สารบัญ:
- คำถามสัมภาษณ์ Machine Learning
- อัลกอริทึม
- กรอบและภาษา
- การสร้างโครงข่ายประสาทเทียม
- การประเมินแบบจำลอง (ประสิทธิภาพ)
- โครงการ
- คำถามเกี่ยวกับพฤติกรรม
คำถามสัมภาษณ์ Machine Learning
การสัมภาษณ์วิศวกรแมชชีนเลิร์นนิงจะต้องใช้เทคนิคมาก แต่เป็นโอกาสของคุณที่จะแสดงให้เห็นว่าอะไรทำให้คุณเป็นผู้สมัครที่ดีที่สุด
เตรียมตัวให้พร้อมกับคำถามสัมภาษณ์ปัญญาประดิษฐ์และแมชชีนเลิร์นนิงและวิธีตอบคำถามเหล่านี้
ผู้สัมภาษณ์ยังสามารถใช้รายการนี้เพื่อสร้างการสัมภาษณ์ที่เผยให้เห็นความสามารถของผู้สมัครที่เรียนรู้ด้วยเครื่อง คุณจะได้เรียนรู้ทักษะทางเทคนิคและความสามารถในการคิดวิเคราะห์
คำถามที่คาดหวังในการสัมภาษณ์แมชชีนเลิร์นนิง
Flickr
อัลกอริทึม
เตรียมพร้อมที่จะอวดความรู้เกี่ยวกับอัลกอริทึมการเรียนรู้แบบตื้น ๆ เว้นแต่คุณจะสมัครในตำแหน่ง Data Scientist ที่เข้มงวดผู้สัมภาษณ์จะไม่ต้องกังวลกับคำถามเกี่ยวกับอัลกอริทึมมากเกินไป แต่คุณควรจะสามารถพูดคุยเกี่ยวกับอินพุตและอัลกอริทึมใดที่ใช้กับแอปพลิเคชันได้ดี
1. คุณจะใช้ KNN (k เพื่อนบ้านที่ใกล้ที่สุด) เมื่อไร?
KNN มักจะใช้ในการจำแนกประเภท เป็นหนึ่งในอัลกอริทึมที่ง่ายและใช้มากที่สุดในแมชชีนเลิร์นนิง
คำตอบของคุณอาจแตกต่างกันไปขึ้นอยู่กับประสบการณ์ของคุณ แต่ฉันจะพิจารณา KNN ในกรณีส่วนใหญ่เมื่อมีการระบุชั้นเรียนและคุณลักษณะ
2. อธิบายวิธีการทำงานของ SVM (Support Vector Machine) คุณจะใช้ SVM กับข้อมูลที่ไม่ใช่เชิงเส้นได้อย่างไร
SVM สร้างไฮเปอร์เพลนหรือขอบเขตการตัดสินใจเพื่อจัดประเภทข้อมูลอินพุตตามด้านใดของขอบเขตที่ข้อมูลใหม่อยู่ พวกเขาได้รับการปรับให้เหมาะสมโดยการเพิ่มระยะขอบระหว่างขอบเขตและจุดข้อมูลให้มากที่สุด
โปรดจำไว้ว่าเมล็ดมักจะซ้อนกับ SVM Kernels เปลี่ยนข้อมูลที่ไม่ใช่เชิงเส้นให้เป็นข้อมูลเชิงเส้นเพื่อให้ SVM สามารถปรับให้เหมาะสมได้
กรอบและภาษา
ผู้สัมภาษณ์จะต้องการทราบว่าคุณใช้ภาษาและกรอบงานใดบ้าง พวกเขาจะใช้คำถามเหล่านี้เพื่อทำความเข้าใจว่าคุณจะเลือกกรอบการทำงานใหม่ได้เร็วเพียงใดและคุณจะเข้ากับกรอบงานใดที่มีให้สำหรับปัญญาประดิษฐ์ได้อย่างไร
3. ทำไมคุณถึงชอบใช้
ทุกอย่างในประวัติย่อของคุณคือเกมที่ยุติธรรม โดยเฉพาะภาษาโปรแกรมที่คุณระบุไว้ในทักษะของคุณ ดังนั้นเตรียมพร้อมที่จะพูดคุยเกี่ยวกับรายละเอียดทั้งหมด
หากคำตอบที่เป็นจริงคือคุณใช้ภาษานั้นเพียงเพราะนั่นคือสิ่งที่พวกเขาใช้ในงานสุดท้ายของคุณก็ไม่เป็นไร เพียงเตรียมพร้อมที่จะพูดคุยเกี่ยวกับข้อดีและข้อเสียของภาษาจากมุมมองของแมชชีนเลิร์นนิง
4. บอกฉันเกี่ยวกับประสบการณ์การใช้
หากคุณคุ้นเคยกับกรอบงานที่ บริษัท ใช้สิ่งนี้น่าจะเป็นเรื่องง่ายสำหรับคุณ แน่นอนว่าหากคุณระบุไว้ในประวัติย่อของคุณคุณควรจะสามารถพูดคุยเกี่ยวกับพวกเขาได้ทั้งหมด
หากคุณไม่ได้ใช้กรอบงานที่เฉพาะเจาะจงมากนักนั่นก็ไม่จำเป็นต้องเป็นตัวทำลายข้อตกลง วิศวกรซอฟต์แวร์ทุกคนที่มีค่าเกลือควรสามารถปรับตัวให้เข้ากับกรอบการทำงานใหม่ได้โดยไม่ต้องเรียนรู้มาก รายละเอียดงานมีแนวโน้มที่จะแสดงรายการแพลตฟอร์มหลักบางส่วนที่ บริษัท ใช้ หาข้อมูลก่อนเริ่มการสัมภาษณ์
บางแง่มุมที่ควรเน้นเมื่อทำการวิจัยกรอบงานใหม่:
- งานใดที่จัดการได้ดีที่สุด
- จุดแข็ง / จุดอ่อนคืออะไร?
- ภาษาใดที่เชื่อมต่อกับเฟรมเวิร์กได้ดี
คุณต้องสามารถพูดคุยเกี่ยวกับสภาพแวดล้อมนั้นได้อย่างชาญฉลาด
หากเฟรมเวิร์กเป็นโอเพ่นซอร์สให้ลองใช้กับคอมพิวเตอร์ส่วนบุคคลของคุณ นอกจากนี้ยังมีชั้นเรียนออนไลน์ราคาประหยัดที่คุณสามารถเรียนได้ซึ่งจะให้ใบอนุญาตชั่วคราวแก่คุณ
การสร้างโครงข่ายประสาทเทียม
5. คุณจะทำอย่างไรถ้าอัลกอริทึมของคุณไม่มาบรรจบกัน?
คำถามนี้เป็นคำถามปลายเปิดที่น่าจะง่ายสำหรับทุกคนที่ทำงานเกี่ยวกับแมชชีนเลิร์นนิง
การลดอัตราการเรียนรู้ (อัลฟา) เป็นขั้นตอนแรกที่ดี ในฐานะผู้สัมภาษณ์ฉันต้องการเห็นผู้สมัครอธิบายวิธีการที่สมเหตุสมผลกว่าในการค้นหาอัลฟ่า ลองใช้ช่วงอัลฟาเชิงกลยุทธ์และพล็อตฟังก์ชันต้นทุนตามจำนวนการทำซ้ำ
6. เมื่อไหร่ที่คุณจะใช้ Gradient Descent vs Normal Equation?
คุณอาจถามเกี่ยวกับข้อดีข้อเสียของวิธีการต่างๆเพื่อเพิ่มประสิทธิภาพอัลกอริทึม
โปรดจำไว้ว่าไม่สามารถใช้สมการปกติกับการจำแนกได้ดังนั้นการเปรียบเทียบนี้จึงมีความสำคัญสำหรับการถดถอย สมการปกติจะถูกเลือกเมื่อจำนวนคุณสมบัติไม่มาก มีข้อได้เปรียบเหนือการไล่ระดับสีตรงที่คุณไม่จำเป็นต้องเลือกอัตราการเรียนรู้หรือทำซ้ำ
ถ้ามีคุณสมบัติเยอะสมการปกติจะช้ามากดังนั้นฉันจะเลือกการไล่ระดับสี
คาดหวังคำถามเกี่ยวกับการสร้างเครือข่ายประสาทเทียมในการสัมภาษณ์ตำแหน่งแมชชีนเลิร์นนิงหรือปัญญาประดิษฐ์
WikimediaCommons
การประเมินแบบจำลอง (ประสิทธิภาพ)
งานหลักอย่างหนึ่งของวิศวกรแมชชีนเลิร์นนิงคือการเพิ่มประสิทธิภาพเครือข่ายประสาทเทียมและทำความเข้าใจว่ามันทำงานได้ดีเพียงใด
7. ทำไม overfitting จึงไม่ดีและคุณจะแก้ไขได้อย่างไร?
Overfitting คือเมื่ออัลกอริทึมเหมาะกับข้อมูลการฝึกอบรมเป็นอย่างดี แต่ทำนายสถานการณ์ใหม่ได้อย่างแม่นยำ เห็นได้ชัดว่าสิ่งนี้ไม่ดีเพราะไม่มีประโยชน์สำหรับสถานการณ์ในโลกแห่งความเป็นจริง
อธิบายสองสามวิธีที่สามารถปรับปรุงการติดตั้งมากเกินไปได้ การเพิ่มเงื่อนไขการทำให้เป็นมาตรฐานและการเพิ่มแลมด้าอาจมีผลดี การลดจำนวนคุณสมบัติหรือลดลำดับของพหุนามเป็นตัวเลือก แต่ไม่ใช่ตัวเลือกที่ถูกต้องในทุกสถานการณ์
8. คุณรู้ได้อย่างไรว่าแบบจำลองของคุณดี?
คำถามนี้คล้ายกับคำถามข้างต้นที่ผู้สมัครต้องเข้าใจวิธีประเมินแบบจำลอง
คุณสามารถอธิบายได้ว่าข้อมูลการฝึกอบรมที่มีอยู่แบ่งออกเป็นข้อมูลการฝึกอบรมข้อมูลการตรวจสอบและข้อมูลการทดสอบได้อย่างไรและข้อมูลแต่ละข้อใช้สำหรับอะไร ฉันต้องการฟังผู้สมัครพูดคุยเกี่ยวกับการเปลี่ยนแปลงระดับพหุนามและแลมด้าและเปรียบเทียบข้อผิดพลาดในข้อมูลการตรวจสอบความถูกต้อง
โครงการ
มาสัมภาษณ์พร้อมพูดคุยโครงการก่อนหน้านี้ เช่นเดียวกับการสัมภาษณ์ใด ๆ สิ่งใด ๆ ในประวัติย่อของคุณคือเกมที่ยุติธรรม
เตรียมผลงานโครงการจากที่ทำงานโรงเรียนหรือของใช้ส่วนตัวให้พร้อม คุณอาจถูก จำกัด ในสิ่งที่คุณสามารถพูดได้จากข้อตกลงการไม่เปิดเผยข้อมูลหรืองานแยกประเภทดังนั้นโปรดระบุสิ่งที่คุณสามารถพูดคุยได้อย่างชัดเจน
คำถามที่คุณคาดหวังมีดังนี้
9. โครงการแมชชีนเลิร์นนิงที่คุณชอบทำคืออะไร?
เพื่อประโยชน์ในการสัมภาษณ์ครั้งนี้คุณอาจเลือกโครงการที่เกี่ยวข้องกับงานมากที่สุดเป็นรายการโปรดของคุณ นี่จะทำให้คุณมีโอกาสที่จะเน้นประสบการณ์ที่เกี่ยวข้องของคุณ
หากคุณต้องการพูดคุยเกี่ยวกับสิ่งที่คุณชอบมากที่สุดเพื่อให้ผู้จัดการฝ่ายว่าจ้างทราบว่าคุณจะชอบตำแหน่งใหม่หรือไม่นั่นก็เป็นความคิดที่ดี
10. บอกฉันเกี่ยวกับปัญหาที่ยากที่คุณแก้ไขได้
เลือกปัญหาที่สามารถอธิบายได้ง่าย ส่วนหนึ่งของการตอบคำถามนี้ได้ดีคือการแสดงให้เห็นว่าคุณสามารถอธิบายปัญหาของแมชชีนเลิร์นนิงที่ซับซ้อนให้กับผู้ชมที่ไม่ใช่ด้านเทคนิค
เมื่อคุณอธิบายวิธีแก้ปัญหาของคุณอย่ารับเครดิตเว้นแต่ว่าจะเป็นความพยายามทั้งหมดของคุณจริงๆ การมีส่วนร่วมในทีมของคุณจะแสดงให้เห็นว่าคุณเป็นผู้เล่นในทีมที่ดี หากเป็นไปได้ให้ชี้ให้ลูกค้าทราบถึงผลกระทบต่อกำหนดการและงบประมาณของปัญหานี้ แสดงให้เห็นว่าการมีส่วนร่วมของคุณเพิ่มมูลค่าให้กับกำไรได้อย่างไรไม่ใช่แค่ปัญหาเฉพาะหน้า
คำถามเกี่ยวกับพฤติกรรม
อย่าลืมว่าการสัมภาษณ์ส่วนใหญ่มักจะมีคำถามเกี่ยวกับพฤติกรรมด้วย และสำหรับวิศวกรและนักวิทยาศาสตร์ข้อมูลจำนวนมากนี่เป็นส่วนที่ยากที่สุด! เราใช้เวลามากมายในการเตรียมตัวสำหรับคำถามทางเทคนิคซึ่งเราลืมไปว่าจะถูกประเมินโดยวิธีที่เราเหมาะสมกับทีม
คำถามเกี่ยวกับพฤติกรรมที่สำคัญกว่าอยู่ด้านล่างเพื่อให้คุณสามารถเตรียมตัวล่วงหน้าได้ สำหรับคำถามที่ขอให้คุณอธิบายเวลาที่เจาะจงให้ใช้แบบจำลอง STAR เพื่อสรุปคำตอบของคุณ อ่าน