डीप लर्निंग साक्षात्कार प्रश्न और उत्तर का परिचय
आज डीप लर्निंग को सबसे तेजी से बढ़ती तकनीक में से एक के रूप में देखा जाता है से एक के रूप में देखा गया है जिसमें एक आवेदन विकसित करने की एक बड़ी क्षमता है जिसे कुछ समय पहले कठिन देखा गया है। भाषण मान्यता, छवि पहचान, किसी डेटासेट में पैटर्न ढूंढना, तस्वीरों में ऑब्जेक्ट वर्गीकरण, चरित्र टेक्स्ट पीढ़ी, स्वयं-ड्राइविंग कार और कई और उदाहरण हैं जहां डीप लर्निंग ने इसका महत्व दिखाया है।
तो आपको अंततः डीप लर्निंग में अपना सपनों का काम मिल गया है, लेकिन यह सोच रहा है कि डीप लर्निंग साक्षात्कार को कैसे क्रैक करना है और संभावित डीप लर्निंग साक्षात्कार प्रश्न क्या हो सकते हैं। प्रत्येक साक्षात्कार अलग होता है और नौकरी का दायरा भी अलग होता है। इसे ध्यान में रखते हुए हमने आपके साक्षात्कार में सफलता प्राप्त करने में आपकी सहायता के लिए सबसे आम डीप लर्निंग साक्षात्कार प्रश्न और उत्तर तैयार किए हैं।
नीचे कुछ डीप लर्निंग साक्षात्कार प्रश्न हैं जिन्हें अक्सर साक्षात्कार में पूछा जाता है और यह आपके स्तरों का परीक्षण करने में भी मदद करेगा:
भाग 1 – डीप लर्निंग साक्षात्कार प्रश्न (मूल)
इस पहले भाग में बुनियादी डीप लर्निंग साक्षात्कार प्रश्न और उत्तर शामिल हैं
1. डीप लर्निंग क्या है?
उत्तर: मशीन लर्निंग का क्षेत्र जो गहरे कृत्रिम तंत्रिका नेटवर्क पर केंद्रित है जो दिमाग से काफी हद तक प्रेरित हैं। एलेक्सी ग्रिगॉरेविच इवखनेन्क़ो काम कर रहे डीप लर्निंग नेटवर्क पर पहला जनरल प्रकाशित किया । आज इसका कंप्यूटर अनुप्रयोग, भाषण मान्यता, प्राकृतिक भाषा प्रसंस्करण जैसे विभिन्न क्षेत्रों में इसका आवेदन है ।
2. शॅलो वन्स की तुलना में डीप नेटवर्क बेहतर क्यों हैं?
उत्तर:
ऐसे अध्ययन हैं जो कहते हैं कि दोनों शॅलो वन्स और डीप नेटवर्क किसी भी फंक्शन में फिट हो सकते हैं, लेकिन डीप नेटवर्क में कई प्रकार की छिपी परतें अक्सर अलग-अलग प्रकार की होती हैं ताकि वे कम पैरामीटर वाले शॅलो वन्स मॉडल की तुलना में बेहतर सुविधाओं को बनाने या निकालने में सक्षम हों ।
3. एक कॉस्ट फंक्शन क्या है?
उत्तर:
एक कॉस्ट कार्य दिया गया प्रशिक्षण नमूना और अपेक्षित आउटपुट के संबंध में तंत्रिका नेटवर्क की शुद्धता का एक उपाय है। यह एक एकल मूल्य है, नॉनवेक्टर क्योंकि यह पूरी तरह से तंत्रिका नेटवर्क का प्रदर्शन देता है। इसकी गणना मीन स्क्वायर त्रुटि फ़ंक्शन के रूप में की जा सकती है: –
एमएसई = 1 एनजीआई = 0 एन (वाई ^ आई-यी) ^ 2
जहां वाई ^ और वांछित मूल्य वाई वह है जिसे हम कम करना चाहते हैं।
आइए अगले डीप लर्निंग साक्षात्कार प्रश्न पर जाएं।
4. एक ग्रेडियेंट डिसेंट क्या है?
उत्तर:
ग्रेडियेंट मूल मूल रूप से एक अनुकूलन एल्गोरिदम है, जिसका उपयोग पैरामीटर के मान को जानने के लिए किया जाता है जो लागत कार्य को कम करता है। यह एक पुनरावृत्ति एल्गोरिदम है जो ग्रेडियेंट के नकारात्मक द्वारा परिभाषित सबसे तेज मूल की दिशा में चलता है। हम दिए गए पैरामीटर के लिए लागत फ़ंक्शन के ग्रेडियेंट डिसेंट की गणना करते हैं और नीचे सूत्र द्वारा पैरामीटर अपडेट करते हैं: –
Θ: = Θ-αd∂ΘJ (Θ)
कहां Θ – पैरामीटर वेक्टर है, α – सीखने की दर, जे (Θ) – एक ग्रेडियेंट फंक्शन है।
5. बैकप्रोपैगेशन क्या है?
उत्तर:
बैकप्रोपैगेशन मल्टीलायर तंत्रिका नेटवर्क के लिए उपयोग किए जाने वाले एल्गोरिदम को प्रशिक्षण दे रहा है। इस विधि में, हम नेटवर्क के अंत में नेटवर्क के अंत में त्रुटि को स्थानांतरित करते हैं और इस प्रकार ढाल के कुशल गणना की अनुमति देते हैं। इसे कई चरणों में विभाजित किया जा सकता है: –
आउटपुट उत्पन्न करने के लिए प्रशिक्षण डेटा का आगे बढ़ना।
Ø लक्ष्य मान और आउटपुट मान त्रुटि व्युत्पन्न का उपयोग आउटपुट सक्रियण के संबंध में गणना की जा सकती है।
Ø फिर हम पिछली बार आउटपुट सक्रियण के संबंध में त्रुटि के व्युत्पन्न कंप्यूटिंग के लिए प्रचार करते हैं और सभी छिपी परतों के लिए इसे जारी रखते हैं।
आउटपुट और सभी छिपी हुई परतों के लिए पहले गणना किए गए डेरिवेटिव का उपयोग करना हम वजन के संबंध में त्रुटि डेरिवेटिव की गणना करते हैं।
Ø और फिर हम वजन को अद्यतन करते हैं।
6. ग्रेडियेंट डिसेंट के निम्नलिखित तीन प्रकारों का पालन करें: बैच, स्टोकास्टिक और मिनी-बैच?
उत्तर:
स्टोकास्टिक ग्रेडियेंट डिसेंट : यहां हम ग्रेडियेंट और अद्यतन पैरामीटर की गणना के लिए केवल एक प्रशिक्षण उदाहरण का उपयोग करते हैं।
बैच ग्रेडियेंट डिसेंट : यहां हम पूरे डेटासेट के लिए ढाल की गणना करते हैं और प्रत्येक पुनरावृत्ति पर अद्यतन करते हैं।
मिनी–बैच ग्रेडियेंट डिसेंट : यह सबसे लोकप्रिय अनुकूलन एल्गोरिदम में से एक है। यह स्टोकास्टिक ग्रेडियेंट डिसेंट का एक रूप है और यहाँ एक प्रशिक्षण उदाहरण के बजाय, नमूने के मिनी-बैच का उपयोग किया जाता है।
भाग 2 – डीप लर्निंग साक्षात्कार प्रश्न (उन्नत)
आइए अब उन्नत डीप लर्निंग साक्षात्कार प्रश्न पर नज़र डालें।
7. मिनी बैच ग्रेडियेंट डिसेंट के क्या फायदे हैं?
उत्तर: नीचे मिनी बैच ग्रेडियेंट डिसेंट के लाभ हैं
• यह स्टोकास्टिक ग्रेडियेंट डिसेंट की तुलना में अधिक कुशल है।
• फ्लैट मिनीमा ढूंढकर सामान्यीकरण।
• मिनी-बैच पूरे प्रशिक्षण सेट के ग्रेडियेंट का अनुमान लगाने में मदद करता है जो हमें स्थानीय न्यूनतम से बचने में मदद करता है।
8. डेटा सामान्यीकरण क्या है और हमें इसकी आवश्यकता क्यों है?
उत्तर:
बैकप्रोपैगेशन के दौरान डेटा सामान्यीकरण का उपयोग किया जाता है। डेटा सामान्यीकरण के पीछे मुख्य उद्देश्य डेटा रिडंडेंसी को कम करना या समाप्त करना है। यहां हम बेहतर अभिसरण प्राप्त करने के लिए एक विशिष्ट सीमा में फ़िट होने के लिए मूल्यों को पुन: सहेजते हैं।
आइए अगले डीप लर्निंग साक्षात्कार प्रश्न पर जाएं।
9. नुरल नेटवर्क में वेट शुरूआत क्या है?
उत्तर:
वेट प्रारंभ करना बहुत महत्वपूर्ण कदमों में से एक है। एक बुरा वेट प्रारंभ करने से नेटवर्क को सीखने से रोका जा सकता है लेकिन अच्छा वेट प्रारंभ करने से त्वरित अभिसरण और बेहतर समग्र त्रुटि देने में मदद मिलती है। बाईस आमतौर पर शून्य के लिए शुरू किया जा सकता है। वेट निर्धारित करने के लिए नियम बहुत छोटा होने के बिना शून्य के करीब होना चाहिए।
10. एक ऑटो-एन्कोडर क्या है?
उत्तर:
एक ऑटोएनकोडर एक स्वायत्त मशीन लर्निंग एल्गोरिदम है जो बैकप्रोपैगेशन सिद्धांत का उपयोग करता है, जहां लक्ष्य मान प्रदान किए गए इनपुट के बराबर सेट होते हैं। आंतरिक रूप से, इसमें एक छिपी हुई परत होती है जो इनपुट का प्रतिनिधित्व करने के लिए उपयोग किए गए कोड का वर्णन करती है।
ऑटोएनकोडर के बारे में कुछ महत्वपूर्ण तथ्य निम्नानुसार हैं: –
- यह प्रिंसिपल कंपोनेंट एनालिसिस के समान एक असुरक्षित एमएल एल्गोरिदम है
• यहप्रिंसिपल कंपोनेंट एनालिसिस के समान उद्देश्य कार्य को कम करता है
• यह एक तंत्रिका नेटवर्क है
• तंत्रिका नेटवर्क का लक्ष्य आउटपुट इसका इनपुट है
11. क्या परत 4 आउटपुट से परत 2 इनपुट में कनेक्ट करना ठीक है?
उत्तर:
हां, यह किया जा सकता है कि परत 4 आउटपुट पिछले समय चरण से आरएनएन में है। साथ ही, हमें यह मानने की आवश्यकता है कि पिछला इनपुट बैच कभी-कभी वर्तमान बैच से सहसंबंधित होता है।
आइए अगले डीप लर्निंग साक्षात्कार प्रश्नों पर जाएं।
12. बोल्टज़मान मशीन क्या है?
उत्तर:
बोल्टज़मान मशीन का उपयोग किसी समस्या के समाधान को अनुकूलित करने के लिए किया जाता है। बोल्टज़मान मशीन का काम मूल रूप से दिए गए समस्या के वजन और मात्रा को अनुकूलित करने के लिए है।
बोल्टज़मान मशीन के बारे में कुछ महत्वपूर्ण बिंदु –
• यह आवर्ती संरचना का उपयोग करता है।
• इसमें स्टोकास्टिक न्यूरॉन्स होते हैं, जिनमें दो संभावित राज्यों में से एक होता है, या तो 1 या 0.।
• इसमें न्यूरॉन्स या तो अनुकूली (मुक्त स्थिति) या क्लैम्पड (जमे हुए राज्य) में होते हैं।
• अगर हम अलग हॉपफील्ड नेटवर्क पर नकली एनीलिंग लागू करते हैं, तो यह बोल्टज़मान मशीन बन जाएगा।
13. एक्टिवेशन फंक्शन की भूमिका क्या है?
उत्तर:
एक्टिवेशन फ़ंक्शन का उपयोग तंत्रिका नेटवर्क में गैर-रैखिकता को शुरू करने के लिए किया जाता है ताकि इसे अधिक जटिल कार्य सीखने में मदद मिल सके। जिसके बिना तंत्रिका नेटवर्क केवल रैखिक कार्य सीखने में सक्षम होगा जो इसके इनपुट डेटा का रैखिक संयोजन है।
अनुशंसित लेख
यह डीप लर्निंग साक्षात्कार प्रश्न और उत्तर की सूची के लिए एक मार्गदर्शक रहा है ताकि उम्मीदवार इन डीप लर्निंग साक्षात्कार प्रश्नों को आसानी से कार्रवाई कर सकें। आप और जानने के लिए निम्नलिखित लेख भी देख सकते हैं
