Buďte připraveni na těchto 13 otázek týkajících se strojového učení

Dotazy na rozhovor se strojovým učením

Pohovor pro inženýra strojového učení bude velmi technický, ale je to vaše šance ukázat, co z vás dělá nejlepšího kandidáta.

Připravte se na tyto otázky týkající se rozhovorů s umělou inteligencí a strojovým učením a na to, jak na ně odpovědět.

Tazatelé mohou také použít tento seznam k sestavení pohovoru, který odhalí schopnost kandidátů na strojové učení. Naučíte se jejich technické dovednosti a schopnost kriticky myslet.

Otázky, které můžete očekávat v rozhovoru pro strojové učení.

Flickr

Algoritmy

Buďte připraveni předvést své znalosti plytkých algoritmů učení. Pokud se neusilujete o přísnou pozici Data Scientist, tazatel se s otázkami o algoritmu příliš nepohne. Ale měli byste být schopni mluvit o vstupech a o tom, jaké algoritmy se nejlépe používají pro jakou aplikaci.

1. Kdy byste použili KNN (k nejbližší sousedé)?

KNN se obvykle používá pro klasifikaci. Je to jeden z nejjednodušších a nejpoužívanějších algoritmů ve strojovém učení.

Vaše odpověď se může lišit podle vašich zkušeností, ale považuji KNN ve většině případů, když jsou třídy a funkce označeny

2. Popište, jak funguje SVM (Support Vector Machine). Jak můžete použít SVM s nelineárními daty?

SVM vytvoří nadrovinu nebo rozhodovací hranici pro klasifikaci vstupních dat na základě toho, na které straně hranice leží nová data. Jsou optimalizovány tím, že se co nejvíce zvětší okraj mezi hraničními a datovými body.

Pamatujte, že jádra jsou často spojena s SVM. Jádra transformují nelineární data na lineární data, takže lze optimalizovat SVM.

Rámečky a jazyky

Tazatel bude chtít vědět, jaké jazyky a rámce jste použili. Tyto otázky také použijí k získání představy o tom, jak rychle si osvojíte nový rámec a jak jste naladěni s tím, jaké rámce jsou k dispozici pro umělou inteligenci.

3. Proč rád používáte ?

Cokoli ve vašem životopise je férová hra. Zejména programovací jazyky, které uvedete ve svých dovednostech. Buďte tedy připraveni hovořit o všech vstupech a výstupech.

Pokud je pravdivá odpověď, že jste použili pouze tento jazyk, protože to používali ve vašem posledním zaměstnání, je to v pořádku. Buďte připraveni hovořit o výhodách a nevýhodách jazyka z pohledu strojového učení.

4. Povězte mi o svých zkušenostech s používáním ?

Pokud znáte rámec, který společnost používá, mělo by to být pro vás snadné. Jistě, pokud jste je uvedli ve svém životopise, měli byste být schopni o nich mluvit všechno.

Pokud jste tento konkrétní rámec příliš nepoužívali, nemusí to nutně znamenat dohodu. Každý softwarový inženýr, který si zaslouží svou sůl, by měl být schopen přizpůsobit se novému rámci bez velké křivky učení. V popisu úlohy bude pravděpodobně uveden seznam několika hlavních platforem, které společnost používá. Před zahájením pohovoru si je důkladně prostudujte.

Při zkoumání nového rámce je třeba se zaměřit na některé aspekty:

Jaké úkoly zvládá nejlépe?
Jaké jsou silné a slabé stránky?
Které jazyky dobře fungují s rámcem?

Musíte být schopni inteligentně mluvit o tomto prostředí.

Pokud je rámec otevřený, zkuste to na svém osobním počítači. K dispozici jsou také některé cenově dostupné online kurzy, které vám mohou poskytnout dočasnou licenci.

Budování neuronových sítí

5. Co byste dělali, kdyby se váš algoritmus nespojoval?

Jedná se o otevřenou otázku, která by měla být snadná pro každého, kdo pracuje ve strojovém učení.

Dobrým prvním krokem je snížení rychlosti učení (alfa). Jako tazatel bych chtěl, aby kandidát popsal logičtější přístup k hledání alfa. Vyzkoušejte strategický rozsah alfů a vykreslete nákladovou funkci na počet iterací.

6. Kdy byste použili gradientní klesání vs normální rovnici?

Možná se vás zeptáte na výhody a nevýhody různých metod optimalizace algoritmu.

Pamatujte, že normální rovnici nelze použít s klasifikací, takže toto srovnání je důležité pouze pro regresi. Normální rovnice je vybrána, když počet prvků není příliš velký. Má výhodu oproti klesání v tom, že nemusíte volit rychlost učení nebo iterovat.

Pokud existuje mnoho funkcí, pak je normální rovnice velmi pomalá, takže bych zvolil gradientní sestup.

Očekávejte otázky týkající se budování neuronových sítí v rozhovoru pro pozici strojového učení nebo umělé inteligence.

WikimediaCommons

Hodnocení modelů (výkon)

Jednou z hlavních úloh inženýra strojového učení je optimalizovat neurální síť a pochopit, jak dobře funguje.

7. Proč je overfitting špatný a jak to napravit?

Overfitting je situace, kdy algoritmus velmi dobře zapadá do tréninkových dat, ale přesně předpovídá nové situace. Je zřejmé, že je to špatné, protože to není užitečné pro situace v reálném světě.

Popište několik způsobů, jak lze overfitting vylepšit. Přidání termínu pro regularizaci a zvýšení lambda může mít dobré výsledky. Snížení počtu funkcí nebo snížení pořadí polynomů jsou možnosti, ale nejsou správnými možnostmi v každé situaci.

8. Jak zjistíte, zda je váš model dobrý?

To je podobné jako u výše uvedené otázky, kde kandidát potřebuje porozumět tomu, jak hodnotit modely.

Můžete vysvětlit, jak jsou dostupná tréninková data rozdělena na Training Data, Validation Data a Test Data a k čemu se každá používá. Chtěl bych slyšet kandidáta mluvit o měnícím se polynomiálním stupni a lambdě a o srovnání chyby v ověřovacích datech.

Projekty

Přijďte na pohovor připraveni diskutovat o předchozích projektech. Jako v každém rozhovoru, i ve vašem životopise je cokoli.

Připravte si portfolio projektů z práce, školy nebo z vašeho osobního použití. Možná budete omezeni v tom, co můžete říci ze smlouvy o zachování mlčenlivosti nebo z utajované práce, aby bylo jasné, o čem můžete diskutovat.

Zde můžete očekávat několik otázek:

9. Jaký byl váš oblíbený projekt strojového učení, na kterém jste pracovali?

Kvůli tomuto pohovoru si můžete vybrat projekt, který je pro danou práci nejrelevantnější. To vám dá šanci zdůraznit vaše relevantní zkušenosti.

Pokud byste raději mluvili o tom, který z nich byl váš oblíbený, abyste měli náborového manažera představu o tom, zda se vám nová pozice bude líbit, je to také dobrý nápad.

10. Pověz mi o těžkém problému, který jsi vyřešil.

Vyberte problém, který lze snadno popsat. Součástí správné odpovědi na tuto otázku je ukázka, že můžete popsat složité problémy strojového učení pro netechnické publikum.

Když popisujete své řešení, neberte si kredit, pokud to nebylo opravdu všechno vaše úsilí. Hraní příspěvků vašeho týmu ukáže, že jste dobrý týmový hráč. Je-li to relevantní, upozorněte na dopady tohoto problému na zákazníka, harmonogram a rozpočet. Ukažte, jak vaše příspěvky přidávají na spodním řádku hodnoty, nejen okamžitý problém.

Behaviorální otázky

Nezapomeňte, že pohovor bude s největší pravděpodobností zahrnovat otázky týkající se chování. A pro mnoho inženýrů a datových vědců je to ta nejtěžší část! Trávíme tolik času přípravou na technické otázky, na které zapomínáme, že budou také hodnoceny podle toho, jak zapadáme do týmu.

Níže jsou uvedeny důležitější otázky týkající se chování, abyste se mohli připravit předem. U otázek, které vás požádají o popis konkrétního času, použijte model STAR k nastínení vašich odpovědí. Číst