Мазмұны[Жасыру][Көрсету]
- 1. Терең оқыту дегеніміз не?
- 2. Терең оқытудың машиналық оқытудан айырмашылығы неде?
- 3. Нейрондық желілер туралы қазіргі түсінігіңіз қандай?
- 4. Перцептрон дегеніміз не?
- 5. Терең нейрондық желі дегеніміз не?
- 6. Көпқабатты перцептрон (MLP) дегеніміз не?
- 7. Нейрондық желіде активтендіру функциялары қандай мақсатта жұмыс істейді?
- 8. Градиенттің түсуі дегеніміз не?
- 9. Шығын функциясы дегеніміз не?
- 10. Терең желілер таяз желілерден қалай асып түседі?
- 11. Алға таралуды сипаттаңыз.
- 12. Кері таралу дегеніміз не?
- 13. Терең оқыту контекстінде градиентті қиюды қалай түсінесіз?
- 14. Softmax және ReLU функциялары қандай?
- 15. Нейрондық желі моделін 0-ге орнатылған барлық салмақтармен оқытуға болады ма?
- 16. Дәуірдің топтама мен итерациядан айырмашылығы неде?
- 17. Пакеттік нормалау және оқуды тоқтату дегеніміз не?
- 18. Стохастикалық градиенттің түсуін партиялық градиенттің түсуінен не ажыратады?
- 19. Неліктен нейрондық желілерге бейсызықтыларды қосу өте маңызды?
- 20. Терең оқытудағы тензор дегеніміз не?
- 21. Терең оқыту моделі үшін белсендіру функциясын қалай таңдар едіңіз?
- 22. CNN дегенді қалай түсінесіз?
- 23. CNN көптеген қабаттары қандай?
- 24. Шамадан тыс және дұрыс емес қолданудың салдары қандай және оларды қалай болдырмауға болады?
- 25. Терең оқытуда RNN дегеніміз не?
- 26. Adam Optimizer бағдарламасын сипаттаңыз
- 27. Терең автокодерлер: олар қандай?
- 28. Тензор ағынындағы тензор нені білдіреді?
- 29. Есептеу графигіне түсініктеме
- 30. Генеративті қарсыластық желілер (GAN): олар қандай?
- 31. Архитектураны жобалау кезінде нейрондық желіге қосу үшін нейрондар мен жасырын қабаттардың санын қалай таңдайсыз?
- 32. Тереңдетілген оқытуда нейрондық желілердің қандай түрлері қолданылады?
- қорытынды
Терең оқу - бұл жаңа идея емес. Жасанды нейрондық желілер терең оқыту деп аталатын машиналық оқыту жиынының жалғыз негізі ретінде қызмет етеді.
Терең оқыту - бұл нейрондық желілер сияқты, адам миына еліктеу үшін жасалған.
Бұл біраздан бері болды. Бұл күндері бәрі бұл туралы айтады, өйткені бізде қазіргідей өңдеу қуаты немесе деректері жоқ.
Соңғы 20 жылда терең оқыту және машиналық оқыту өңдеу қуатының күрт артуы нәтижесінде пайда болды.
Сіздің арманыңыздағы жұмысты іздеу кезінде кез келген сұрақтарға дайындалуға көмектесу үшін бұл пост қарапайымнан күрделіге дейінгі тереңдетілген сұхбат сұрақтары арқылы сізге бағыт береді.
1. Терең оқыту дегеніміз не?
Егер сіз а терең білім алу сұхбатында сіз терең білімнің не екенін түсінесіз. Алайда сұхбат алушы сізден осы сұраққа жауап ретінде суретпен бірге егжей-тегжейлі жауап беруіңізді күтеді.
Жаттығу үшін нейрондық желілер терең оқыту үшін ұйымдастырылған немесе құрылымдалмаған деректердің айтарлықтай көлемін пайдалану қажет. Жасырын үлгілер мен сипаттарды табу үшін ол күрделі процедураларды орындайды (мысалы, мысықтың бейнесін иттің бейнесінен ажырату).
2. Терең оқытудың машиналық оқытудан айырмашылығы неде?
Жасанды интеллекттің машиналық оқыту деп аталатын саласы ретінде біз деректер мен статистикалық және алгоритмдік әдістерді қолдана отырып, компьютерлерді уақыт өте жақсырақ болатындай етіп үйретеміз.
аспектісі ретінде машина оқыту, терең оқыту адам миында көрінетін нейрондық желі архитектурасына еліктейді.
3. Нейрондық желілер туралы қазіргі түсінігіңіз қандай?
Нейрондық желілер деп аталатын жасанды жүйелер адам ағзасында кездесетін органикалық нейрондық желілерге өте ұқсас.
әдісіне ұқсайтын әдісті қолдану адамның миы Нейрондық желі - бұл деректер бөлігіндегі негізгі корреляцияларды анықтауға бағытталған алгоритмдер жиынтығы.
Бұл жүйелер кез келген тапсырмаға қатысты ережелерді орындау арқылы емес, деректер жиыны мен мысалдар ауқымын көрсету арқылы тапсырмаға қатысты білім алады.
Бұл деректер жиыны туралы алдын ала бағдарламаланған түсінікке ие болудың орнына, жүйе берілген деректерден ерекшеленетін сипаттамаларды үйренеді.
Нейрондық желілерде жиі қолданылатын үш желілік деңгейлер төмендегідей:
- Енгізу қабаты
- Жасырын қабат
- Шығару қабаты
4. Перцептрон дегеніміз не?
Адам миында кездесетін биологиялық нейронды перцептронмен салыстыруға болады. Перцептрон көптеген кірістерді қабылдайды, содан кейін ол көптеген түрлендірулер мен функцияларды орындайды және шығыс шығарады.
Екілік классификацияда перцептрон деп аталатын сызықтық модель қолданылады. Ол әртүрлі кірістері бар нейронды модельдейді, әрқайсысының салмағы әртүрлі.
Нейрон осы салмақты кірістерді пайдаланып функцияны есептейді және нәтижелерді шығарады.
5. Терең нейрондық желі дегеніміз не?
Терең нейрондық желі – кіріс және шығыс деңгейлері (DNN) арасында бірнеше қабаттары бар жасанды нейрондық желі (ANN).
Терең нейрондық желілер - бұл терең архитектуралық нейрондық желілер. «Тұңғиық» сөзі бір қабаттағы көптеген деңгейлері мен бірліктері бар функцияларды білдіреді. Үлгілердің үлкен деңгейлерін түсіру үшін көбірек және үлкенірек қабаттарды қосу арқылы дәлірек үлгілерді жасауға болады.
6. Көпқабатты перцептрон (MLP) дегеніміз не?
Кіріс, жасырын және шығыс деңгейлері нейрондық желілердегі сияқты MLP-де бар. Ол бір немесе бірнеше жасырын қабаттары бар бір қабатты перцептронға ұқсас салынған.
Бір қабатты перцептронның екілік шығысы тек сызықтық бөлінетін сыныптарды (0,1) санаттай алады, ал MLP сызықты емес сыныптарды жіктей алады.
7. Нейрондық желіде активтендіру функциялары қандай мақсатта жұмыс істейді?
Белсендіру функциясы нейронның ең негізгі деңгейде белсендіру керек пе, жоқ па, соны анықтайды. Кез келген белсендіру функциясы кірістердің салмақты қосындысын плюс ауытқуды кіріс ретінде қабылдай алады. Белсендіру функцияларына қадам функциясы, Sigmoid, ReLU, Tanh және Softmax кіреді.
8. Градиенттің түсуі дегеніміз не?
Шығын функциясын немесе қатені азайтудың ең жақсы тәсілі градиенттің төмендеуі болып табылады. Функцияның жергілікті-глобальды минимумдарын табу мақсат болып табылады. Бұл қатені азайту үшін үлгі ұстанатын жолды көрсетеді.
9. Шығын функциясы дегеніміз не?
Шығын функциясы сіздің үлгіңіздің қаншалықты жақсы жұмыс істейтінін бағалауға арналған көрсеткіш болып табылады; ол кейде «жоғалту» немесе «қате» ретінде белгілі. Кері таралу кезінде ол шығыс қабатының қателігін есептеу үшін пайдаланылады.
Біз бұл дәлсіздікті нейрондық желі арқылы кері итеру арқылы нейрондық желіні оқыту процестерін жалғастыру үшін пайдаланамыз.
10. Терең желілер таяз желілерден қалай асып түседі?
Нейрондық желілерге кіріс және шығыс қабаттарынан басқа жасырын қабаттар қосылады. Кіріс және шығыс қабаттары арасында таяз нейрондық желілер бір жасырын қабатты пайдаланады, ал терең нейрондық желілер көптеген деңгейлерді пайдаланады.
Таяз желі кез келген функцияға сәйкес болу үшін бірнеше параметрлерді қажет етеді. Терең желілер функцияларға тіпті аз параметрлермен жақсырақ сәйкес келеді, өйткені олар бірнеше қабаттарды қамтиды.
Терең желілер қазірде сөйлеуді немесе суретті тану үшін болсын, деректерді модельдеудің кез келген түрімен жұмыс істеудегі әмбебаптығына байланысты артықшылық береді.
11. Алға таралуды сипаттаңыз.
Енгізулер салмақтармен бірге жерленген қабатқа жіберілетін таралу деп аталатын процессте жіберіледі.
Іске қосу функциясының шығысы өңдеу келесі қабатқа өтуге дейін әрбір көмілген қабатта есептеледі.
Процесс кіріс деңгейінен басталып, соңғы шығыс деңгейіне өтеді, осылайша алға таралу атауы.
12. Кері таралу дегеніміз не?
Нейрондық желіде салмақтар мен қиғаштықтар реттелгенде, ең алдымен мәннің қалай өзгеретінін байқау арқылы шығын функциясын азайту үшін кері таралу қолданылады.
Әрбір жасырын қабаттағы градиентті түсіну бұл өзгерісті есептеуді жеңілдетеді.
Кері таралу деп аталатын процесс шығыс қабаттан басталып, кіріс қабаттарына кері жылжиды.
13. Терең оқыту контекстінде градиентті қиюды қалай түсінесіз?
Градиентті кесу кері таралу кезінде пайда болатын жарылу градиенттері мәселесін шешу әдісі болып табылады (оқу кезінде нейрондық желі моделінің салмақтарына елеулі түзетулер әкелетін уақыт өте маңызды дұрыс емес градиенттер жиналатын жағдай).
Жарылу градиенттері - жаттығу кезінде градиенттер тым үлкен болып, үлгіні тұрақсыз ететін кезде туындайтын мәселе. Егер градиент күтілетін ауқымды кесіп өтсе, градиент мәндері элемент бойынша алдын ала анықталған минимум немесе максималды мәнге жылжытылады.
Градиентті кесу жаттығу кезінде нейрондық желінің сандық тұрақтылығын арттырады, бірақ ол модельдің өнімділігіне аз әсер етеді.
14. Softmax және ReLU функциялары қандай?
Softmax деп аталатын белсендіру функциясы 0 мен 1 арасындағы ауқымда шығыс шығарады. Әрбір шығыс барлық шығыстардың қосындысы бір болатындай бөлінеді. Шығыс қабаттары үшін Softmax жиі қолданылады.
Түзетілген сызықтық бірлік, кейде ReLU деп аталады, белсендірудің ең көп қолданылатын функциясы болып табылады. Егер X оң болса, ол X шығарады, әйтпесе нөлдерді шығарады. ReLU тұрақты түрде көмілген қабаттарға қолданылады.
15. Нейрондық желі моделін 0-ге орнатылған барлық салмақтармен оқытуға болады ма?
Нейрондық желі берілген тапсырманы орындауды ешқашан үйренбейді, сондықтан барлық салмақтарды 0-ге баптау арқылы модельді үйрету мүмкін емес.
Егер барлық салмақтар нөлге дейін инициализацияланса, туындылар W [1] ішіндегі әрбір салмақ үшін бірдей болып қалады, бұл нейрондардың итеративті түрде бірдей мүмкіндіктерді үйренуіне әкеледі.
Салмақтарды 0-ге дейін инициализациялау ғана емес, константаның кез келген нысаны бойынша кіші нәтижеге әкелуі мүмкін.
16. Дәуірдің топтама мен итерациядан айырмашылығы неде?
Деректер жиынын өңдеудің әртүрлі нысандары және градиентті түсіру әдістері пакетті, итерацияны және дәуірді қамтиды. Epoch бір реттік нейрондық желі арқылы алға және кері қарай толық деректер жиынтығын қамтиды.
Сенімді нәтижелерді қамтамасыз ету үшін деректер жинағы жиі бірнеше рет жіберіледі, себебі ол бір әрекетте өту үшін тым үлкен.
Нейрондық желі арқылы деректердің аз мөлшерін қайталап іске қосу тәжірибесі итерация деп аталады. Деректер жиынының нейрондық желілерді сәтті кесіп өтуіне кепілдік беру үшін оны топтамалар деп аталатын бірқатар топтамаларға немесе ішкі жиындарға бөлуге болады.
Деректерді жинау көлеміне байланысты барлық үш әдіс – дәуір, итерация және топтама өлшемі – негізінен пайдалану әдістері болып табылады. градиентті түсіру алгоритмі.
17. Пакеттік нормалау және оқуды тоқтату дегеніміз не?
Dropout көрінетін және жасырын желі бірліктерін (әдетте түйіндердің 20 пайызын түсіреді) кездейсоқ жою арқылы деректерді шамадан тыс орнатуды болдырмайды. Бұл желіні біріктіру үшін қажет итерациялар санын екі есе арттырады.
Орташа шығыс активтендіру нөлге және бір стандартты ауытқуға ие болу үшін әрбір қабаттағы кірістерді қалыпқа келтіру арқылы пакетті қалыпқа келтіру нейрондық желілердің өнімділігі мен тұрақтылығын арттыру стратегиясы болып табылады.
18. Стохастикалық градиенттің түсуін партиялық градиенттің түсуінен не ажыратады?
Пакеттік градиенттің төмендеуі:
- Толық деректер жинағы пакеттік градиент үшін градиент құру үшін пайдаланылады.
- Деректердің үлкен көлемі және баяу жаңартылатын салмақтар конвергенцияны қиындатады.
Стохастикалық градиенттің төмендеуі:
- Стохастикалық градиент градиентті есептеу үшін жалғыз үлгіні пайдаланады.
- Салмақтың жиі өзгеруіне байланысты ол топтама градиентіне қарағанда айтарлықтай жылдамырақ жиналады.
19. Неліктен нейрондық желілерге бейсызықтыларды қосу өте маңызды?
Қанша қабат болғанына қарамастан, нейрондық желі сызықтылық болмаған кезде қабылдаушы сияқты әрекет етеді, бұл шығысты кіріске сызықтық тәуелді етеді.
Басқаша айтқанда, n қабаты және m жасырын бірлігі және сызықтық белсендіру функциялары бар нейрондық желі жасырын қабаттары жоқ және сызықтық бөлу шекараларын ғана анықтау мүмкіндігі бар сызықтық нейрондық желіге тең.
Сызықты емес нейрондық желі күрделі мәселелерді шеше алмайды және кірісті нақты санаттай алмайды.
20. Терең оқытудағы тензор дегеніміз не?
Тензор деп аталатын көп өлшемді массив матрицалар мен векторларды жалпылау қызметін атқарады. Бұл терең білім алу үшін маңызды деректер құрылымы. Негізгі деректер типтерінің N-өлшемді массивтері тензорларды көрсету үшін пайдаланылады.
Тензордың әрбір құрамдас бөлігі бірдей деректер түріне ие және бұл деректер түрі әрқашан белгілі. Пішіннің бір бөлігі ғана белгілі болуы мүмкін, атап айтқанда, қанша өлшем бар және әрқайсысының қаншалықты үлкен екені белгілі.
Кірістері де толық белгілі болған жағдайларда, операциялардың көпшілігі толық белгілі тензорларды шығарады; басқа жағдайларда тензордың пішінін тек графикті орындау кезінде орнатуға болады.
21. Терең оқыту моделі үшін белсендіру функциясын қалай таңдар едіңіз?
- Болжау керек нәтиже нақты болса, сызықтық белсендіру функциясын қолдану мағынасы бар.
- Сигмоидтық функцияны болжау керек шығыс екілік класс ықтималдығы болса пайдалану керек.
- Егер жобаланған шығыс екі классификацияны қамтыса, Tanh функциясын пайдалануға болады.
- Есептеудің қарапайымдылығына байланысты ReLU функциясы жағдайлардың кең ауқымында қолданылады.
22. CNN дегенді қалай түсінесіз?
Көрнекі бейнелерді бағалауға маманданған терең нейрондық желілер конволюционды нейрондық желілерді (CNN немесе ConvNet) қамтиды. Мұнда вектор кірісті білдіретін нейрондық желілерде емес, кіріс көп арналы сурет болып табылады.
Көпқабатты перцептрондар өте аз алдын ала өңдеуді қажет ететін CNN арнайы әдіспен қолданылады.
23. CNN көптеген қабаттары қандай?
Конволюционды қабат: Негізгі қабат - әртүрлі үйренуге болатын сүзгілері және қабылдау өрісі бар конволюционды қабат. Бұл бастапқы деңгей кіріс мәліметтерін алады және оның сипаттамаларын шығарады.
ReLU деңгейі: желілерді сызықты емес ету арқылы бұл деңгей теріс пикселдерді нөлге айналдырады.
Біріктіру деңгейі: өңдеуді және желі параметрлерін азайту арқылы біріктіру қабаты көріністің кеңістіктік өлшемін біртіндеп азайтады. Максималды біріктіру - біріктірудің ең көп қолданылатын әдісі.
24. Шамадан тыс және дұрыс емес қолданудың салдары қандай және оларды қалай болдырмауға болады?
Бұл модель оқу деректеріндегі күрделілік пен шуды үйренгенде, ол модельдің жаңа деректерді пайдалануына теріс әсер ететін дәрежеге жеткенде, бұл шамадан тыс орнату ретінде белгілі.
Бұл мақсат функциясын үйрену кезінде бейімделгіш сызықты емес модельдерде болуы ықтимал. Модельді автомобильдер мен жүк көліктерін анықтауға үйретуге болады, бірақ ол белгілі бір қорап пішіні бар көліктерді ғана анықтай алады.
Оның тек жүк көлігінің бір түріне ғана үйретілгенін ескерсек, ол тегіс жүк көлігін анықтай алмауы мүмкін. Жаттығу деректерінде модель жақсы жұмыс істейді, бірақ нақты әлемде емес.
Жеткіліксіз орнатылған модель деректер бойынша жеткілікті түрде оқытылмаған немесе жаңа ақпаратты жалпылауға қабілетті модельді білдіреді. Бұл көбінесе модель жеткіліксіз немесе дәл емес деректермен оқытылатын кезде орын алады.
Дәлдік пен өнімділік дұрыс орнатылмағандықтан бұзылады.
Модельдің дәлдігін бағалау үшін деректерді қайта үлгілеу (K-еселі кросс-валидация) және модельді бағалау үшін валидация деректер жинағын пайдалану шамадан тыс және сәйкессіздікті болдырмаудың екі жолы болып табылады.
25. Терең оқытуда RNN дегеніміз не?
Қайталанатын нейрондық желілер (RNN), жасанды нейрондық желілердің кең тараған алуан түрі RNN аббревиатурасымен жүреді. Олар геномдарды, қолжазбаны, мәтінді және деректер тізбегін өңдеу үшін қолданылады. Қажетті оқыту үшін RNN кері таралуды пайдаланады.
26. Adam Optimizer бағдарламасын сипаттаңыз
Адам оптимизаторы, сондай-ақ адаптивті импульс ретінде белгілі, градиенттері аз шулы жағдайларды өңдеу үшін жасалған оңтайландыру әдісі.
Жылдам конвергенция үшін әр параметр бойынша жаңартуларды қамтамасыз етумен қатар, Adam оңтайландырғышы импульс арқылы конвергенцияны жақсартады, бұл модель седла нүктесінде ұсталып қалмауын қамтамасыз етеді.
27. Терең автокодерлер: олар қандай?
Терең автокодер - бұл әдетте желінің кодтаушы жартысы үшін төрт немесе бес таяз қабаттарды және декодтау жартысы үшін төрт немесе бес қабаттың басқа жиынтығын қамтитын екі симметриялық терең сенім желілерінің ұжымдық атауы.
Бұл қабаттар терең сенім желілерінің негізін құрайды және Больцман машиналарымен шектеледі. Әрбір RBM кейін терең автокодер MNIST деректер жиынына екілік өзгерістерді қолданады.
Сондай-ақ оларды RBM-ден Гаусс түзетілген түрлендірулерге артықшылық беретін басқа деректер жиындарында пайдалануға болады.
28. Тензор ағынындағы тензор нені білдіреді?
Бұл үнемі сұралатын тағы бір терең білім беретін сұхбат сұрағы. Тензор - жоғары өлшемді массивтер ретінде бейнеленетін математикалық түсінік.
Тензорлар - бұл нейрондық желіге кіріс ретінде берілген және әртүрлі өлшемдері мен рейтингтері бар деректер массивтері.
29. Есептеу графигіне түсініктеме
TensorFlow негізі есептеу графигін құру болып табылады. Әрбір түйін түйіндер желісінде жұмыс істейді, мұнда түйіндер математикалық операцияларды және тензорлар үшін жиектерді білдіреді.
Оны кейде «DataFlow Graph» деп атайды, өйткені деректер график түрінде өтеді.
30. Генеративті қарсыластық желілер (GAN): олар қандай?
Deep Learning жүйесінде генеративті модельдеу генеративті қарсылас желілер арқылы орындалады. Бұл кіріс деректеріндегі үлгілерді анықтау арқылы нәтиже шығарылатын бақыланбайтын жұмыс.
Дискриминатор генератор шығарған даналарды санаттау үшін пайдаланылады, ал генератор жаңа мысалдарды шығару үшін қолданылады.
31. Архитектураны жобалау кезінде нейрондық желіге қосу үшін нейрондар мен жасырын қабаттардың санын қалай таңдайсыз?
Іскерлік қиындықтарды ескере отырып, нейрондық желі архитектурасын құру үшін қажетті нейрондар мен жасырын қабаттардың нақты санын кез келген қатаң және жылдам ережелермен анықтау мүмкін емес.
Нейрондық желіде жасырын қабаттың өлшемі кіріс және шығыс қабаттарының өлшемдерінің ортасына түсуі керек.
Нейрондық желі дизайнын жасауды бастауға бірнеше қарапайым әдістермен қол жеткізуге болады, дегенмен:
Ұқсас нақты әлем параметрлерінде нейрондық желілермен бұрынғы тәжірибеге негізделген кез келген нақты деректер жиынтығы үшін не жақсы нәтиже беретінін көру үшін кейбір негізгі жүйелі тестілеуден бастау - нақты әлемдегі болжамды модельдеудің әрбір бірегей мәселесін шешудің ең жақсы жолы.
Желі конфигурациясын мәселе домені туралы біліміне және нейрондық желі тәжірибесіне негізделген таңдауға болады. Нейрондық желіні орнатуды бағалау кезінде байланысты мәселелерде қолданылатын қабаттар мен нейрондардың саны бастау үшін жақсы орын болып табылады.
Нейрондық желінің күрделілігін қарапайым нейрондық желі дизайнынан бастап болжанатын нәтиже мен дәлдік негізінде біртіндеп арттыру керек.
32. Тереңдетілген оқытуда нейрондық желілердің қандай түрлері қолданылады?
- Арықтаушы оқыту деп аталатын машиналық оқыту парадигмасында модель тірі заттар сияқты жиынтық сыйақы идеясын барынша арттыру үшін әрекет етеді.
- Ойындар мен өздігінен жүретін көліктердің екеуі де қатысты мәселелер ретінде сипатталады күшейтуді оқыту.
- Көрсетілетін мәселе ойын болса, экран кіріс ретінде пайдаланылады. Келесі фазалар үшін нәтиже шығару үшін алгоритм пикселдерді кіріс ретінде қабылдайды және оларды конволюционды нейрондық желілердің көптеген қабаттары арқылы өңдейді.
- Модель әрекетінің нәтижелері, не қолайлы, не жаман, күшейту ретінде әрекет етеді.
қорытынды
Deep Learning қолданбалары әр салада іс жүзінде қолданыла отырып, жылдар бойы танымалдылыққа ие болды.
Компаниялар терең оқыту және машиналық оқыту тәсілдерін қолдана отырып, адам мінез-құлқын қайталайтын үлгілерді жасай алатын құзыретті сарапшыларды көбірек іздейді.
Біліктілігін арттыратын және осы озық технологиялар туралы білімін сақтайтын үміткерлер тартымды сыйақысы бар кең ауқымды жұмыс мүмкіндіктерін таба алады.
Сіз сұхбаттасудан бастай аласыз, өйткені сіз жиі сұралатын кейбір тереңдетілген сұхбат сұрақтарына қалай жауап беру керектігін жақсы түсіндіңіз. Мақсаттарыңызға қарай келесі қадамды жасаңыз.
Хашдоркқа барыңыз Сұхбат сериясы сұхбатқа дайындалу.
пікір қалдыру