أهم أسئلة وأجوبة مقابلات التعلم الآلي – سبوتو

التعلم الآلي (ML) هو أعجوبة تكنولوجية لعام 2020. وهو منتج ثانوي للذكاء الاصطناعي. يتيح التعلم الآلي للأنظمة التعلم والتحسين تلقائياً من خلال الخبرة. لا تحتاج الأنظمة إلى أي برنامج محدد مما يعني أن مشاريع التعلم الآلي يمكن أن يقوم بها المبتدئون الذين لا يمتلكون معرفة صوتية بلغات برمجة محددة. على وجه الدقة، يسمح التعلم الآلي للأنظمة بالوصول إلى البيانات واستخدامها لتعزيز معرفتها.
هناك طلب على محللي البيانات الذين يعملون باستخدام الذكاء الاصطناعي. تقدم الشركات الكبرى رواتب مجزية للأشخاص الذين يرغبون في العمل مع التعلم الآلي. لذا، غالبًا ما يكون لدى حديثي التخرج فضول لمعرفة نوع الأسئلة المتعلقة بالتعلم الآلي التي سيتعين عليهم الإجابة عنها في مقابلات العمل. فإذا كانوا على دراية بنوع الأسئلة، يمكنهم الاستعداد وفقاً لذلك.
لذا، ترد أدناه قائمة شاملة بالأسئلة التي قد يواجهها المرشحون في مقابلات التعلم الآلي. كما يتم توفير إجاباتها أيضًا حتى يكون المرشحون المحتملون مستعدين لبعض المناقشات المكثفة.
التعلم الآلي يعني تطبيق الذكاء الاصطناعي الذي يمكّن الأنظمة من التعلم تلقائيًا. كما أنه يسمح بالتطوير من خلال التجربة دون أي برمجة محددة. ويركز على تطوير برامج الكمبيوتر للوصول إلى البيانات والاستفادة منها للتعلم الذاتي.
هناك ثلاثة أنواع مختلفة من التعلّم الآلي:-
في التعلّم الخاضع للإشراف، تتخذ الآلة القرارات ذات الصلة بناءً على البيانات المصنفة.
في التعلم غير الخاضع للإشراف، تحدد الآلة الأنماط والتناقضات في البيانات المدخلة. لا يمكن للآلة الوصول إلى البيانات المصنفة.
يسمح التعلّم المعزز للآلات بالتعلّم من المكافآت التي حصلت عليها عن الإجراءات السابقة.
في بعض الأحيان، تلتقط الآلة مجموعة التدريب بشكل أفضل من المطلوب، ثم تأخذ التقلبات العشوائية لبيانات التدريب كمفاهيم. يؤثر ذلك على قدرة النموذج على التعميم. لذا، فإنه لا ينطبق على البيانات الجديدة. عندما يحصل النموذج على بيانات التدريب، يظهر على أنه صحيح بنسبة 100%. ومع ذلك، عندما يستخدم المستخدمون بيانات الاختبار. قد يكون أقل فعالية. ومن المعروف باسم الإفراط في التركيب.
قد نتجنب الإفراط في التركيب بشكل أساسي بطريقتين مذكورتين أدناه:
التبسيط: نحتاج إلى إعداد نموذج بسيط. قد يقل التباين عندما نستخدم متغيرات ومعلمات أقل.
التنظيم: إن الإفراط في التركيب له مصطلح تكلفة للميزات التي تنطوي على وظائف الهدف. في حالة تسبب معلمات نموذجية محددة في الإفراط في التركيب، يمكن استخدام طرق مثل Lasso لمعاقبة الإعدادات.
نتبع ثلاث خطوات لإنشاء نموذج:
ثم الطريقة الأكثر ملاءمة للتعامل مع البيانات التالفة أو المفقودة هي إزالة الأعمدة والصفوف. بعد ذلك، يمكن استبدالها بقيمة مختلفة.
إذا كانت مجموعة التدريب صغيرة، فإن النموذج ذو التباين المنخفض والتحيز الصحيح يعمل بشكل أفضل. تعمل هذه النماذج أيضًا بشكل أفضل مع العلاقات المعقدة.
يُستخدم جدول معين للتحقق من أداء الخوارزمية. يُعرف هذا الجدول باسم مصفوفة الارتباك. ويُعرف أيضًا باسم مصفوفة الخطأ. نجدها في الغالب في التعلم الخاضع للإشراف. في التعلم غير الخاضع للإشراف، تُعرف مصفوفة الارتباك باسم مصفوفة المطابقة. وهي تحتوي على معلمتين تعرفان بالمصفوفة الفعلية والمتوقعة.
يتضمن نوع معين من التعلم الآلي أنظمة تستخدم الشبكات العصبية الاصطناعية للتفكير والتعلم. ويُعرف هذا النوع المحدد من التعلم الآلي أيضًا باسم التعلم العميق، ونستخدم مصطلح “عميق” له لأنه يعطينا طلاءات مختلفة من الشبكات العصبية بشكل رئيسي من الشبكات العصبية التي تعتبر جزءًا من التعلم العميق.
الفرق الرئيسي هو أن التعلم الآلي يسمح بتعلم الميزات يدوياً. في حالة التعلم العميق، تقرر الشبكات العصبية للنموذج تلقائيًا الميزات التي يجب استخدامها.
يتكون نموذج بناء الآلة من ثلاث مراحل. وهي كالتالي:
يتم تصنيف بعض الحالات خطأً على أنها صحيحة. فهي خاطئة. تُعرف هذه الحالات بالإيجابيات الخاطئة.
في مصفوفة الارتباك، تعني كلمة “إيجابية” في مصفوفة الارتباك صف “نعم” للقيمة المتوقعة. يعني مصطلح “إيجابية كاذبة” أن قيمتها الحقيقية سالبة. ومع ذلك، حدد النظام قيمتها على أنها موجبة.
من ناحية أخرى، يتم تصنيف بعض الحالات على أنها “خطأ” بالخطأ. فهي صحيحة. تُعرف هذه الحالات باسم “سالب كاذب” تشير كلمة “سالب” إلى عمود “لا” في مصفوفة الارتباك. يعني المصطلح الكامل “سالب كاذب” أن القيمة الفعلية للحالة إيجابية. ومع ذلك، فقد حددها النظام على أنها ضارة.
هناك بعض الحالات التي تحتوي فيها بيانات التدريب على كمية ممتازة من البيانات غير الموسومة وكمية أقل من البيانات الموسومة. يُعرف باسم التعلّم شبه الخاضع للإشراف.
يتضمن التعلّم غير الخاضع للإشراف تقنيتين: الارتباط والتجميع، ويجب شرح هاتين التقنيتين بالتفصيل.
الارتباط: هنا، نتعرف هنا على أنماط الارتباط بين المتغيرات المختلفة. على سبيل المثال، يتسوق بعض الأشخاص بشكل متكرر من خلال مواقع التجارة الإلكترونية. عندما يقوم العملاء المنتظمون بتسجيل الدخول إلى موقع التجارة الإلكترونية، فإنه يعرض لهم مقالات بناءً على قائمة تسوقهم السابقة أو قائمة أمنياتهم.
التجميع: يقسم البيانات ليتم تقسيمها إلى مجموعات فرعية مختلفة. تُعرف هذه المجموعات الفرعية أيضًا باسم المجموعات. تحتوي على بيانات متشابهة مع بعضها البعض. تعبر المجموعات المختلفة عن معلومات مختلفة حول الكائن المعني.
يجمع التعلم الخاضع للإشراف المعلومات من خلال البيانات المصنفة. واستناداً إلى هذه المعلومات التي جمعها، فإنه يقوم بعمل تنبؤ مستقبلي كمخرجات، استناداً إلى البيانات المصنفة.
التعلّم غير الخاضع للإشراف، يكتسب النموذج المعلومات من خلال بيانات المدخلات غير الموسومة. بعد ذلك، يسمح للخوارزمية باتخاذ خطوات وفقًا للتقرير دون أي تعليمات.
يتتبع التعلّم الاستقرائي الأحداث بناءً على مبادئ محددة جيدًا للاستنتاج. على سبيل المثال، نعرض مقطع فيديو لحريق تسبب في بعض الأضرار للطفل. هدفنا هو أن نجعل الطفل يفهم لماذا يحتاج إلى تجنب الحرق من خلال الفيديو.
التعلم الاستنتاجي يستنتج من التجارب. على سبيل المثال، يسمح الوالدان للطفل باللعب بالنار. في حالة تعرض الطفل للحرق، يتعلم مدى خطورة ذلك. لذلك، لا يلعب بالنار في المستقبل.
K-means غير خاضع للإشراف. أما KNN فهي خاضعة للإشراف. تتشابه النقاط في كل مجموعة من مجموعات K-means مع بعضها البعض. تختلف كل مجموعة من المجموعات عن المجموعات القريبة منها. تصنّف KNN جميع الملاحظات غير المسمّاة استنادًا إلى K.
يُعرف التصنيف الساذج-بايرز بأنه تصنيف ساذج لأنه يفترض صحة التصنيف من عدمه، وتفترض الخوارزمية أن وجود إحدى سمات الفئة غير مرتبط بوجود بعض الدوال الأخرى، وذلك بالنظر إلى متغير الفئة. على سبيل المثال، يمكن اعتبار الفاكهة برتقالة بناءً على لونها وشكلها، دون أي اعتبار للسمات الأخرى.
يحتوي التعزيز على وكيل يقوم ببعض الإجراءات لتحقيق هدف معين. يحصل على مكافأة في كل مرة يقوم فيها بشيء ما للتقدم نحو الهدف. وفي كل مرة يقوم فيها بشيء يبعده عن الهدف، تتم معاقبته. يتعلم الوكيل أثناء لعب اللعبة. لذا، لا توجد قواعد محددة مطلوبة هنا. إنه يقوم بحركة. هذه الحركة هي القرار. ثم يتحقق مما إذا كانت الحركة الصحيحة. بهذه الطريقة، يحصل على تغذية راجعة. يحفظ هذه التغذية الراجعة قبل اتخاذ الخطوة التالية. هذا الحفظ هو تعلمه. يكافأ على الحركة الصحيحة ويعاقب على الحركات الخاطئة.
لا يمكننا تطبيق خوارزمية تعلّم آلي ثابتة لحل مشكلة تصنيف، ومع ذلك، تساعدنا إرشادات مختلفة في اختيار مشكلة التصنيف.
يمكن اختبار خوارزميات مختلفة والتحقق من دقتها. يمكن اختيار النماذج ذات التباين العالي والتباين المنخفض في حالة وجود مجموعة بيانات تدريبية صغيرة. من ناحية أخرى، يمكن استخدام النماذج ذات الميل القليل والتباين العالي في مجموعة بيانات التدريب المكثفة.
في كثير من الأحيان، تختلف القيم المتوقعة في النموذج اختلافًا كبيرًا عن التكاليف الفعلية. هذا الاختلاف هو عندما يحدث التحيز. يُعرف المقدار الذي يتغير به النموذج المستهدف عند تدريبه باستخدام بيانات تدريب مختلفة باسم التباين. يجب أن يكون التباين عند الحد الأدنى في حالة وجود نموذج جيد.
تخزن أمازون بيانات شراء العملاء المنتظمين للرجوع إليها في المستقبل. وتساعد أمازون في العثور على المنتجات ذات الصلة للعميل بمساعدة خوارزمية الارتباط. تحدد خوارزمية الارتباط هذه أنماط مجموعة بيانات معينة.
هناك إجراء محدد لتصميم مرشح البريد المزعج للبريد الإلكتروني غير المرغوب فيه. وترد العملية أدناه:
يتم استخدام “الغابة العشوائية” لتصنيف المشاكل. وهي تندرج تحت خوارزمية تعلم آلي خاضعة للإشراف. أثناء مرحلة التدريب، تقوم ببناء العديد من أشجار القرار. تؤيد “الغابة العشوائية” القرار الذي تتخذه غالبية الأشجار باعتباره القرار النهائي.
لا يمكننا استخدام خوارزمية شائعة لجميع الحالات. نحتاج إلى طرح بعض الأسئلة لاختيار الخوارزمية الصحيحة. العناصر هي كالتالي:
الدقة هي نسبة عدد الأحداث التي يمكن استدعاؤها إلى العدد الإجمالي للألعاب التي يمكن تذكرها، وهي مزيج من الاستدعاءات الصحيحة والخاطئة. الاستدعاء هو نسبة عدد الأحداث التي يمكن استدعاؤها إلى إجمالي عدد الألعاب.
قد تتعامل شجرة القرار مع البيانات العددية وكذلك البيانات الفئوية. تبني شجرة القرار نماذج تصنيف مثل هيكل الشجرة. في حالة تصنيف شجرة القرارات، يتم تقسيم مجموعات البيانات إلى مجموعات فرعية أصغر حجماً. وهي تشكل بنية تشبه الشجرة التي تحتوي على عقد وفروع.
تُعرف التقنية التي تقلل من حجم شجرة القرار باسم التقليم. فهي تجعل المصنف النهائي أقل تعقيدًا. ونتيجة لذلك، فإنه يقلل من الإفراط في التركيب. ونتيجة لذلك، تزداد الدقة التنبؤية.
يتم استخدام الخوارزميات ذات التباين العالي ولكن ذات التحيز المنخفض لتدريب نماذج دقيقة ولكن غير متناسقة. الخوارزميات ذات التباين القليل، ولكن ذات التحيز المرتفع، تقوم بتدريب نماذج غير دقيقة ولكن غير متسقة.
الانحدار اللوجستي هو خوارزمية تصنيف تُستخدم للتنبؤ بنتيجة ثنائية لمجموعة معينة من المتغيرات المستقلة.
تقليم الخطأ المنخفض هو خوارزمية تقليم مقبولة. إنها نسخة سريعة ومباشرة من التقليم. يبدأ العمل على الأوراق. وتدريجياً، يستبدل كل عقدة بفئتها الأكثر تفضيلاً.
في الأساس، يتم استخدام نظام التوصية لتصفية المعلومات. فهو يتنبأ بما قد يرغب المستخدم في رؤيته أو سماعه. يعتمد هذا التنبؤ على أنماط اختياره أو اختيارها.
يمكننا تقليل الأبعاد بعدة طرق. وهي كالتالي:
الشكل الكامل لـ Kernel SVM هو آلة دعم النواة المتجهة. وهي فئة من الخوارزميات لتفسير الأنماط.
إنها خوارزمية تصنيف. وهي تعمل بطريقة يتم فيها تعيين نقطة البيانات الجديدة إلى مجموعة مجاورة هي الأقرب إليها.
الخلاصة : تطرح المؤسسات التي تتعامل مع التعلم الآلي الأسئلة المذكورة أعلاه بشكل متكرر أثناء المقابلات. ومع ذلك، يجب على المرشحين أن يبقوا على اطلاع دائم على آخر المستجدات. التكنولوجيا ليست راكدة. ومع تقدم التكنولوجيا، قد نتوقع المزيد من التطور في مجال التعلم الآلي. لذا، يجب على المرشحين تحديث معرفتهم مع تقدم الوقت.
وبالنظر إلى هذا الاتجاه الأخير، تقدم SPOTO العديد من تقنيات العصر الجديد مثل علوم البيانات، وإنترنت الأشياء، ودورة الذكاء الاصطناعي لمساعدتك على اكتساب معرفة راسخة بهذه المفاهيم. هذه الدورة مناسبة تمامًا لمن هم في المستوى المبتدئ والمتوسط من المحترفين المهنيين، وستصبح مواجهة أسئلة مقابلات التعلم الآلي أسهل بكثير بعد إكمال هذه الدورة.
سبوتو هي مزود معترف به عالميًا لمجموعة واسعة من الخدمات الاحترافية المصممة لتلبية الاحتياجات المتنوعة للمؤسسات في جميع أنحاء العالم. نحن متخصصون في التدريب التقني والتدريب على الأعمال، وتطوير تكنولوجيا المعلومات وحلول البرمجيات، وخدمات اللغات الأجنبية، والتعلم الرقمي، وتوفير الموارد والتوظيف، والاستشارات. يتجلى التزامنا الثابت بالتميز من خلال شهادات الأيزو 9001 و27001 وCMMIDEV/3، التي تؤكد على معاييرنا الاستثنائية. وبفضل سجلنا الحافل بالنجاحات الذي يمتد لأكثر من عقدين من الزمن، فقد قدمنا خدماتنا بفعالية لأكثر من 4000 مؤسسة في جميع أنحاء العالم.