Atọka akoonu[Fipamọ][Ifihan]
- 1. Ṣe alaye awọn iyatọ laarin ẹkọ ẹrọ, itetisi atọwọda, ati ẹkọ ti o jinlẹ.
- 2. Jọwọ ṣe apejuwe awọn oriṣiriṣi oriṣiriṣi ẹkọ ẹrọ.
- 3. Kini irẹwẹsi dipo iṣowo-pipa iyatọ?
- 4. Awọn algorithms ẹkọ ẹrọ ti wa ni pataki lori akoko. Bawo ni ọkan ṣe yan algorithm to tọ lati lo ti a fun ni ipilẹ data kan?
- 5. Bawo ni isokan ati ibaramu ṣe yatọ?
- 6. Ninu ẹkọ ẹrọ, kini iṣupọ tumọ si?
- 7. Kini ẹrọ ẹkọ algorithm ti o fẹ julọ?
- 8. Ilọsiwaju Laini ni Ẹkọ Ẹrọ: Kini O Ṣe?
- 9. Ṣe apejuwe awọn iyatọ laarin KNN ati k-tumosi iṣupọ.
- 10. Kí ni “ìtẹ̀sí yíyàn” túmọ̀ sí fún ọ?
- 11. Kini gangan Bayes' Theorem?
- 12. Ninu Awoṣe Ẹkọ Ẹrọ, kini 'Ṣeto ikẹkọ' ati 'Ṣeto idanwo'?
- 13. Kini Apejuwe ninu Ẹkọ Ẹrọ?
- 14. Kí ni kíkọ́ ẹ̀rọ dídára jù túmọ̀ sí, báwo sì ni a ṣe lè dènà rẹ̀?
- 15. Kini gangan ni Naive Bayes classifiers?
- 16. Kini Awọn iṣẹ idiyele ati Awọn iṣẹ Ipadanu tumọ si?
- 17. Kini o ṣe iyatọ si awoṣe ipilẹṣẹ lati awoṣe iyasọtọ?
- 18. Ṣe apejuwe awọn iyatọ laarin Iru I ati Iru II aṣiṣe.
- 19. Ninu ẹkọ ẹrọ, kini ilana ẹkọ Ensemble?
- 20. Kini pato awọn awoṣe parametric? Fun apẹẹrẹ.
- 21. Apejuwe ajumose sisẹ. Bi daradara bi sisẹ orisun akoonu?
- 22. Kini gangan ni o tumọ si nipa Aago jara?
- 23. Ṣe apejuwe awọn iyatọ laarin Igbelaruge Gradient ati awọn algoridimu igbo ID.
- 24. Kini idi ti o nilo matrix iporuru? Kini o jẹ?
- 25. Kini gangan jẹ itupalẹ paati opo?
- 26. Kini idi ti yiyi paati paati ṣe pataki si PCA (itupalẹ paati akọkọ)?
- 27. Bawo ni isọdọtun ati deede ṣe yatọ lati ara wọn?
- 28. Bawo ni isọdọtun ati isọdọtun ṣe yatọ si ara wọn?
- 29. Kini gangan "ifosiwewe afikun iyatọ" tumọ si?
- 30. Da lori iwọn ti ṣeto ikẹkọ, bawo ni o ṣe yan olutọpa kan?
- 31. Kini algorithm ninu ẹkọ ẹrọ ni a tọka si bi "akẹẹkọ ọlẹ" ati idi ti?
- 32. Kini ROC Curve ati AUC?
- 33. Kini awọn hyperparameters? Kini o jẹ ki wọn jẹ alailẹgbẹ lati awọn paramita awoṣe?
- 34. Kini F1 Score, ranti, ati pipe tumọ si?
- 35. Kini gangan ni ijẹrisi-agbelebu?
- 36. Jẹ ki a sọ pe o ṣe awari pe awoṣe rẹ ni iyatọ pataki. Kini algorithm, ninu ero rẹ, ti o baamu julọ lati mu ipo yii?
- 37. Kini iyatọ Ridge ifaseyin lati Lasso ifaseyin?
- 38. Eyi ti o ṣe pataki julọ: iṣẹ awoṣe tabi iṣedede awoṣe? Eyi ati kilode ti iwọ yoo ṣe ojurere rẹ?
- 39. Bawo ni iwọ yoo ṣe ṣakoso dataset pẹlu awọn aidogba?
- 40. Bawo ni o ṣe le ṣe iyatọ laarin igbega ati apo?
- 41. Ṣe alaye awọn iyatọ laarin inductive ati deductive eko.
- ipari
Awọn iṣowo n lo imọ-ẹrọ gige-eti, gẹgẹbi itetisi atọwọda (AI) ati ẹkọ ẹrọ, lati mu iraye si alaye ati awọn iṣẹ si awọn eniyan kọọkan.
Awọn imọ-ẹrọ wọnyi ni a gba nipasẹ ọpọlọpọ awọn ile-iṣẹ, pẹlu ile-ifowopamọ, iṣuna, soobu, iṣelọpọ, ati ilera.
Ọkan ninu awọn ipa ajo ti a nwa julọ julọ ni lilo AI jẹ fun awọn onimọ-jinlẹ data, awọn onimọ-ẹrọ oye atọwọda, awọn onimọ-ẹrọ ikẹkọ ẹrọ, ati awọn atunnkanka data.
Eleyi post yoo mu o nipasẹ kan orisirisi ti imudani ẹrọ awọn ibeere ifọrọwanilẹnuwo, lati ipilẹ si eka, lati ṣe iranlọwọ fun ọ lati murasilẹ fun eyikeyi ibeere ti o le beere lọwọ rẹ nigbati o n wa iṣẹ pipe rẹ.
1. Ṣe alaye awọn iyatọ laarin ẹkọ ẹrọ, itetisi atọwọda, ati ẹkọ ti o jinlẹ.
Oye itetisi atọwọdọwọ n gba ọpọlọpọ ikẹkọ ẹrọ ati awọn isunmọ ikẹkọ jinlẹ ti o gba awọn eto kọnputa laaye lati ṣe awọn iṣẹ ṣiṣe ni lilo oye-bii eniyan pẹlu ọgbọn ati awọn ofin.
Ẹkọ ẹrọ nlo awọn iṣiro oriṣiriṣi ati awọn ọna ẹkọ ti o jinlẹ lati jẹ ki awọn ẹrọ le kọ ẹkọ lati inu iṣẹ iṣaaju wọn ati di ọlọgbọn diẹ sii ni ṣiṣe awọn iṣẹ ṣiṣe kan funrararẹ laisi abojuto eniyan.
Ẹkọ ti o jinlẹ jẹ akojọpọ awọn algoridimu ti o fun laaye sọfitiwia lati kọ ẹkọ lati ara rẹ ati ṣe ọpọlọpọ awọn iṣẹ iṣowo, gẹgẹbi ohun ati idanimọ aworan.
Awọn ọna ṣiṣe ti o fi han multilayered wọn awọn nẹtiwọki ti nhu si titobi data fun ẹkọ ni anfani lati ṣe ẹkọ ti o jinlẹ.
2. Jọwọ ṣe apejuwe awọn oriṣiriṣi oriṣiriṣi ẹkọ ẹrọ.
Ẹkọ ẹrọ wa ni awọn oriṣi oriṣiriṣi mẹta ni gbooro:
- Ẹkọ Abojuto: Awoṣe ṣẹda awọn asọtẹlẹ tabi awọn idajọ nipa lilo aami tabi data itan ni ikẹkọ ẹrọ abojuto. Awọn eto data ti a ti samisi tabi aami lati le mu itumọ wọn pọ si ni a tọka si bi data ti a samisi.
- Ẹkọ ti ko ni abojuto: A ko ni aami data fun ẹkọ ti ko ni abojuto. Ninu data ti nwọle, awoṣe le wa awọn ilana, awọn aiṣedeede, ati awọn ibamu.
- Ẹkọ imudara: Awoṣe le kọ ẹkọ nipa lilo imuduro ẹkọ ati awọn ere ti o ni fun iwa iṣaaju rẹ.
3. Kini irẹwẹsi dipo iṣowo-pipa iyatọ?
Overfitting jẹ abajade ti irẹjẹ, eyiti o jẹ iwọn eyiti awoṣe kan baamu data naa. Iyatọ jẹ ṣẹlẹ nipasẹ aṣiṣe tabi awọn arosinu ti o rọrun pupọ ninu rẹ ẹrọ eko alugoridimu.
Iyatọ n tọka si awọn aṣiṣe ti o ṣẹlẹ nipasẹ idiju ninu algorithm ML rẹ, eyiti o ṣe agbejade ifamọ si awọn iwọn nla ti iyatọ ninu data ikẹkọ ati iwọnju.
Iyatọ jẹ iye ti awoṣe yatọ da lori awọn igbewọle.
Ni awọn ọrọ miiran, awọn awoṣe ipilẹ jẹ aibikita pupọ sibẹsibẹ iduroṣinṣin (iyatọ kekere). Overfitting ni a isoro pẹlu eka si dede, biotilejepe won tibe Yaworan awọn awoṣe ká otito (kekere irẹjẹ).
Lati le ṣe idiwọ mejeeji iyatọ ti o ga julọ ati irẹwẹsi giga, iṣowo-pipa laarin irẹwẹsi ati iyatọ jẹ pataki fun idinku aṣiṣe ti o dara julọ.
4. Awọn algorithms ẹkọ ẹrọ ti wa ni pataki lori akoko. Bawo ni ọkan ṣe yan algorithm to tọ lati lo ti a fun ni ipilẹ data kan?
Ilana ẹkọ ẹrọ ti o yẹ ki o lo nikan da lori iru data ninu iwe data kan pato.
Nigbati data ba jẹ laini, ipadasẹhin laini lo. Ọna gbigbe yoo ṣe dara julọ ti data ba tọka si aisi ila-ila. A le lo awọn igi ipinnu tabi SVM ti data ba ni lati ṣe iṣiro tabi tumọ fun awọn idi iṣowo.
Awọn nẹtiwọọki nkankikan le wulo lati gba idahun deede ti datasetset ba pẹlu awọn fọto, awọn fidio, ati ohun.
Yiyan algorithm fun ipo kan pato tabi ikojọpọ data ko le ṣee ṣe lori iwọn kan.
Fun ero ti idagbasoke ọna ibamu ti o dara julọ, a gbọdọ kọkọ ṣayẹwo data naa nipa lilo itupalẹ data ti iṣawari (EDA) ati loye ibi-afẹde ti lilo ipilẹ data naa.
5. Bawo ni isokan ati ibaramu ṣe yatọ?
Iṣọkan ṣe iṣiro bi awọn oniyipada meji ṣe sopọ si ara wọn ati bii ọkan ṣe le yipada ni idahun si awọn iyipada ninu ekeji.
Ti abajade ba jẹ rere, o tọka si pe ọna asopọ taara wa laarin awọn oniyipada ati pe ọkan yoo dide tabi dinku pẹlu ilosoke tabi dinku ni oniyipada ipilẹ, ti o ro pe gbogbo awọn ipo miiran duro nigbagbogbo.
Ibaṣepọ ṣe iwọn ọna asopọ laarin awọn oniyipada laileto meji ati pe o ni awọn iye pataki mẹta nikan: 1, 0, ati -1.
6. Ninu ẹkọ ẹrọ, kini iṣupọ tumọ si?
Awọn ọna ikẹkọ ti ko ni abojuto ti awọn aaye data ẹgbẹ papọ ni a pe ni iṣupọ. Pẹlu akojọpọ awọn aaye data, ilana ikojọpọ le ṣee lo.
O le ṣe akojọpọ gbogbo awọn aaye data ni ibamu si awọn iṣẹ wọn nipa lilo ilana yii.
Awọn ẹya ati awọn agbara ti awọn aaye data ti o ṣubu sinu ẹka kanna jẹ iru, lakoko ti awọn ti awọn aaye data ti o ṣubu sinu awọn akojọpọ lọtọ yatọ.
Ọna yii le ṣee lo lati ṣe itupalẹ data iṣiro.
7. Kini ẹrọ ẹkọ algorithm ti o fẹ julọ?
O ni aye lati ṣafihan awọn ayanfẹ rẹ ati awọn talenti alailẹgbẹ ninu ibeere yii, ati imọ-jinlẹ rẹ ti ọpọlọpọ awọn ilana ikẹkọ ẹrọ.
Eyi ni awọn algoridimu ikẹkọ ẹrọ aṣoju diẹ lati ronu nipa:
- Padaseyin laini
- Padasẹhin eekaderi
- Rọrun Bayes
- Awọn igi ipinnu
- K tumọ si
- Alugoridimu igbo ID
- Aladugbo ti o sunmọ (KNN)
8. Ilọsiwaju Laini ni Ẹkọ Ẹrọ: Kini O Ṣe?
Alugoridimu ẹrọ ti a ṣe abojuto jẹ ipadasẹhin laini.
O ti wa ni iṣẹ ni itupalẹ asọtẹlẹ lati pinnu asopọ laini laarin awọn ti o gbẹkẹle ati awọn oniyipada ominira.
Idogba ifaseyin laini jẹ bi atẹle:
Y = A + BX
nibi ti:
- Iṣawọle tabi oniyipada ominira ni a pe ni X.
- Igbẹkẹle tabi oniyipada iṣelọpọ jẹ Y.
- olùsọdipúpọ X ni b, ati awọn oniwe-idasi ni a.
9. Ṣe apejuwe awọn iyatọ laarin KNN ati k-tumosi iṣupọ.
Iyatọ akọkọ ni pe KNN (ọna ikasi kan, ikẹkọ abojuto) nilo awọn aaye aami lakoko ti k-tumosi ko (algoridimu iṣupọ, ẹkọ ti ko ni abojuto).
O le ṣe iyatọ data ti o ni aami si aaye ti ko ni aami nipa lilo Awọn aladugbo K-Nitosi. K-tumosi iṣupọ nlo aaye aropin laarin awọn aaye lati kọ ẹkọ bi o ṣe le ṣe akojọpọ awọn aaye ti ko ni aami.
10. Kí ni “ìtẹ̀sí yíyàn” túmọ̀ sí fún ọ?
Iyatọ ti o wa ninu ipele iṣapẹẹrẹ adanwo jẹ nitori aipe iṣiro.
Ẹgbẹ apẹẹrẹ kan ni a yan nigbagbogbo diẹ sii ju awọn ẹgbẹ miiran ninu idanwo naa nitori abajade aiṣedeede.
Ti a ko ba jẹwọ abosi yiyan, o le ja si ipari ti ko tọ.
11. Kini gangan Bayes' Theorem?
Nigba ti a ba mọ awọn iṣeeṣe miiran, a le pinnu iṣeeṣe kan nipa lilo Bayes' Theorem. O funni ni iṣeeṣe ẹhin ti iṣẹlẹ ti o da lori alaye iṣaaju, ni awọn ọrọ miiran.
Ọna ohun fun iṣiro awọn iṣeeṣe ipo ni a pese nipasẹ imọ-jinlẹ yii.
Nigbati o ba n dagbasoke awọn iṣoro awoṣe asọtẹlẹ isọdi ati ibaamu awoṣe si ikẹkọ kan dataset ni ẹkọ ẹrọ, Bayes' theorem ti wa ni loo (ie Naive Bayes, Bayes Optimal Classifier).
12. Ninu Awoṣe Ẹkọ Ẹrọ, kini 'Ṣeto ikẹkọ' ati 'Ṣeto idanwo'?
Eto ikẹkọ:
- Eto ikẹkọ ni awọn iṣẹlẹ ti a firanṣẹ si awoṣe fun itupalẹ ati ikẹkọ.
- Eyi ni data ti o ni aami ti yoo lo lati ṣe ikẹkọ awoṣe.
- Ni deede, 70% ti data lapapọ ni a lo bi data ikẹkọ.
Eto Idanwo:
- Eto idanwo naa ni a lo lati ṣe ayẹwo išedede iran arosọ awoṣe.
- A ṣe idanwo laisi aami data lẹhinna lo awọn akole lati jẹrisi awọn abajade.
- 30% to ku ni a lo bi data ti idanwo.
13. Kini Apejuwe ninu Ẹkọ Ẹrọ?
Ẹkọ ẹrọ jẹ ki lilo awọn iwe data to wa tẹlẹ lati ni oye iṣẹ ti a fun ni dara julọ ti o so igbewọle si iṣelọpọ. Eyi ni a mọ bi isunmọ iṣẹ.
Ni idi eyi, isunmọ gbọdọ wa ni iṣẹ fun iṣẹ ibi-afẹde aimọ lati gbe gbogbo awọn akiyesi lakaye ti o da lori ipo ti a fun ni ọna ti o dara julọ.
Ninu ẹkọ ẹrọ, arosọ kan jẹ awoṣe ti o ṣe iranlọwọ ni iṣiro iṣẹ ibi-afẹde ati ipari awọn aworan atọka-si-jade ti o yẹ.
Yiyan ati apẹrẹ ti awọn algoridimu gba laaye fun asọye aaye ti awọn idawọle ti o ṣeeṣe ti o le jẹ aṣoju nipasẹ awoṣe kan.
Fun idawọle kan, kekere h (h) ni a lo, ṣugbọn olu h (H) ni a lo fun gbogbo aaye idawọle ti o n wa. A yoo ṣe ayẹwo ni ṣoki awọn akiyesi wọnyi:
- Isọyesi (h) jẹ awoṣe kan pato ti o ṣe irọrun aworan agbaye ti titẹ sii si iṣelọpọ, eyiti o le ṣee lo fun igbelewọn ati asọtẹlẹ.
- Eto idawọle (H) jẹ aaye wiwa ti awọn idawọle ti o le ṣee lo lati ya awọn igbewọle si awọn igbejade. Idasilẹ ọrọ, awoṣe, ati iṣeto awoṣe jẹ apẹẹrẹ diẹ ti awọn idiwọn jeneriki.
14. Kí ni kíkọ́ ẹ̀rọ dídára jù túmọ̀ sí, báwo sì ni a ṣe lè dènà rẹ̀?
Nigbati ẹrọ ba ngbiyanju lati kọ ẹkọ lati inu data data ti ko to, fifi sori ẹrọ waye.
Bi abajade, fifi sori ẹrọ ni ibamu ni idakeji pẹlu iwọn data. Ọna-ifọwọsi-agbelebu ngbanilaaye iṣaju lati yago fun awọn ipilẹ data kekere. A dataset ti pin si awọn ẹya meji ni ọna yii.
Eto data fun idanwo ati ikẹkọ yoo ni awọn ẹya meji wọnyi. A ti lo iwe data ikẹkọ lati ṣẹda awoṣe kan, lakoko ti data idanwo ti lo lati ṣe iṣiro awoṣe nipa lilo awọn igbewọle oriṣiriṣi.
Eyi ni bii o ṣe le yago fun fifin.
15. Kini gangan ni Naive Bayes classifiers?
Awọn ọna ikasi oriṣiriṣi jẹ ki awọn ikasi Naive Bayes. Eto awọn algoridimu ti a mọ si awọn ikasi wọnyi gbogbo ṣiṣẹ lori imọran ipilẹ kanna.
Ironu ti a ṣe nipasẹ awọn kilasika Bayes alaigbọran ni pe wiwa ẹya kan tabi isansa ko ni ipa lori wiwa tabi isansa ti ẹya miiran.
Ni awọn ọrọ miiran, eyi ni ohun ti a tọka si bi “aifọwọyi” niwọn igba ti o ṣe arosinu pe abuda dataset kọọkan jẹ pataki bakanna ati ominira.
Isọri ni a ṣe ni lilo awọn kilasika Bayes ti ko ni nkan. Wọn rọrun lati lo ati gbejade awọn abajade to dara julọ ju awọn asọtẹlẹ eka sii nigbati ipilẹ ominira jẹ otitọ.
Ninu itupalẹ ọrọ, sisẹ àwúrúju, ati awọn eto iṣeduro, wọn ti wa ni iṣẹ.
16. Kini Awọn iṣẹ idiyele ati Awọn iṣẹ Ipadanu tumọ si?
Awọn gbolohun ọrọ "pipadanu iṣẹ" ntokasi si awọn ilana ti iširo pipadanu nigba ti o kan kan nkan ti data ti wa ni ya sinu iroyin.
Ni ilodisi, a lo iṣẹ idiyele lati pinnu iye lapapọ ti awọn aṣiṣe fun data lọpọlọpọ. Ko si iyatọ pataki.
Ni awọn ọrọ miiran, lakoko ti awọn iṣẹ idiyele ṣe akopọ iyatọ fun gbogbo data ikẹkọ ikẹkọ, awọn iṣẹ ipadanu ti ṣe apẹrẹ lati mu iyatọ laarin awọn iye gangan ati awọn asọtẹlẹ asọtẹlẹ fun igbasilẹ kan.
17. Kini o ṣe iyatọ si awoṣe ipilẹṣẹ lati awoṣe iyasọtọ?
Awoṣe iyasoto kọ ẹkọ iyatọ laarin awọn ẹka data pupọ. Awoṣe ti ipilẹṣẹ gbe soke lori yatọ si data orisi.
Lori awọn iṣoro isọdi, awọn awoṣe iyasoto nigbagbogbo ju awọn awoṣe miiran lọ.
18. Ṣe apejuwe awọn iyatọ laarin Iru I ati Iru II aṣiṣe.
Awọn idaniloju eke ṣubu labẹ ẹka ti awọn aṣiṣe Iru I, lakoko ti awọn aṣiṣe eke lọ labẹ awọn aṣiṣe Iru II (pe ko si ohun ti o ṣẹlẹ nigbati o ni gangan).
19. Ninu ẹkọ ẹrọ, kini ilana ẹkọ Ensemble?
Ilana kan ti a pe ni ikẹkọ akojọpọ papọ ọpọlọpọ awọn awoṣe ikẹkọ ẹrọ lati ṣe agbejade awọn awoṣe ti o lagbara diẹ sii.
Awoṣe le jẹ orisirisi fun orisirisi idi. Orisirisi awọn idi ni:
- Orisirisi awọn olugbe
- Oriṣiriṣi Awọn arosọ
- Orisirisi awọn ọna awoṣe
A yoo ba pade ọrọ kan lakoko lilo ikẹkọ awoṣe ati data idanwo. Iyatọ, iyatọ, ati aṣiṣe aiṣedeede jẹ awọn iru aṣiṣe ti o ṣeeṣe.
Nisisiyi, a pe iwọntunwọnsi yii laarin aiṣedeede ati iyatọ ninu awoṣe ni iṣowo-iṣiro-iyatọ, ati pe o yẹ ki o wa nigbagbogbo. Iṣowo-pipa yii jẹ aṣeyọri nipasẹ lilo ikẹkọ akojọpọ.
Botilẹjẹpe awọn ọna akojọpọ akojọpọ oriṣiriṣi wa, awọn ọgbọn ti o wọpọ meji wa fun apapọ ọpọlọpọ awọn awoṣe:
- Ọna abinibi ti a npe ni apo-ipamọ nlo eto ikẹkọ lati ṣe agbejade awọn eto ikẹkọ afikun.
- Igbelaruge, ilana imudara diẹ sii: Pupọ bii apo, igbelaruge ni a lo lati wa agbekalẹ iwuwo to dara julọ fun ṣeto ikẹkọ kan.
20. Kini pato awọn awoṣe parametric? Fun apẹẹrẹ.
Iye to lopin ti awọn paramita ni awọn awoṣe parametric. Lati ṣe asọtẹlẹ data, gbogbo ohun ti o nilo lati mọ ni awọn paramita awoṣe.
Awọn atẹle jẹ apẹẹrẹ aṣoju: ipadasẹhin logistic, ipadasẹhin laini, ati awọn SVM laini. Awọn awoṣe ti kii ṣe parametric jẹ rọ nitori wọn le ni nọmba ailopin ti awọn ayeraye ninu.
Awọn paramita awoṣe ati ipo data ti a ṣe akiyesi ni a nilo fun awọn asọtẹlẹ data. Eyi ni diẹ ninu awọn apẹẹrẹ aṣoju: awọn awoṣe koko, awọn igi ipinnu, ati awọn aladugbo k-sunmọ.
21. Apejuwe ajumose sisẹ. Bi daradara bi sisẹ orisun akoonu?
Ọna igbiyanju-ati-otitọ fun ṣiṣẹda awọn didaba akoonu ti o baamu jẹ sisẹ ifowosowopo.
Iru eto iṣeduro kan ti a pe ni sisẹ iṣọpọ sọ asọtẹlẹ ohun elo tuntun nipa iwọntunwọnsi awọn ayanfẹ olumulo pẹlu awọn ire ti o pin.
Awọn ayanfẹ olumulo jẹ ohun kan ṣoṣo ti awọn eto oludamoran ti o da lori akoonu ro. Ni ina ti awọn yiyan olumulo ṣaaju, awọn iṣeduro tuntun ti pese lati ohun elo ti o jọmọ.
22. Kini gangan ni o tumọ si nipa Aago jara?
Atoka akoko jẹ akojọpọ awọn nọmba ni ọna ti o ga. Lori akoko akoko ti a ti pinnu tẹlẹ, o ṣe abojuto iṣipopada ti awọn aaye data ti o yan ati mu awọn aaye data lorekore.
Ko si akoko ti o kere ju tabi akoko ti o pọju fun jara akoko.
Awọn jara akoko jẹ igbagbogbo lo nipasẹ awọn atunnkanka lati ṣe itupalẹ data ni ibamu pẹlu awọn ibeere alailẹgbẹ wọn.
23. Ṣe apejuwe awọn iyatọ laarin Igbelaruge Gradient ati awọn algoridimu igbo ID.
Igbo ID:
- Nọmba nla ti awọn igi ipinnu ti wa ni papọ ni ipari ati pe a mọ bi awọn igbo laileto.
- Lakoko ti igbega gradient ṣe agbejade igi kọọkan ni ominira ti awọn miiran, igbo laileto kọ igi kọọkan ni ẹẹkan.
- Multiclass ohun èlò ṣiṣẹ daradara pẹlu awọn igbo laileto.
Igbelaruge Didiẹdi:
- Lakoko ti awọn igbo ID darapọ mọ awọn igi ipinnu ni ipari ilana naa, Awọn ẹrọ Igbelaruge Gradient darapọ wọn lati ibẹrẹ.
- Ti a ba ṣatunṣe awọn aye ti o yẹ, imudara gradient ga ju awọn igbo laileto lọ ni awọn ọna ti awọn abajade, ṣugbọn kii ṣe yiyan ọlọgbọn ti eto data ba ni ọpọlọpọ awọn itusilẹ, awọn aiṣedeede, tabi ariwo nitori o le fa ki awoṣe naa di ajuju.
- Nigbati data ti ko ni iwọntunwọnsi ba wa, bi o ṣe wa ni igbelewọn eewu akoko gidi, imudara gradient n ṣiṣẹ daradara.
24. Kini idi ti o nilo matrix iporuru? Kini o jẹ?
Tabili ti a mọ si matrix idarudapọ, nigba miiran ti a mọ si matrix aṣiṣe, ni lilo pupọ lati ṣafihan bi awoṣe isọri, tabi classifier, ṣe n ṣiṣẹ lori ṣeto data idanwo fun eyiti a mọ awọn iye gidi.
O jẹ ki a rii bi awoṣe tabi algorithm ṣe n ṣiṣẹ. O jẹ ki o rọrun fun wa a iranran aiyede laarin orisirisi courses.
O ṣiṣẹ bi ọna lati ṣe iṣiro bi awoṣe tabi algorithm ṣe dara.
Awọn asọtẹlẹ awoṣe isọri jẹ akopọ sinu matrix idamu kan. Awọn iye kika aami kilasi kọọkan ni a lo lati fọ nọmba lapapọ ti awọn asọtẹlẹ ti o pe ati ti ko tọ.
O pese awọn alaye lori awọn aṣiṣe ti a ṣe nipasẹ classifier bi daradara bi awọn oriṣiriṣi iru awọn aṣiṣe ti o ṣẹlẹ nipasẹ awọn ikawe.
25. Kini gangan jẹ itupalẹ paati opo?
Nipa didinku nọmba awọn oniyipada ti o ni ibatan si ara wọn, ibi-afẹde ni lati dinku iwọn iwọn ti gbigba data naa. Ṣugbọn o ṣe pataki lati tọju oniruuru bi o ti ṣee ṣe.
Awọn oniyipada ti yipada si ipilẹ tuntun ti awọn oniyipada ti a pe ni awọn paati akọkọ.
Awọn PC wọnyi jẹ orthogonal nitori wọn jẹ awọn eigenvectors matrix covariance.
26. Kini idi ti yiyi paati paati ṣe pataki si PCA (itupalẹ paati akọkọ)?
Yiyi ṣe pataki ni PCA nitori pe o mu iyatọ pọ si laarin awọn iyatọ ti a gba nipasẹ paati kọọkan, ṣiṣe itumọ paati rọrun.
A nilo awọn paati ti o gbooro lati ṣafihan iyatọ paati ti awọn paati ko ba yipada.
27. Bawo ni isọdọtun ati deede ṣe yatọ lati ara wọn?
Deede:
Data ti wa ni yipada nigba ti deede. O yẹ ki o ṣe deede data naa ti o ba ni awọn irẹjẹ ti o yatọ pupọ, paapaa lati kekere si giga. Ṣatunṣe ọwọn kọọkan ki awọn iṣiro ipilẹ jẹ gbogbo ibaramu.
Lati rii daju pe ko si isonu ti konge, eyi le wulo. Wiwa ifihan agbara lakoko ti o kọju si ariwo jẹ ọkan ninu awọn ibi-afẹde ti ikẹkọ awoṣe.
O wa ni anfani ti fifi sori ẹrọ ti awoṣe ba fun ni iṣakoso pipe lati dinku aṣiṣe.
Iṣatunṣe:
Ni isọdọtun, iṣẹ asọtẹlẹ ti yipada. Eyi jẹ koko-ọrọ si diẹ ninu iṣakoso nipasẹ isọdọtun, eyiti o ṣe ojurere awọn iṣẹ ibamu ti o rọrun lori awọn idiju.
28. Bawo ni isọdọtun ati isọdọtun ṣe yatọ si ara wọn?
Awọn imuposi meji ti a lo pupọ julọ fun igbelowọn ẹya jẹ deede ati isọdọtun.
Deede:
- Ṣiṣe atunṣe data naa lati baamu iwọn [0,1] kan ni a mọ bi isọdọtun.
- Nigbati gbogbo awọn paramita gbọdọ ni iwọn rere kanna, isọdọtun jẹ iranlọwọ, ṣugbọn awọn itusilẹ ti ṣeto data ti sọnu.
Iṣatunṣe:
- Awọn data tun ṣe iwọn lati ni iwọn 0 ati iyapa boṣewa ti 1 gẹgẹbi apakan ti ilana isọdiwọn (iyatọ Ẹka)
29. Kini gangan "ifosiwewe afikun iyatọ" tumọ si?
Ipin iyatọ ti awoṣe si iyatọ ti awoṣe pẹlu oniyipada olominira kan nikan ni a mọ bi ifosiwewe afikun iyatọ (VIF).
VIF ṣe iṣiro iye multicollinearity ti o wa ninu ṣeto ti ọpọlọpọ awọn oniyipada ipadasẹhin.
Iyatọ ti awoṣe (VIF) Awoṣe pẹlu Iyatọ Oniyipada Ominira Kan
30. Da lori iwọn ti ṣeto ikẹkọ, bawo ni o ṣe yan olutọpa kan?
Iyatọ ti o ga, awoṣe iyatọ kekere ṣe dara julọ fun eto ikẹkọ kukuru nitori iwọn apọju ko ṣeeṣe. Naive Bayes jẹ apẹẹrẹ kan.
Lati le ṣe aṣoju awọn ibaraenisọrọ idiju diẹ sii fun eto ikẹkọ nla, awoṣe pẹlu aibikita kekere ati iyatọ giga jẹ ayanfẹ. Logistic padasẹyin jẹ apẹẹrẹ ti o dara.
31. Kini algorithm ninu ẹkọ ẹrọ ni a tọka si bi "akẹẹkọ ọlẹ" ati idi ti?
Akẹẹkọ onilọra, KNN jẹ algorithm ikẹkọ ẹrọ kan. Nitori K-NN ṣe iṣiro iṣiro ijinna ni gbogbo igba ti o fẹ lati ṣe lẹtọ dipo kikọ ẹkọ eyikeyi awọn iye ẹkọ ẹrọ tabi awọn oniyipada lati data ikẹkọ, o ṣe akosilẹ data ikẹkọ.
Eyi jẹ ki K-NN jẹ akẹkọ ọlẹ.
32. Kini ROC Curve ati AUC?
Iṣe ti awoṣe isọdi ni gbogbo awọn ala jẹ aṣoju ayaworan nipasẹ ọna ROC. O ni oṣuwọn rere otitọ ati awọn ibeere oṣuwọn rere eke.
Ni irọrun, agbegbe ti o wa labẹ iha ROC ni a mọ si AUC (Agbegbe Labẹ ROC Curve). Agbegbe onisẹpo meji ti ROC lati (0,0) si AUC jẹ iwọn (1,1). Fun iṣiro awọn awoṣe isọdi alakomeji, o ṣiṣẹ bi iṣiro iṣẹ kan.
33. Kini awọn hyperparameters? Kini o jẹ ki wọn jẹ alailẹgbẹ lati awọn paramita awoṣe?
Oniyipada inu ti awoṣe jẹ mọ bi paramita awoṣe. Lilo data ikẹkọ, iye paramita kan jẹ isunmọ.
Aimọ si awoṣe, hyperparameter jẹ oniyipada. Iye naa ko le ṣe ipinnu lati inu data, nitorinaa wọn n ṣiṣẹ nigbagbogbo lati ṣe iṣiro awọn awoṣe awoṣe.
34. Kini F1 Score, ranti, ati pipe tumọ si?
Iwọn iporuru naa jẹ metiriki ti a gbaṣẹ lati ṣe iwọn imunadoko ti awoṣe isọdi. Awọn gbolohun wọnyi le ṣee lo lati ṣe alaye to dara julọ metiriki iporuru:
TP: Awọn Iṣeduro Otitọ - Iwọnyi jẹ awọn iye rere ti a ti nireti daradara. O ni imọran pe awọn iye ti kilasi akanṣe ati kilasi gangan jẹ rere mejeeji.
TN: Awọn odi Otitọ- Iwọnyi jẹ awọn iye ti ko dara ti o jẹ asọtẹlẹ deede. O ni imọran pe mejeeji iye ti kilasi gangan ati kilasi ti ifojusọna jẹ odi.
Awọn iye wọnyi — awọn idaniloju eke ati awọn odi eke — waye nigbati kilasi gangan rẹ yatọ si kilasi ti ifojusọna.
bayi,
Ipin ti oṣuwọn rere otitọ (TP) si gbogbo awọn akiyesi ti a ṣe ni kilasi gangan ni a pe ni iranti, ti a tun mọ ni ifamọ.
ÌRÁNTÍ ni TP/(TP+FN).
Itọkasi jẹ iwọn ti iye asọtẹlẹ ti o dara, eyiti o ṣe afiwe nọmba awọn idaniloju ti awoṣe ṣe asọtẹlẹ gaan si iye awọn idaniloju to tọ ti o sọ asọtẹlẹ deede.
Itọkasi jẹ TP/(TP + FP)
Metiriki iṣẹ ṣiṣe ti o rọrun julọ lati loye ni deede, eyiti o jẹ ipin ti awọn akiyesi asọtẹlẹ daradara si gbogbo awọn akiyesi.
Yiye jẹ dogba si (TP+TN)/(TP+FP+FN+TN).
Ipese ati ÌRÁNTÍ jẹ iwọn ati aropin lati pese Iwọn F1 naa. Bi abajade, Dimegilio yii ṣe akiyesi awọn idaniloju eke mejeeji ati awọn odi eke.
F1 nigbagbogbo niyelori diẹ sii ju deede lọ, pataki ti o ba ni pinpin kilasi ti ko dọgba, paapaa ti o ba jẹ oye ko rọrun lati loye bi deede.
Iṣe deede ti o dara julọ jẹ aṣeyọri nigbati idiyele ti awọn idaniloju eke ati awọn odi eke jẹ afiwera. O jẹ ayanfẹ lati pẹlu mejeeji konge ati ÌRÁNTÍ ti awọn idiyele ti o ni nkan ṣe pẹlu awọn idaniloju eke ati awọn odi eke yatọ ni pataki.
35. Kini gangan ni ijẹrisi-agbelebu?
Ọna atunṣatunṣe iṣiro kan ti a pe ni ijẹrisi-agbelebu ninu ẹkọ ẹrọ n gba ọpọlọpọ awọn ipin idawọle data lati ṣe ikẹkọ ati ṣe iṣiro algorithm ikẹkọ ẹrọ kan kọja nọmba awọn iyipo.
Ipele data tuntun ti a ko lo lati ṣe ikẹkọ awoṣe jẹ idanwo nipa lilo afọwọsi agbelebu lati rii bii awoṣe ṣe sọtẹlẹ rẹ daradara. Iṣeduro data overfitting jẹ idaabobo nipasẹ afọwọsi agbelebu.
K-Agbo Ọna iṣatunṣe igbagbogbo ti a lo nigbagbogbo n pin gbogbo datasetiti si awọn eto K ti awọn iwọn dogba. O ti wa ni a npe ni agbelebu-afọwọsi.
36. Jẹ ki a sọ pe o ṣe awari pe awoṣe rẹ ni iyatọ pataki. Kini algorithm, ninu ero rẹ, ti o baamu julọ lati mu ipo yii?
Ṣiṣakoso iyipada giga
A yẹ ki o lo ilana apamọwọ fun awọn iṣoro pẹlu awọn iyatọ nla.
Iṣayẹwo ti data airotẹlẹ yoo jẹ lilo nipasẹ algoridimu apo lati pin data naa si awọn ẹgbẹ-ẹgbẹ. Ni kete ti a ti pin data naa, a le lo data laileto ati ilana ikẹkọ kan pato lati ṣe agbekalẹ awọn ofin.
Lẹhin iyẹn, idibo le ṣee lo lati darapo awọn asọtẹlẹ awoṣe.
37. Kini iyatọ Ridge ifaseyin lati Lasso ifaseyin?
Awọn ọna isọdọtun meji ti a lo pupọ ni Lasso (ti a tun pe ni L1) ati Ridge (nigbakan ti a pe ni L2) ipadasẹhin. Wọn ti wa ni lo lati se awọn overfitting ti data.
Lati le ṣawari ojutu ti o dara julọ ki o dinku idiju, awọn ilana wọnyi ni a lo lati fi iya awọn iye-iye. Nipa ijiya apapọ awọn iye pipe ti awọn iye-iye, ifasilẹyin Lasso n ṣiṣẹ.
Iṣẹ ijiya ni Ridge tabi L2 ipadasẹhin wa lati apao awọn onigun mẹrin ti awọn iyeida.
38. Eyi ti o ṣe pataki julọ: iṣẹ awoṣe tabi iṣedede awoṣe? Eyi ati kilode ti iwọ yoo ṣe ojurere rẹ?
Eyi jẹ ibeere ẹtan, nitorina ọkan yẹ ki o kọkọ ni oye kini Iṣe Awoṣe jẹ. Ti iṣẹ ba ṣe asọye bi iyara, lẹhinna o da lori iru ohun elo; Ohun elo eyikeyi ti o kan ipo gidi-akoko yoo nilo iyara giga bi paati pataki.
Fun apẹẹrẹ, Awọn abajade wiwa ti o dara julọ yoo di iwulo diẹ ti awọn abajade ibeere ba pẹ ju lati de.
Ti a ba lo Iṣe bi idalare fun idi ti konge ati iranti yẹ ki o jẹ pataki ju deede, lẹhinna Dimegilio F1 yoo wulo diẹ sii ju deede ni iṣafihan ọran iṣowo fun eyikeyi ṣeto data ti ko ni iwọntunwọnsi.
39. Bawo ni iwọ yoo ṣe ṣakoso dataset pẹlu awọn aidogba?
Atokọ data ti ko ni iwọntunwọnsi le ni anfani lati awọn ilana iṣapẹẹrẹ. Iṣapẹẹrẹ le ṣee ṣe ni boya labẹ tabi aṣa apọju.
Labẹ Iṣapẹẹrẹ gba wa laaye lati dinku iwọn ti kilasi to poju lati baramu kilasi kekere, eyiti o ṣe iranlọwọ ni iyara jijẹ pẹlu iyi si ibi ipamọ ati ipaniyan akoko-ṣiṣe ṣugbọn o tun le ja si isonu ti data to niyelori.
Lati le ṣe atunṣe ọran pipadanu alaye ti o ṣẹlẹ nipasẹ iṣagbega, a ṣe agbega kilasi ti Kekere; sibẹsibẹ, yi fa wa lati ṣiṣe sinu overfitting oran.
Awọn ilana afikun pẹlu:
- Iṣiro-Da Lori Iṣapẹẹrẹ- Awọn nkan ti o kere julọ ati awọn iṣẹlẹ kilasi ti o pọ julọ ni a tẹriba lọkọọkan si ilana ikojọpọ K-tumosi ni ipo yii. Eyi ni a ṣe lati wa awọn iṣupọ data. Lẹhinna, iṣupọ kọọkan jẹ iwọn apọju ki gbogbo awọn kilasi ni iwọn kanna ati gbogbo awọn iṣupọ laarin kilasi kan ni nọmba dogba ti awọn iṣẹlẹ.
- SMOTE: Imọ-ẹrọ Iṣapẹẹrẹ Ipilẹ-iṣẹ Intetiki Intetiki – Bibẹẹ kan ti data lati kilasi kekere ni a lo bi apẹẹrẹ, lẹhin eyiti awọn afikun awọn apẹẹrẹ atọwọda ti o ṣe afiwe si ni a ṣejade ati ṣafikun si ipilẹ data atilẹba. Ọna yii ṣiṣẹ daradara pẹlu awọn aaye data nọmba.
40. Bawo ni o ṣe le ṣe iyatọ laarin igbega ati apo?
Awọn ilana Ijọpọ ni awọn ẹya ti a mọ si apo ati igbega.
Apo-
Fun awọn algoridimu pẹlu iyatọ ti o ga julọ, apo jẹ ilana ti a lo lati dinku iyatọ. Ọkan iru idile ti awọn kilasika ti o ni itara si ojuṣaaju ni idile igi ipinnu.
Iru data ti awọn igi ipinnu ti ikẹkọ lori ni ipa pataki lori iṣẹ wọn. Nitori eyi, paapaa pẹlu isọdọtun itanran ti o ga pupọ, iṣakojọpọ ti awọn abajade jẹ igba miiran nira pupọ lati gba ninu wọn.
Ti data ikẹkọ ti awọn igi ipinnu ba yipada, awọn abajade yatọ ni pataki.
Bi abajade, a lo apo, ninu eyiti ọpọlọpọ awọn igi ipinnu ti ṣẹda, ọkọọkan wọn ni ikẹkọ nipa lilo apẹẹrẹ ti data atilẹba, ati abajade ipari jẹ apapọ gbogbo awọn awoṣe oriṣiriṣi wọnyi.
Igbega:
Igbelaruge jẹ ilana ti ṣiṣe awọn asọtẹlẹ pẹlu eto ikasi n-alailagbara ninu eyiti olupilẹṣẹ alailagbara kọọkan ṣe soke fun awọn ailagbara ti awọn ikasi ti o lagbara. A tọka si classifier kan ti o ṣe buburu lori eto data ti a fun bi “kilasika alailera.”
Igbega jẹ o han ni ilana kan ju algorithm kan. Ipadabọ eekanna ati awọn igi ipinnu aijinile jẹ apẹẹrẹ ti o wọpọ ti awọn alailagbara alailagbara.
Adaboost, Igbega Gradient, ati XGBoost jẹ awọn algoridimu igbega olokiki meji julọ, sibẹsibẹ, ọpọlọpọ diẹ sii wa.
41. Ṣe alaye awọn iyatọ laarin inductive ati deductive eko.
Nigbati o ba kọ ẹkọ nipasẹ apẹẹrẹ lati inu akojọpọ awọn apẹẹrẹ ti a ṣe akiyesi, awoṣe kan nlo ẹkọ inductive lati de ipari ipari kan. Ni apa keji, pẹlu ẹkọ iyọkuro, awoṣe naa lo abajade ṣaaju ṣiṣe tirẹ.
Ẹkọ inductive jẹ ilana ti yiya awọn ipinnu lati awọn akiyesi.
Ẹkọ idinku jẹ ilana ti ṣiṣẹda awọn akiyesi ti o da lori awọn itọkasi.
ipari
Oriire! Iwọnyi ni awọn ibeere ifọrọwanilẹnuwo oke 40 ati loke fun ikẹkọ ẹrọ ti o mọ awọn idahun si bayi. Imọ data ati oye atọwọda awọn iṣẹ yoo tẹsiwaju lati wa ni ibeere bi imọ-ẹrọ ti nlọsiwaju.
Awọn oludije ti o ṣe imudojuiwọn imọ wọn ti awọn imọ-ẹrọ gige-eti wọnyi ati ilọsiwaju eto ọgbọn wọn le wa ọpọlọpọ awọn aye oojọ lọpọlọpọ pẹlu isanwo idije.
O le tẹsiwaju pẹlu didahun awọn ifọrọwanilẹnuwo ni bayi pe o ni oye ti o lagbara ti bi o ṣe le dahun si diẹ ninu awọn ibeere ifọrọwanilẹnuwo ikẹkọ ẹrọ ti a beere lọpọlọpọ.
Ti o da lori awọn ibi-afẹde rẹ, ṣe igbesẹ atẹle naa. Murasilẹ fun awọn ifọrọwanilẹnuwo nipa ṣiṣabẹwo si Hashdork’s Interview Series.
Fi a Reply