori target sono impostati in modo da essere uguali agli input forniti. Internamente, ha un livello nascosto che descrive un codice utilizzato per rappresentare l'input.
Alcuni fatti chiave relativi all'encoder automatico sono i seguenti: -
• È un algoritmo ML senza supervisione simile all'analisi dei componenti principali
• Riduce al minimo la stessa funzione obiettiva dell'analisi dei componenti principali
• È una rete neurale
• L'output di destinazione della rete neurale è il suo input
11. È corretto ricollegarsi da un'uscita di livello 4 a un ingresso di livello 2?
Risposta:
Sì, questo può essere fatto considerando che l'output del livello 4 proviene dal passaggio temporale precedente come in RNN. Inoltre, dobbiamo supporre che il batch di input precedente sia talvolta correlato con il batch corrente.
Passiamo alle prossime domande di intervista di Deep Learning.
12. Che cos'è la macchina Boltzmann?
Risposta:
La macchina Boltzmann viene utilizzata per ottimizzare la soluzione di un problema. Il lavoro della macchina Boltzmann è sostanzialmente quello di ottimizzare i pesi e la quantità per il problema dato.
Alcuni punti importanti su Boltzmann Machine -
• Utilizza una struttura ricorrente.
• È costituito da neuroni stocastici, che consistono in uno dei due possibili stati, 1 o 0.
• I neuroni in questo sono o adattivi (stato libero) o bloccati (stato congelato).
• Se applichiamo la ricottura simulata su una rete Hopfield discreta, diventerebbe la Boltzmann Machine.
13. Qual è il ruolo della funzione di attivazione?
Risposta:
La funzione di attivazione viene utilizzata per introdurre la non linearità nella rete neurale aiutandola ad apprendere funzioni più complesse. Senza il quale la rete neurale sarebbe in grado di apprendere solo la funzione lineare che è una combinazione lineare dei suoi dati di input.
Articoli consigliati
Questa è stata una guida all'elenco delle domande e risposte dell'intervista di apprendimento profondo in modo che il candidato possa facilmente reprimere queste domande di intervista di apprendimento profondo. Puoi anche consultare i seguenti articoli per saperne di più
- Scopri le 10 domande più utili per l'intervista con HBase
- Domande e risposte utili di intervista di apprendimento automatico
- Le 5 domande di intervista più importanti per la scienza dei dati
- Domande e risposte importanti di intervista di Ruby