आर्टिफिकल इंटेलिजेंस

शीर्ष 15 मशीन शिक्षण मुलाखत प्रश्न आणि उत्तरे

- जाहिरात-
  1. डीप लर्निंग आणि मशीन लर्निंगमध्ये काय फरक आहे?

मशीन लर्निंग मुलाखतीच्या प्रश्नांमध्ये डेटाचे विश्लेषण करण्यासाठी उत्कृष्ट अल्गोरिदम लागू करणे आणि त्याचा वापर करणे, संपूर्ण डेटामध्ये लपविलेले नमुने उघड करणे आणि त्यातून अभ्यास करणे आणि शेवटी व्यावसायिक निर्णय घेण्यासाठी योग्य अंतर्दृष्टी लागू करणे समाविष्ट आहे. डीप लर्निंगसाठी, तो उपसंच आहे मशीन लर्निंग ज्यामध्ये मानवी मेंदूच्या मज्जातंतूंच्या निव्वळ संरचनेतून प्रेरणा घेणारी कृत्रिम तंत्रिका तंत्रज्ञानाचा वापर समाविष्ट आहे. वैशिष्ट्यपूर्ण ओळख मध्ये डीप लर्निंगचा मोठ्या प्रमाणात वापर केला जातो.

  1. परिभाषित करा - अचूकता आणि आठवा.

अचूकता किंवा रचनात्मक भविष्यवाणी मूल्य उपाय किंवा अतिरिक्त अचूकतेने दावे केलेल्या सकारात्मकतेच्या भिन्नतेच्या तुलनेत मॉडेलद्वारे दावा केलेल्या ख true्या सकारात्मकतेच्या विविधतेचा अंदाज देते.

रिकॉल किंवा ट्रू पॉझिटिव्ह चार्ज म्हणजे डेटाद्वारे सर्व प्रकारच्या सकारात्मकतेच्या अचूकतेच्या तुलनेत मॉडेलद्वारे दावा केलेल्या सकारात्मकतेच्या विविधतेचा संदर्भ.

हेही वाचा: कृत्रिम बुद्धिमत्ता अभियंता कसे व्हावे? पगार, कौशल्ये आणि चरण

  1. 'बायस' आणि 'व्हेरिएन्स' या संज्ञा स्पष्ट करा.'

कोचिंग प्रक्रियेद्वारे, शिकण्याच्या अल्गोरिदमची अपेक्षित त्रुटी मुख्यतः दोन भागांमध्ये लेबल केलेली किंवा विघटित केली जाते - पूर्वाग्रह आणि भिन्नता. जेव्हा 'बायस' म्हणजे शिकण्याच्या अल्गोरिदममध्ये सहज गृहीत धरून वापरल्या जाणार्‍या त्रुटींची स्थिती असते तर डेटा विश्लेषणात त्या शिक्षण अल्गोरिदमच्या जटिलतेच्या परिणामी सूचित केलेली त्रुटी सूचित करते. बायस लक्ष्यित कार्यान्वित करण्यासाठी अल्गोरिदमद्वारे तयार केलेल्या सामान्य वर्गीकरणाची सानुकूलता आणि विविध प्रशिक्षण डेटा युनिट्ससाठी शिक्षण अल्गोरिदमची भविष्यवाणी किती भिन्न आहे याबद्दल भिन्नता उपाय करते.

  1. एक आरओसी वक्र कार्य कसे करते?

आरओसी किंवा रिसीव्हर ऑपरेटिंग वैशिष्ट्यपूर्ण वक्र खरा आशावादी दर आणि विविध उंबरठ्यांवरील चुकीचे-सकारात्मक दर यांच्यातील फरक यांचे ग्राफिकल चित्रण आहे. हे डायग्नोस्टिक टेस्ट मूल्यांकनसाठी एक मूलभूत साधन आहे आणि सामान्यत: मॉडेलच्या संवेदनशीलता (खरा पॉझिटिव्ह) विरूद्ध खोटे गजर (खोट्या पॉझिटिव्ह्स) ट्रिगर करण्याच्या संभाव्यते दरम्यानच्या व्यापार-ऑफचे उदाहरण म्हणून वापरले जाते.

  • वक्र संवेदनशीलता आणि विशिष्टता यांच्यातील व्यापार दर्शवितात - जर संवेदनशीलता वाढली तर विशिष्टता कमी होईल.
  • जर वक्र डाव्या हाताच्या अक्षांच्या दिशेने आणि आरओसी जागेच्या वरच्या भागाच्या दिशेने जादा सीमा असेल तर, चेक बहुतेक वेळा अतिरिक्त बरोबर असतो. तथापि, जर वक्र आरओसी क्षेत्राच्या 45-डिग्री कर्णकोळाजवळ आला तर धनादेश कमी योग्य किंवा विश्वसनीय आहे.
  • कटपॉईंटवर टेंझेंट लाइनचा उतार चाचणीच्या अचूक मूल्यासाठी संभाव्यता प्रमाण (एलआर) दर्शवितो.
  • वक्र खाली क्षेत्र परीक्षेची अचूकता मोजते.

हे देखील वाचा: 2021 मध्ये भारतातील डीप लर्निंग इंजिनियर पगार [फ्रेशर्स आणि अनुभवींसाठी]

  1. टाइप 1 आणि टाइप 2 त्रुटींमधील फरक स्पष्ट करा?

प्रकार 1 त्रुटी ही एक खोट्या आशावादी त्रुटी आहे जी 'दावा करते' अशी घटना घडली की प्रत्यक्षात काहीही झाले नाही. खोट्या आशावादी त्रुटीची सर्वात चांगली घटना म्हणजे खोट्या चूटीचा गजर. आग नसताना गजर वाजविण्यास सुरवात होते. याउलट, टाइप 2 त्रुटी ही एक चुकीची प्रतिकूल त्रुटी आहे जी जेव्हा एखादी गोष्ट निश्चितपणे घडते तेव्हा 'हक्क' काहीही नसते. गर्भवती महिलेला मूल नसल्याचे सांगितले तर ती टाइप 2 टाईर होऊ शकते.

  1. बायसला “भोळे बाय” म्हणून का ओळखले जाते?

नायवे बायसला "भोळे" म्हणून ओळखले जाते कारण त्यात बर्‍याच शहाणा कार्ये आहेत, मुख्यतः वास्तविक जीवनातील डेटा शोधणे शक्य नाही या कल्पनेवर आधारित आहे - डेटा सेटमधील सर्व पर्याय आवश्यक, स्वतंत्र, आणि समान. नायवे बायस पद्धतीत, सशर्त संभाव्यता मोजली जाते कारण विशिष्ट व्यक्ती घटकांच्या संभाव्यतेचे शुद्ध उत्पादन, ज्यामुळे पर्यावरणास संपूर्ण स्वातंत्र्य मिळते. दुर्दैवाने, ही समज वास्तविकतेच्या परिस्थितीत पूर्ण केली जाऊ शकत नाही.

  1. 'ओव्हरफिटिंग' या शब्दाने काय म्हटले जाते? आपण त्यापासून दूर राहण्यास सक्षम आहात? अशा प्रकरणात, कसे?

सामान्यत: कोचिंग प्रक्रियेद्वारे, मॉडेलला मोठ्या प्रमाणात डेटा दिला जातो. पद्धतीच्या मध्यभागी, डेटा पॅटर्न डेटा सेटमध्ये असलेल्या चुकीच्या माहिती आणि आवाजातून देखील शिकण्यास सुरवात होते. हे नवीन डेटावरील मॉडेलच्या कार्यक्षमतेवर प्रतिकूल प्रभाव निर्माण करते, म्हणजेच मॉडेल प्रशिक्षण संच व्यतिरिक्त इतर नवीन घटना / डेटाचे अचूक वर्गीकरण करू शकत नाही. याला ओव्हरफिटिंग असे नाव आहे.

नक्कीच, ओव्हरफिटिंगपासून दूर रहाणे प्राप्य आहे. कसे ते येथे आहे:

  • पूर्णपणे भिन्न नमुन्यांसह मॉडेलच्या प्रशिक्षणासाठी अधिक डेटा (भिन्न स्त्रोतांमधून) गोळा करा.
  • डेटा सेटच्या पूर्णपणे भिन्न युनिटवर असंख्य रेझोल्यूशनच्या झाडाचे निष्कर्ष काढून अंदाज बांधून बॅगिंग पध्दतीचा अंदाज लावण्यासाठी बॅगिंग पध्दतीचा उपयोग करा (उदाहरणार्थ रँडम फॉरेस्ट).
  • क्रॉस-वैधता तंत्रांचा वापर करण्याचे सुनिश्चित करा.
  1. पर्यवेक्षित शिक्षणामध्ये कॅलिब्रेशनसाठी वापरल्या जाणार्‍या 2 पद्धतींची नावे द्या.

पर्यवेक्षित शिक्षणामधील दोन कॅलिब्रेशन पद्धती आहेत - प्लॅट कॅलिब्रेशन आणि आयसोटॉनिक रीग्रेशन. या प्रत्येक पद्धती विशेषतः बायनरी वर्गीकरणासाठी डिझाइन केल्या आहेत.

  1. आपण निर्णय घेणार्‍या झाडाची छाटणी का करता?

कमकुवत भाकित कलागुण असलेल्या शाखा काढून टाकण्यासाठी निर्णय बुशांची छाटणी करावी. हे डिसिझन ट्री मॉडेलची जटिलता कमी करण्यास आणि त्याच्या भविष्यवाणीच्या अचूकतेस अनुकूल करण्यास मदत करते. रोपांची छाटणी टॉप-डाऊन किंवा बॉटम-अप दोन्हीद्वारे केली जाऊ शकते. कमी केलेल्या त्रुटीची छाटणी, खर्च-गुंतागुंतीची छाटणी, त्रुटी जटिलता छाटणी आणि कमीतकमी त्रुटी छाटणी ही सर्वात जास्त वापरल्या जाणार्‍या रिझोल्यूशन ट्री रोपांची छाटणी करण्याच्या काही पद्धती आहेत.

  1. एफ 1 स्कोअर म्हणजे काय?

सोप्या वाक्यांशांमध्ये, एफ 1 स्कोअर हे मॉडेलच्या कार्यक्षमतेचे एक माप आहे - मॉडेलच्या प्रेसिजन आणि रिकॉलचा एक अर्थ, जवळपास 1 चे परिणाम सर्वात चांगले असतात आणि 0 च्या जवळील लोक सर्वात वाईट असतात. एफ 1 स्कोअरचा वापर वर्गीकरण मूल्यांकनांमध्ये केला जाऊ शकतो जो खर्‍या नकारात्मकतेला महत्त्व देत नाही.

हेही वाचा: कृत्रिम न्यूरल नेटवर्कचे 7 प्रकार एमएल अभियंत्यांना माहित असणे आवश्यक आहे

  1. जनरेटिव्ह आणि डिस्फरमिनेटिव्ह अल्गोरिदम दरम्यान फरक करा.

जेनेरेटिव्ह अल्गोरिदम डेटाची श्रेणी शिकतो, तर एक भेदभाव करणारा अल्गोरिदम डेटाच्या भिन्न भिन्न श्रेणींमधील उत्कृष्टता शिकतो. वर्गीकरण कर्तव्याच्या बाबतीत, भेदभाव करणारे मॉडेल सामान्यत: उत्पादक मॉडेल्सला मागे टाकतात.

  1. इन्सम्बल लर्निंग म्हणजे काय?

मॉडेलची भविष्यवाणी कार्यक्षमता अनुकूल करण्यासाठी एन्सेम्बल लर्निंग लर्निंग अल्गोरिदमच्या मिश्रणाचा वापर करते. या तंत्रावर, क्लासिफायर्स किंवा सल्लागारांसारख्या अनेक मॉडेल्समध्ये प्रत्येकी रणनीतिकदृष्ट्या व्युत्पन्न केले जाते आणि मॉडेल्समध्ये ओव्हरफिटिंग थांबविण्यासाठी मिश्रित केले जातात. हे मॉडेलचे अंदाज, वर्गीकरण, कार्य अंदाजे, कार्यक्षमता आणि इतर बरेच लोक वर्धित करण्यासाठी वापरले जाते.

  1. बाह्यरेखा 'कर्नेल युक्ती'.

कर्नल ट्रिक तंत्रात कर्नल वैशिष्ट्यांचा वापर समाविष्ट आहे जो उच्च परिमाण आणि अंतर्भूत वैशिष्ट्यपूर्ण क्षेत्रामध्ये कार्य करू शकतो आणि त्या परिमाणातील घटकांच्या निर्देशांकांची स्पष्टपणे गणना करू शकेल. कर्नल फंक्शन्स वैशिष्ट्यपूर्ण क्षेत्रात उपस्थित असलेल्या सर्व जोड्यांच्या डेटाच्या छायाचित्रांमधील अंतर्गत उत्पादनांची गणना करतात. निर्देशांकांच्या विशिष्ट मोजणीच्या तुलनेत ही प्रक्रिया संगणकीयदृष्ट्या स्वस्त आहे आणि त्याला कर्नल ट्रिक असे नाव देण्यात आले आहे.

  1. डेटासेटमध्ये गहाळ किंवा दूषित डेटाचा कसा सामना करावा लागेल?

डेटासेटमध्ये उणीव / दूषित डेटा शोधण्यासाठी आपल्याला पंक्ती आणि स्तंभ दोन्ही ड्रॉप करावे किंवा त्यांना भिन्न मूल्यांसह बदलावे लागेल. पांडस लायब्ररीकडे डेटाचा अभाव / दूषित डेटा शोधण्याची दोन चांगली रणनीती आहेत - isnull () आणि ड्रॉपना (). त्यातील प्रत्येक वैशिष्ट्ये विशेषतः डिझाइन केली गेली आहेत जी डेटाच्या कमतरता / दूषित डेटासह पंक्ती / स्तंभ शोधण्यात आणि ही मूल्ये सोडण्यात मदत करू शकतात.

  1. हॅश टेबल काय आहे?

हॅश टेबल एक डेटा कंस्ट्रक्शन आहे जे एक असोसिएटिव्ह अ‍ॅरे तयार करते, ज्यायोगे हॅश फंक्शनच्या वापराद्वारे विशिष्ट मूल्यांमध्ये की चा मॅप केली जाते. डेटाबेस अनुक्रमणिकेमध्ये हॅश टेबलचा मोठ्या प्रमाणात वापर केला जातो.

प्रश्नांची यादी फक्त मशीन लर्निंग आणि मशीन लर्निंग मुलाखत प्रश्नांच्या मूलभूत गोष्टींशी परिचित करण्यासाठी आहे आणि हे पंधरा प्रश्न फक्त समुद्रातील एक थेंब आहेत. आम्ही संवाद साधत असताना मशीन लर्निंग प्रगती करत आहे आणि म्हणूनच काळानुसार नवीन कल्पना उदयास येतील. आपल्या नखे ​​करण्यासाठी महत्वाची गोष्ट मशीन लर्निंग मुलाखत प्रश्नम्हणूनच, अभ्यास आणि अपस्किलच्या अथक इच्छेचा आश्रय घेण्यामध्ये आहे. तर, प्रारंभ करा आणि इंटरनेटला चापट लावा, जर्नल्स शिका, ऑनलाइन समुदायात भाग घ्या, मशीन लर्निंग मुलाखतीमध्ये भाग घ्या, परिषद आणि सेमिनार - अशा बर्‍याच पद्धती शिकण्यासाठी आहेत.

आम्हाला इन्स्टाग्रामवर फॉलो करा (@uniquenewsonline) आणि फेसबुक (@uniquenewswebsite) विनामूल्य नियमित बातम्या अद्यतने मिळविण्यासाठी

संबंधित लेख