Будите спремни за ових 13 питања о интервјуу о машинском учењу

Питања за интервју за машинско учење

Интервју за инжењера машинског учења биће врло технички, али то је ваша прилика да покажете шта вас чини најбољим кандидатом.

Припремите се са овим питањима за интервјуе о вештачкој интелигенцији и машинском учењу и како да одговорите на њих.

Анкетари такође могу да користе ову листу за израду интервјуа који открива способност кандидата за машинско учење. Научићете њихове техничке вештине и способност критичког размишљања.

Питања која се очекују у интервјуу за машинско учење.

Флицкр

Алгоритми

Будите спремни показати своје знање о плитким алгоритмима учења. Ако се не пријавите за строго радно место Дата Сциентист, анкетар неће улазити у превише глупости са питањима о алгоритму. Али требало би да можете да разговарате о улазима и о томе који алгоритми се најбоље користе за коју апликацију.

1. Када бисте користили КНН (к најближих суседа)?

КНН се обично користи за класификацију. То је један од најједноставнијих и најчешће коришћених алгоритама у машинском учењу.

Ваш одговор се може разликовати у зависности од вашег искуства, али ја бих узео у обзир КНН у већини случајева када су класе и функције означене

2. Опишите како функционише СВМ (Суппорт Вецтор Мацхине). Како можете да користите СВМ-ове са нелинеарним подацима?

СВМ креира хиперплан или границу одлуке за класификацију улазних података на основу тога на којој страни границе леже нови подаци. Оптимизирају се повећањем размака између границе и тачака података што је више могуће.

Имајте на уму да се језгра често слажу са СВМ-овима. Језгра трансформишу нелинеарне податке у линеарне податке тако да СВМ може бити оптимизован.

Оквири и језици

Анкетар ће желети да зна које језике и оквире сте користили. Они ће такође користити ова питања да би стекли представу о томе колико брзо ћете прихватити нови оквир и колико сте у складу са оним оквирима који су доступни за вештачку интелигенцију.

3. Зашто волите да користите ?

Све у вашем животопису је поштена игра. Нарочито програмски језици које наводите у својим вештинама. Зато будите спремни да разговарате о свим детаљима.

Ако је истинит одговор да сте тај језик користили само зато што су то користили на вашем последњем послу, то је у реду. Само будите спремни да разговарате о предностима и недостацима језика из перспективе машинског учења.

4. Причајте ми о свом искуству коришћења ?

Ако сте упознати са оквиром који компанија користи, ово би вам требало бити лако. Свакако, ако сте их навели у животопису, могли бисте разговарати о њима.

Ако нисте користили тај специфични оквир много, то не мора нужно бити прелом. Било који софтверски инжењер вредан његове соли требало би да буде у стању да се прилагоди новом оквиру без велике криве учења. У опису посла ће се вероватно наћи неколико главних платформи које компанија користи. Истражите их пре почетка интервјуа.

Неки аспекти на које треба усредсредити се приликом истраживања новог оквира:

• Са којим задацима се најбоље носи?
• Које су снаге / слабости?
• Који се језици добро повезују са оквиром?

Морате бити у стању да интелигентно разговарате о том окружењу.

Ако је оквир отвореног кода, испробајте га на личном рачунару. Постоје и неки приступачни онлајн часови које можете похађати и који ће вам дати привремену лиценцу.

Изградња неуронских мрежа

5. Шта бисте урадили ако се ваш алгоритам не конвергира?

Ово је отворено питање које би требало бити лако свима који раде у машинском учењу.

Смањивање нивоа учења (алфа) је добар први корак. Као анкетар, волео бих да кандидат види логичнији приступ проналажењу алфе. Испробајте стратешки опсег алфа и исцртајте функцију трошкова у односу на број итерација.

6. Када бисте користили Градиент Десцент вс Нормал Екуатион?

Можда ћете питати о предностима и недостацима различитих метода за оптимизацију алгоритма.

Имајте на уму да се нормална једначина не може користити са класификацијом, тако да је ово поређење важно само за регресију. Нормална једначина се бира када број карактеристика није превише велик. Има предност у односу на градијентни спуст у томе што не морате да бирате брзину учења или понављате.

Ако има пуно карактеристика, тада је нормална једначина врло спора, па бих изабрао градијентни спуст.

Очекујте питања о изградњи неуронских мрежа у интервјуу за позицију машинског учења или вештачке интелигенције.

ВикимедиаЦоммонс

Оцењивање модела (перформансе)

Један од примарних послова инжењера машинског учења је оптимизација неуронске мреже и разумевање њене добре перформансе.

7. Зашто је прекомерно опремање лоше и како то можете поправити?

Прекомерно опремање је када алгоритам врло добро одговара подацима са тренинга, али тачно предвиђа нове ситуације. Очигледно је да је ово лоше јер није корисно за ситуације у стварном свету.

Опишите неколико начина на које се прекомерно опремање може побољшати. Додавање појма регуларизације и повећање ламбда може имати добре резултате. Смањивање броја карактеристика или смањивање редоследа полинома су опције, али нису прави избор у свакој ситуацији.

8. Како знати да ли је ваш модел добар?

Ово је слично горенаведеном питању где кандидат треба да разуме како се оцењују модели.

Можете објаснити како се доступни подаци о обуци деле на податке о обуци, податке о валидацији и податке о тестовима и за шта се сваки користи. Желео бих да чујем кандидата како говори о варирању полиномског степена и ламбда и упоређивању грешке у подацима о валидацији.

Пројекти

Дођите на интервју спремни да разговарамо о претходним пројектима. Као и на сваком интервјуу, све у вашем животопису је поштена игра.

Припремите портфолио пројеката са посла, из школе или из личне употребе. Можда ћете бити ограничени у ономе што можете рећи из Уговора о неоткривању података или поверљивог дела, па будите јасни о чему можете разговарати.

Ево неколико питања која можете очекивати:

9. Који је био ваш омиљени пројекат машинског учења на којем сте радили?

Зарад овог интервјуа можда ћете најдражи пројекат одабрати за свој посао. Ово ће вам пружити прилику да истакнете своје релевантно искуство.

Ако бисте радије разговарали о томе који вам је био најдражи да бисте менаџеру запошљавања дали идеју да ли ће вам се свидети нова позиција, и то је добра идеја.

10. Реци ми о тешком проблему који си решио.

Изаберите проблем који се лако може описати. Део доброг одговора на ово питање показује да можете описати сложене проблеме машинског учења нетехничкој публици.

Када описујете своје решење, немојте узимати кредит осим ако то заиста није био сав ваш труд. Пуштањем доприноса вашег тима показаће се да сте добар тимски играч. Ако је применљиво, укажите на утицаје овог проблема на купца, распоред и буџет. Покажите како својим доприносима додате вредност у дну, а не само тренутни проблем.

Бихевиорална питања

Не заборавите да ће интервју највероватније садржати бихевиорална питања. А многим инжењерима и научницима података ово је најтежи део! Толико времена проводимо у припреми за техничка питања која заборављамо и која ће такође бити процењена према томе како се уклапамо у тим.

Важнија бихејвиорална питања су испод како бисте се могли припремити пре времена. За питања која вас траже да опишете одређено време, користите СТАР модел да бисте истакли своје одговоре. читати