أفضل 35 سؤالاً للمقابلات الشخصية لتعلم الآلة لعام 2022

أفضل 35 سؤالاً لمقابلة تعلم الآلة لعام 2022
هل تفتقر إلى الثقة للظهور في مقابلة تعلم الآلة (ML)؟ حسناً، لا تكن كذلك بعد الآن. جهز نفسك مع أفضل أسئلة مقابلات التعلم الآلي التي اختارتها لك سبوتو لعام 2022.
يعد التعلم الآلي (ML) والتعلم العميق (DL) والذكاء الاصطناعي (AI) من بين التقنيات الأكثر شيوعًا وظهورًا في جميع أنحاء العالم. ومع ازدياد اعتماد العالم على هذه التقنيات، تزداد فرص العمل أو الأدوار الوظيفية فيها.
ومع ذلك، فإن الحصول على هذه الوظائف يتطلب الكثير من الجهد والمعرفة المتعمقة، حيث أن تجاوز هذه المقابلات ليس بالأمر السهل أبداً. ولو كان الأمر كذلك، لكان معظم من حولك من ممارسي تعلّم الآلة أو الذكاء الاصطناعي أو تعلم الآلة.
وبما أننا لا نخذل جمهورنا أبدًا ولا نثبط من عزيمتهم في السعي وراء الوظائف التي يحلمون بها؛ لذا، فإن مدونة اليوم مخصصة لكم فقط. تركز هذه المدونة الشاملة على أولئك الذين يسعون جاهدين لاختراق مقابلات العمل في مجال التعلم الآلي.
سنرى هنا 35 سؤالاً أكيداً لمقابلات تعلّم الآلة لعام 2022، والتي ستراجع جميع المهارات المطلوبة والمفاهيم الضرورية. لذا، ترقبوا معنا.
قد يعجبك أيضًا: كيف أصبح التعلّم الآلي اتجاهًا تقنيًا لعام 2022؟
35 سؤالاً من المؤكد طرحها في مقابلات التعلم الآلي مع إجاباتها لعام 2022
Q1. ما هي الأنواع المختلفة للتعلم الآلي (ML)؟
هناك 3 أنواع من التعلم الآلي:
1. التعلم الخاضع للإشراف: تقوم نماذج التعلم الآلي هنا بعمل تنبؤات بناءً على بيانات مصنفة أو بيانات سابقة. وتعني البيانات المصنفة مجموعات البيانات التي يتم إعطاؤها علامات معينة، مما يجعلها أكثر ثاقبة.
2. التعلّم غير الخاضع للإشراف: على عكس النوع الأول، لا توجد هنا أي بيانات مصنفة. يمكن لنموذج التعلم الآلي تحديد مغالطات البيانات المدخلة وأنماطها وعلاقاتها.
3. التعلّم المعزز: هنا، يمكن للنموذج أن يتعلم استنادًا إلى المكافآت التي حصل عليها عن أفعاله السابقة. على سبيل المثال، ضع في اعتبارك بيئة يعمل فيها الوكيل. يتم إعطاؤه هدفًا ليحققه، وفي كل مرة يخطو فيها نحو الهدف، يتم إعطاؤه تغذية راجعة إيجابية. إذا كان الإجراء المتخذ بعيداً عن الهدف، يتم إعطاؤه تغذية راجعة سلبية.
Q2. ما هو التباين والتحيز في التعلم الآلي؟ التباين: هو الرقم الذي يولد فرق التنبؤ على مجموعة التدريب والقيمة المتوقعة لمجموعات التدريب الأخرى. قد يؤدي التباين المرتفع إلى تحولات كبيرة في المخرجات؛ وبالتالي يجب أن تكون مخرجات النموذج ذات تباين منخفض. التحيز: هو متوسط تنبؤ النموذج مقابل القيمة الدقيقة. إذا كانت قيمة التحيز عالية، فإن تنبؤ النموذج ليس دقيقاً. ولذلك، يجب أن تكون قيمة التحيز منخفضة قدر الإمكان لتحقيق التنبؤات المطلوبة.
Q3. ما هو التحيز الزائد في التعلّم الآلي؟
الإفراط في التركيب هو حالة تحدث عندما يتعلم نموذج التعلّم الآلي مجموعة التدريب بشكل جيد للغاية، مع الأخذ بعين الاعتبار التحولات العشوائية في البيانات كمفاهيم. يؤثر ذلك على قدرة النموذج على التعميم وعدم تطبيقه على البيانات الجديدة.
على سبيل المثال، عندما يتم تزويد النموذج ببيانات التدريب، فإنه يُظهر دقة بنسبة 100%. ومع ذلك، عندما يتم الاستفادة من بيانات الاختبار، قد تكون هناك حالات شاذة وكفاءة منخفضة، وتُعرف هذه الحالة باسم “الإفراط في التعميم”.
Q4. كيف يمكن تجنب الإفراط في التركيب في التعلم الآلي؟
بعض الطرق الشائعة لتجنب الإفراط في التركيب في التعلم الآلي هي التنظيم (إجبار نموذج التعلّم الآلي الاصطناعي على أن يكون أبسط). المصادقة التبادلية (تقسيم مجموعات البيانات إلى مجموعتين: مجموعات بيانات الاختبار والتدريب. لماذا؟ لضبط المعلمات الفائقة مع مجموعة التدريب الأصلية فقط). التجميع (الجمع بين التنبؤات من عدد لا يحصى من النماذج المنفصلة. نوعان من التجميع – التكديس والتعزيز) إنشاء نموذج بسيط بمعلمات ومتغيرات أقل. إزالة ميزات المدخلات غير ذات الصلة لتعزيز قابلية تعميم النموذج
Q5. اذكر 5 خوارزميات شائعة لتعلم الآلة؟ آلات دعم المتجهات الداعمة أشجار القرار أقرب الشبكات العصبية المجاورة أو الشبكات الاحتمالية ذات الانتشار الخلفي
Q6. كيف تتعامل مع البيانات المفقودة في مجموعة البيانات؟
تُستخدم طريقتان مثمرتان للتعامل مع البيانات المفقودة في Python Pandas، وهما: IsNull() و dropna() – العثور على صفوف أو أعمدة البيانات المفقودة وإسقاطها. Fillna() – استبدال القيم الخاطئة بالكامل بقيمة عنصر نائب.
Q7. كيف تختار مصنفًا بناءً على حجم مجموعة بيانات التدريب؟
عندما تكون مجموعة التدريب صغيرة، يعمل نموذج التعلّم الآلي ذو التحيّز الصحيح والتباين المنخفض بشكل أفضل حيث تقل احتمالية تسببه في التحيّز الزائد.
على سبيل المثال، تعمل خوارزمية Naive Bayes (خوارزمية تصنيف) بشكل أفضل مع متعلم واسع النطاق. تؤدي النماذج ذات التباين العالي والتحيز المنخفض إلى أداء أفضل نظرًا لقدرتها على العمل بشكل جيد مع العلاقات المعقدة.
Q8. ما هو التحقق التبادلي في التعلم الآلي؟
تسمح هذه التقنية بزيادة أداء النموذج في خوارزمية التعلّم الآلي المعطاة التي يتم تزويدها ببعض البيانات النموذجية.
يقسم التحقق التبادلي في التعلم الآلي مجموعة البيانات إلى أجزاء أصغر تتكون من نفس عدد الصفوف. يتم اختيار جزء عشوائي كمجموعة اختبار، ويتم الاحتفاظ بالباقي كمجموعات تدريب. بعض الطرق المستخدمة في التحقق التبادلي هي طريقة K-أضعاف الإجازة p-احتجاز طريقة K-أضعاف الطبقية
Q9. ما الفرق بين مجموعة التدريب ومجموعة الاختبار؟
مجموعة التدريب: هي الأمثلة التي يتم تقديمها لنموذج التعلم الآلي لتحليل وتعلم 70% من إجمالي البيانات تعتبر مجموعة بيانات التدريب. لتدريب الوضع، يتم استخدام البيانات المصنفة.
مجموعة الاختبار: تُستخدم لاختبار دقة الفرضية التي ينتجها نموذج التعلم الآلي. من إجمالي البيانات، يتم اشتقاق الـ 30% المتبقية كمجموعة بيانات اختبارية هنا يتم اختبار النموذج بدون بيانات موسومة ثم يتم التحقق من المخرجات باستخدام التسميات.
Q10. اشرح 3 مراحل لبناء نموذج في التعلم الآلي؟
1. بناء النموذج – اختيار خوارزمية مناسبة للنموذج وتدريبه وفقًا للمتطلبات
2. اختبار النموذج – اختبار دقة النموذج باستخدام بيانات الاختبار.
3. تطبيق النموذج – بمجرد اختباره، قم بإجراء التغييرات اللازمة والاستفادة من النموذج النهائي للمشاريع في الوقت الفعلي
Q11. ما الفرق بين KNN و K-means Clusterering؟
Q12. ما هي وظائف التعلم الخاضع للإشراف؟ شروح السلسلة تصنيفات الانحدار تصنيفات الانحدار التنبؤ بالسلاسل الزمنية التعرف على الكلام
Q13. ما هي وظائف التعلّم غير الخاضع للإشراف؟ البحث عن مجموعات البيانات العثور على مجموعات البيانات العثور على ملاحظات جديدة أو تطهير قاعدة البيانات تحديد اتجاهات البيانات المثيرة للاهتمام الكشف عن تمثيلات البيانات منخفضة الأبعاد الإحداثيات والارتباطات المثيرة للاهتمام
Q14. ما هي مصفوفة الارتباك؟
مصفوفة الارتباك (مصفوفة الخطأ) هي ملخص مقارنة بين تنبؤات النموذج وتسميات القيم الفعلية. يتم تمثيلها باستخدام مصفوفة NxN، حيث N هو عدد الفئات.
يشير كل صف من المصفوفة إلى مثيلات الفئة المتوقعة، ويوضح كل عمود مثيلات الفئة الفعلية.
على سبيل المثال، انظر إلى مصفوفة الارتباك التالية، حيث: الإيجابيات الحقيقية (TP) = 12 السلبيات الحقيقية (TN) = 9 الإيجابيات الخاطئة (FP) = 1 السلبيات الخاطئة (FN) = 3
بالنسبة للقيم الفعلية
إجمالي نعم = 12 + 1 = 13
إجمالي لا = 3 + 9 = 12
بالنسبة للقيم المتوقعة:
إجمالي نعم = 12 + 3 = 15
إجمالي لا = 1 + 9 = 10
الآن، يتم حساب دقة النموذج على النحو التالي
دقة = (TP + TN) / (TP + TN + FP + FP + FN) = 21 / 25 = 84%
Q15. ما هو التعلم العميق (DL)؟
التعلم العميق هو مجموعة فرعية من التعلم الآلي. وهو يتضمن أنظمة تتعلم وتفكر مثل البشر باستخدام الشبكات العصبية الاصطناعية. نظرًا لأن النموذج يحتوي على شبكات عصبية، يمكن للنموذج أن يحدد تلقائيًا هندسة الميزات التي يجب الاستفادة منها وتلك التي لا يجب استخدامها. يتطلب DL أيضًا نظامًا متطورًا، نظرًا لاستخدام الطاقة الحاسوبية الضخمة.
Q16. قارن بين التعلم الآلي والتعلم العميق؟
Q17. اذكر بعض التطبيقات التي يُستخدم فيها التعلّم الخاضع للإشراف؟ الكشف عن الاحتيال تشخيص الأمراض الكشف عن الرسائل غير المرغوب فيها تحليل المشاعر
Q18. ما هي المجالات التي يُستخدم فيها التعرف على الأنماط؟ استرجاع المعلومات الرؤية الحاسوبية الرؤية الحاسوبية المعلوماتية الحيوية الإحصاء التنقيب عن البيانات التعرف على الكلام
Q19. ما هو التعلم الآلي شبه الخاضع للإشراف؟
في هذا النوع من التعلّم، تحتوي بيانات التدريب على كمية صغيرة من البيانات الموسومة (التعلّم تحت الإشراف) وكمية كبيرة من البيانات غير الموسومة (التعلّم غير الخاضع للإشراف)
Q20. كيف يتم تحديد مدى ملاءمة خوارزمية التعلم الآلي لمشكلة معينة؟
يجب اتباع الخطوات التالية في تحديد الخوارزمية المناسبة لمشكلة معينة:
1. تصنيف مدخلات المشكلة تصنيف المدخلات: لتحديد ما إذا كانت البيانات من التعلّم الخاضع للإشراف أو التعلّم غير الخاضع للإشراف أو التعلّم المعزّز تصنيف المخرجات:
إذا كانت: المخرجات مطلوبة كفئة (تقنية التصنيف المستخدمة) المخرجات عبارة عن رقم (تقنية الانحدار المستخدمة) المخرجات عبارة عن مجموعة مدخلات مختلفة (تقنيات التجميع المستخدمة)
2. تحقق من الخوارزميات المتاحة
3. تنفيذ الخوارزمية
Q21. ما هي التقنيات المستخدمة في التعلّم غير الخاضع للإشراف؟
هناك تقنيتان:
1. الارتباط: هنا، يتم تحديد أنماط الارتباط بين العناصر أو المتغيرات المختلفة. على سبيل المثال، يوصي موقع للتجارة الإلكترونية مثل Amazon أو Flipkart بأشياء أخرى لتشتريها، بناءً على عمليات الشراء السابقة التي قمت بها، وعناصر قائمة الرغبات، وعادات الشراء لدى مستخدمين آخرين، وما إلى ذلك.
2. التجميع: يتضمن تقسيم البيانات إلى مجموعات فرعية تُعرف باسم المجموعات. تحتوي هذه المجموعات على بيانات متشابهة مع بعضها البعض. على عكس الانحدار أو التصنيف، تكشف المجموعات المختلفة عن تفاصيل الكائنات المختلفة.
Q22. ما هي الطرق المختلفة لحل مشاكل التعلّم المتسلسل الخاضع للإشراف؟
الطرق المختلفة لحل المشكلات هي شبكات محول الرسم البياني نماذج ماركو المخفية نماذج ماركو المخفية طرق النوافذ المنزلقة الحقول العشوائية المشروطة النوافذ المنزلقة المتكررة نماذج ماركو ذات الانتروبيا القصوى
Q23. كيف يمكن للمرء معرفة خوارزمية التعلم الآلي التي يجب اختيارها لمشاكل التصنيف؟
على الرغم من عدم وجود أي قاعدة ثابتة لاختيار خوارزمية للمشكلة، لكن يمكنك بالتأكيد اتباع هذه التعليمات: إذا كانت مجموعة بيانات التدريب كبيرة، استخدم النماذج ذات التباين العالي والتحيز المنخفض إذا كانت مجموعة بيانات التدريب صغيرة، استخدم النماذج ذات التباين المنخفض والتحيز العالي اختبر خوارزميات مختلفة وتحقق من دقتها أو دقة دقة النماذج، إذا كانت الدقة أو الدقة مصدر قلق
Q24. كيف يعمل محرك التوصيات؟
بمجرد أن نشتري شيئًا ما من مواقع التجارة الإلكترونية، تقوم هذه المواقع بتخزين بيانات الشراء للرجوع إليها في المستقبل وتحديد المنتجات التي من المرجح أن يتم شراؤها. وهذا ممكن بسبب خوارزمية الرابطة التي تحدد الأنماط في مجموعة بيانات معينة.
Q25. متى يتم اختيار التصنيف بدلاً من الانحدار؟
تُستخدم تقنية الانحدار عندما يكون المتغير المستهدف متصلاً، بينما يُستخدم التصنيف عندما يكون الهدف فئوياً.
من أمثلة مشاكل الانحدار تقدير مبيعات المنتج وسعره التنبؤ بكمية الأمطار التنبؤ بنتائج الفريق.
أمثلة على مشاكل التصنيف تشمل: نوع اللون التنبؤ ب “نعم أو لا” تقدير نوع الجنس سلالة الحيوانات
Q26. ما هي الغابة العشوائية؟
هي خوارزمية تعلّم آلي خاضعة للإشراف تُستخدم في حل مشاكل التصنيف. تعمل الغابة العشوائية من خلال إنشاء أشجار قرارات متعددة أثناء مرحلة التدريب. تقوم الخوارزمية باختيار قرار الأغلبية كقرار نهائي.
Q27. عرّف الدقة والاسترجاع؟
الدقة
تحدد الدقة عدد النتائج الإيجابية المتوقعة من إجمالي النتائج الإيجابية. على سبيل المثال، تُعرّف المقاييس المستخدمة في استرجاع المستندات على أنها عدد المستندات الصحيحة التي يُرجعها النموذج.
يتم تحديد الدقة على النحو التالي:
الدقة = TP / TP + FP
الاسترجاع
يُعد الاسترجاع أو الحساسية مقياسًا حيويًا آخر يخبرنا بعدد الإيجابيات الصحيحة التي تم التنبؤ بها من إجمالي التنبؤات الإيجابية. وبكلمات بسيطة، يُقال إنها نسبة التنبؤات الإيجابية الحقيقية إلى جميع التنبؤات الإيجابية في القيم الفعلية.
التذكر = TP / TP + FN
Q28. كيف يمكننا التحقّق من الحالة الطبيعية لمجموعة بيانات أو ميزة ما؟
يمكن التحقق من الحالة الطبيعية لأي منهما باستخدام المخططات. لكن، هناك قائمة باختبارات التحقق من الحالة الطبيعية وهي D’Agostino Skewness Anderson-Darling Kolmogorov-Smirnov Shapiro-Wilk W Martinez-Iglewicz
Q29. ما هي طريقة SVM النواة؟
الأساليب النواتية هي فئات خوارزمية لتحليل الأنماط، وأكثرها شيوعاً هي آلة دعم المتجهات النواتية (SVM).
Q30. ما المقصود بالنتيجة F1؟
هي عبارة عن مقياس يدمج بين التذكر والدقة في مقياس واحد لمتوسط قيمة المخرجات.
معادلة حساب النتيجة F1 هي:
F1 = 2 * (الدقة * الاسترجاع) / (الدقة + الاسترجاع)
Q31. ما المقصود بمتجهات الدعم في الآلة الكهروضوئية الجبرية التلقائية؟
تساعد هذه المتجهات في إنشاء نماذج SVM. متجهات الدعم هي نقاط البيانات الأقرب إلى المستوى الفائق. وهي تؤثر على اتجاه المستوى الفائق وموضعه. إذا تمت إزالة المتجهات، فسيؤدي ذلك إلى تغيير موضع المستوى الفائق.
Q32. ما هو التعلّم التجميعي ولماذا يُستخدم؟
هو عبارة عن مجموعة من النتائج التي تم الحصول عليها من نماذج متعددة للتعلم الآلي مثل المصنفات لزيادة الدقة من أجل تحسين عملية اتخاذ القرار.
يُستخدم التعلّم التجميعي لتحسين التنبؤ، وتقريب الدالة، والتصنيف، وما إلى ذلك من النماذج.
Q33. كيف تختلف الغابة العشوائية عن آلة تعزيز التدرج (GBM)؟
يتمثل الاختلاف الرئيسي بين الغابة العشوائية وآلة التعزيز المتدرج في الاستفادة من الأساليب، أي أن الغابة العشوائية تستخدم طريقة التجميع في التجميع لتعزيز التنبؤات، بينما تستخدم آلة التعزيز المتدرج تقنية التعزيز المتدرج للقيام بنفس الشيء. التجميع: هنا يتم تطبيق أخذ عينات عشوائية وتقسيم مجموعات البيانات إلى N. بعد ذلك، باستخدام خوارزمية تدريب واحدة، يتم إنشاء نموذج للتعلم الآلي. باستخدام نهج الاقتراع، يتم الحصول على التنبؤات النهائية ويتم دمجها لاحقًا. وتتمثل ميزة نهج التجميع في أنه يزيد من كفاءة النموذج من خلال تقليل التباين إلى الحد الأدنى للقضاء على التباين. التعزيز: هنا، تسعى الخوارزمية إلى مراجعة وتصحيح التنبؤات غير المقبولة أثناء التكرار الأولي. بعد ذلك، يستمر تسلسل التكرار الخوارزمي للتصحيح حتى يتم الحصول على التنبؤ المطلوب. تتمثل ميزة تقنية التعزيز في أنها تقلل من التحيز والتباين لتقوية المتعلمين الضعفاء.
Q34. ما هي الافتراضات التي يجب أخذها في الاعتبار قبل البدء في الانحدار الخطي؟
توجد 5 افتراضات أساسية عند البدء بنموذج الانحدار الخطي وهي عدم وجود ترابط ذاتي علاقة خطية علاقة خطية علاقة خطية معيارية متعددة المتغيرات عدم وجود أو تقليل تعدد التباين التماثلية المتجانسة
Q35. عرّف AUC-ROC لمقاييس التصنيف؟
تحدد المنطقة تحت المنحنى (AUC) – خصائص المتلقي (ROC) درجة قابلية الفصل بين الفئات بواسطة النموذج. كلما زادت الدرجة، زادت قدرة نموذج التعلّم الآلي على التنبؤ بالفئات 1 على أنها 1 و 0 على أنها 0. يتم رسم المنحنى باستخدام معدل FP (FPR) على المحور X ومعدل TP (TPR) على المحور Y.
تكون معادلة TPR و FPR كما يلي:
TPR = TP / TP + FN
fpr = fp / tn + fp
إذا كانت AUC-ROC = 1، فهذا يعني أن النماذج تتنبأ بدقة وإمكانية فصل كاملة. إذا كانت 0.5، فهذا يعني عدم وجود قابلية فصل، ويتوقع النموذج نتائج غير متوقعة. إذا كانت 0، فإن النموذج يتنبأ بالفئات المقلوبة.
حقق حلمك وكن جزءًا من مجموعة مواهب التعلم الآلي
مع تزايد التقنيات يومًا بعد يوم، فإن محيط فرص الذكاء الاصطناعي وعلوم البيانات لا ينتهي أبدًا. يمكن للأفراد الذين يرتقون بمهاراتهم المهنية ويكونوا من الطراز الأول في هذه التقنيات المبتكرة أن يجدوا العديد من الأبواب المفتوحة برواتب مجزية.
هل تتطلع إلى أن تصبح ممارساً في مجال تعلُّم الآلة ولكنك لا تعرف أين تتوقف؟ حسناً، أنت في المكان الصحيح.
سجّل في دورة تعلّم الآلة (ML) التي تقدمها SPOTO وكن محترفاً معتمداً الآن.
سبوتو هو الحل الشامل الذي يقدم دورات تدريبية معتمدة في مجموعة متنوعة من التقنيات، مما يمنحك السبق في هذا العالم التنافسي. تفضل بزيارة موقعنا الإلكتروني لمعرفة دورات التكنولوجيا المختلفة.
بناءً على مستوى خبرتك، قد يُطلب منك عرض مهاراتك في التعلم الآلي. ومع ذلك، يعتمد هذا بشكل أساسي على الدور الذي تحاول تحقيقه.
أسئلة مقابلة تعلُّم الآلة مع إجاباتها هي أفضل ما نختاره من جانبنا، والتي ستساعدك على اجتياز المقابلة من المحاولة الأولى.
بصرف النظر عن إعداد أسئلة المقابلة، من المهم أيضًا أن تكون لديك معرفة كافية بعلوم البيانات.
عن شركتنا
تُجري شركتنا كلاً من جلسات التدريب المباشر عبر الإنترنت بقيادة مدرس وورش عمل تدريبية في الفصول الدراسية بقيادة مدرس للمتعلمين في جميع أنحاء العالم.
كما نقدم أيضًا تدريب الشركات لتطوير القوى العاملة في المؤسسات
شهادات التكنولوجيا الناشئة:
الذكاء الاصطناعي (AI) والتعلم العميق (DL) تقييم 4.9/5 نجوم، التحق 12078 طالبًا
أتمتة العمليات الروبوتية (RPA) تقييم 4.9/5 نجوم، 10078 طالب مسجل
التعلّم الآلي (ML) تقييم 4.9/5 نجوم، 958 طالباً مسجلاً
بلوك تشين تقييم 4.9/5 نجوم، 1127 طالباً مسجلاً