मशीन लर्निंग साक्षात्कार प्रश्न और उत्तर के लिए परिचय
तो आपको अंततः मशीन लर्निंग में अपना सपनों का काम मिल गया है, लेकिन यह सोच रहा है कि मशीन लर्निंग साक्षात्कार को कैसे क्रैक करना है और संभावित मशीन 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 मशीन लर्निंग साक्षात्कार प्रश्न और उत्तर तैयार किए हैं।
नीचे महत्वपूर्ण मशीन लर्निंग साक्षात्कार प्रश्न और उत्तर की सूची दी गई है
1. मशीन लर्निंग से आप क्या समझते हैं?
उत्तर:
मशीन लर्निंग कृत्रिम बुद्धि का एक अनुप्रयोग है जो सिस्टम को स्पष्ट रूप से प्रोग्राम किए बिना अनुभव से स्वचालित रूप से सीखने और सुधारने की क्षमता प्रदान करता है। मशीन सीखने कंप्यूटर प्रोग्राम के विकास पर केंद्रित है जो डेटा तक पहुंच सकते हैं और इसका इस्तेमाल स्वयं के लिए सीख सकते हैं।
2. एक उदाहरण दें जो उद्योग में मशीन लीनिंग बताता है।
उत्तर:
रोबोट कई क्षेत्रों में मनुष्यों की जगह ले रहे हैं। ऐसा इसलिए है क्योंकि रोबोट प्रोग्राम किए जाते हैं ताकि वे सेंसर से एकत्र किए गए डेटा के आधार पर कार्य कर सकें। वे डेटा से सीखते हैं और समझदारी से व्यवहार करते हैं।
3. मशीन लर्निंग में विभिन्न एल्गोरिदम तकनीक क्या हैं?
उत्तर:
मशीन लर्निंग में विभिन्न प्रकार के एल्गोरिदम तकनीक निम्नानुसार हैं:
• सुदृढ़ीकरण सीखना
• पर्यवेक्षित शिक्षा
• अप्रशिक्षित शिक्षण
• अर्द्ध पर्यवेक्षित शिक्षा
• पारगमन
• सीखना सीखना
4. पर्यवेक्षित और असुरक्षित मशीन सीखने के बीच क्या अंतर है?
उत्तर:
एक पर्यवेक्षित शिक्षा एक ऐसी प्रक्रिया है जहां इसे लेबल किए गए डेटा के प्रशिक्षण की आवश्यकता होती है, जबकि अनपेक्षित सीखने के लिए डेटा लेबलिंग की आवश्यकता नहीं होती है।
5. अप्रशिक्षित शिक्षा का कार्य क्या है?
उत्तर:
अप्रशिक्षित शिक्षा का कार्य नीचे जैसा है:
• डेटा के डेटा के क्लस्टर ढूंढें • डेटा के
निम्न-आयामी प्रस्तुतिकरण
खोजें
• डेटा में दिलचस्प दिशाएं खोजें • दिलचस्प निर्देशांक और सहसंबंध
• उपन्यास अवलोकन खोजें
6. पर्यवेक्षित शिक्षा का कार्य क्या है?
उत्तर:
पर्यवेक्षित शिक्षा का कार्य नीचे जैसा है:
• वर्गीकरण
• भाषण मान्यता
• प्रतिगमन
• भविष्यवाणी समय श्रृंखला
• एनोटेट तार
7. अनुभवहीन बेयस के क्या फायदे हैं?
उत्तर:
अनुभवहीन बेयस के फायदे हैं:
• वर्गीकृत भेदभावपूर्ण मॉडल से तेज़ी से अभिसरण करेगा
• यह सुविधाओं के बीच बातचीत नहीं सीख सकता
8. अनुभवहीन बेयस के नुकसान क्या हैं?
उत्तर:
अनुभवहीन बेयस के नुकसान हैं:
• ऐसा इसलिए है क्योंकि समस्या लगातार सुविधाओं के लिए उत्पन्न होती है
• यह आपके डेटा वितरण के आकार पर एक बहुत मजबूत धारणा बनाता है • यह
डेटा की कमी के कारण भी हो सकता है
9. अनुभवहीन बेयस इतनी अनुभवहीन क्यों है?
उत्तर:
अनुभवहीन बेयस इतना मूर्ख है क्योंकि यह मानता है कि डेटा सेट में सभी सुविधाएं समान रूप से महत्वपूर्ण और स्वतंत्र हैं।
10. मशीन लर्निंग में क्या चल रहा है?
उत्तर:
मशीन लर्निंग में ओवरफिटिंग को तब परिभाषित किया जाता है जब एक सांख्यिकीय मॉडल अंतर्निहित संबंधों के बजाय यादृच्छिक त्रुटि या शोर का वर्णन करता है या जब कोई मॉडल अत्यधिक जटिल होता है।
11. ओवरफिटिंग कब होती है?
उत्तर:
ओवरफिटिंग का एक महत्वपूर्ण कारण और संभावना यह है कि मॉडल को प्रशिक्षण देने के लिए उपयोग किए गए मानदंड एक मॉडल की प्रभावकारिता का न्याय करने के लिए उपयोग किए गए मानदंडों के समान नहीं हैं।
12. आप ओवरफिटिंग से कैसे बच सकते हैं?
उत्तर:
हम इसका उपयोग करके ओवरफिटिंग से बच सकते हैं:
• बहुत सारे डेटा
• क्रॉस-सत्यापन
13. मशीन लर्निंग के लिए पांच लोकप्रिय एल्गोरिदम क्या हैं?
उत्तर:
नीचे मशीन लर्निंग के पांच लोकप्रिय एल्गोरिदम की सूची दी गई है:
• निर्णय ट्रीस
• संभाव्य नेटवर्क
• निकटतम पड़ोसी
• समर्थन वेक्टर मशीन
• न्यूरल नेटवर्क
14. विभिन्न उपयोग के मामले क्या हैं जहां मशीन लर्निंग एल्गोरिदम का उपयोग किया जा सकता है?
उत्तर:
विभिन्न उपयोग के मामले जहां मशीन लर्निंग एल्गोरिदम का उपयोग किया जा सकता है, निम्नानुसार हैं:
• धोखाधड़ी का पता लगाने
• चेहरा पहचान
• प्राकृतिक भाषा प्रसंस्करण
• बाजार विभाजन
• पाठ वर्गीकरण
• जैव सूचना विज्ञान
15. पैरामीट्रिक मॉडल और गैर-पैरामीट्रिक मॉडल क्या हैं?
उत्तर:
पैरामीट्रिक मॉडल पैरामीटर की सीमित संख्या वाले हैं और नए डेटा की भविष्यवाणी करने के लिए, आपको केवल मॉडल के पैरामीटर जानने की आवश्यकता है।
गैर पैरामीट्रिक मॉडल उन असंबद्ध संख्या वाले पैरामीटर हैं, जो अधिक लचीलापन और नए डेटा की भविष्यवाणी करने की अनुमति देते हैं, आपको मॉडल के मानकों और डेटा की स्थिति को जानने की आवश्यकता है।
16. मशीन सीखने में परिकल्पना या मॉडल बनाने के तीन चरण क्या हैं?
उत्तर:
मशीन सीखने में परिकल्पना या मॉडल बनाने के तीन चरण हैं:
1. मॉडल बिल्डिंग
2. मॉडल परीक्षण
3. मॉडल को लागू करना
17. मशीन लर्निंग (आईएलपी) में इंटरेक्टिव लॉजिक प्रोग्रामिंग क्या है?
उत्तर:
प्रेरक तर्क प्रोग्रामिंग (आईएलपी) मशीन सीखने का एक उप-क्षेत्र है जो पृष्ठभूमि ज्ञान और उदाहरणों का प्रतिनिधित्व करने वाले तार्किक प्रोग्रामिंग का उपयोग करता है ।
18. वर्गीकरण और प्रतिगमन के बीच क्या अंतर है?
उत्तर:
वर्गीकरण और प्रतिगमन के बीच का अंतर निम्नानुसार है:
• वर्गीकरण समूह सदस्यता की पहचान करने के बारे में है, जबकि प्रतिगमन तकनीक में प्रतिक्रिया की भविष्यवाणी शामिल है।
• वर्गीकरण और रिग्रेशन तकनीक पूर्वानुमान से संबंधित हैं
• वर्गीकरण एक वर्ग से संबंधित भविष्यवाणी करता है जबकि प्रतिगमन एक निरंतर सेट से मूल्य की भविष्यवाणी करता है
• मॉडल के परिणामों को डेटासेट में डेटा बिंदुओं की संबंधितता को वापस करने की आवश्यकता होती है जब वर्गीकरण तकनीक को प्रतिगमन पर प्राथमिकता दी जाती है विशिष्ट स्पष्ट श्रेणियों के साथ
1 9। अपरिवर्तनीय मशीन लर्निंग और वियोजक मशीन मशीन सीखने के बीच क्या अंतर है?
उत्तर:
अपरिवर्तनीय मशीन लर्निंग और वियोजक मशीन मशीन सीखने के बीच का अंतर निम्नानुसार है:
मशीन सीखना जहां मॉडल सामान्यीकृत निष्कर्ष निकालने के लिए उदाहरणों के उदाहरणों से उदाहरणों के बारे में सीखता है, जबकि मॉडल को पहले निष्कर्ष निकालने में निष्कर्ष निकाला जाता है और निष्कर्ष निकाला जाता है ।
20. निर्णय ट्रीस के क्या फायदे हैं?
उत्तर:
फायदे के निर्णय ट्रीस हैं:
• निर्णय ट्रीस व्याख्या करना आसान है
• गैर पैरामीट्रिक
• धुन के लिए अपेक्षाकृत कुछ पैरामीटर हैं
21. निर्णय ट्रीस के नुकसान क्या हैं?
उत्तर:
निर्णय ट्रीस अधिक होने के लिए प्रवण हैं। हालांकि, इसे यादृच्छिक जंगलों या बूढ़े ट्रीस जैसे पहने तरीकों से संबोधित किया जा सकता है।
22. न्यूरल नेटवर्क के फायदे क्या हैं?
उत्तर:
न्यूरल नेटवर्क ने छवियों, ऑडियो और वीडियो जैसे असंगठित डेटासेट के लिए प्रदर्शन की सफलता का नेतृत्व किया है । उनकी अविश्वसनीय लचीलापन उन्हें पैटर्न सीखने की अनुमति देती है कि कोई अन्य मशीन लर्निंग एल्गोरिदम सीख नहीं सकता है।
23. न्यूरल नेटवर्क के नुकसान क्या हैं?
उत्तर:
न्यूरल नेटवर्क को एकत्रित करने के लिए बड़ी मात्रा में प्रशिक्षण डेटा की आवश्यकता होती है। सही वास्तुकला चुनना भी मुश्किल है, और आंतरिक “छिपी हुई” परतें समझ में नहीं आती हैं।
24. एल 1 और एल 2 नियमितकरण के बीच क्या अंतर है?
उत्तर:
एल 1 और एल 2 नियमितकरण के बीच का अंतर इस प्रकार है:
• एल 1 / लेपलेस एल 2 / गॉसियन से अधिक गुणांक के बड़े मूल्यों के साथ-साथ कम छोटे मूल्यों को सहन करने के लिए प्रेरित करता है
• एल 1 स्पैस मॉडल उत्पन्न कर सकता है जबकि एल 2 नहीं करता है
• एल 1 और एल 2 नियमितता गुणांक पर सिकुड़ने से अधिक प्रभाव डालती है
• एल 2 (रिज) सभी गुणांक को उसी अनुपात से कम कर देता है लेकिन किसी को समाप्त नहीं करता है, जबकि एल 1 (लासो) कुछ गुणांक को शून्य में छोटा कर सकता है, परिवर्तनीय चयन कर सकता है • एल 2 नियमितकरण सभी के बीच त्रुटि फैलता है शर्तें, जबकि एल 1 अधिक बाइनरी / स्पैस है
• एल 1 पहला पल मानक है। x1-x2 | यह केवल दो बिंदुओं के बीच पूर्ण अंतर है जहां एल 2 यूक्लिडियन दूरी से संबंधित दूसरा पल मानदंड है जो x1-x2 | ^ 2 है।