新兴技术已经席卷全球。他们所释放的创新、机遇和威胁是无可比的。随着这些领域对专家的需求的增长,对专家的需求也不断增长。
根据最新的行业报告,机器学习、人工智能和数据科学等新兴技术领域的工作在新兴工作岗位中名列前茅。从事机器学习、AI 或数据科学等新兴技术的职业可能非常有利可图,而且具有智力刺激性。
在本文中,我编撰了一些最常被问到的机器学习面试问题及其相应的答案。机器学习爱好者以及经验丰富的 ML 专业人员可以在面试前使用此参数来修改其基础知识。
机器学习面试问题 2019
-
与众不同的机器学习和深度学习
-
您通过”召回和精确”这两个术语理解了什么？
-
区分监督机器学习和非监督机器学习？
-
什么是 K-means 和 KNN
-
分类与回归有何不同
-
您将如何处理数据集中丢失的数据？
-
通过电感逻辑编程 (ILP),您了解什么？
机器学习是人工智能的一个子集,它为机器提供了自动学习和改进的能力,无需任何显式编程。而深度学习,机器学习的子集,人工神经网络,能够做出直观的决策。
召回也称为真正的正率。它是指模型声明的正数与整个数据中可用的正数的数量。
精度(也称为正预测值)基于预测。它是模型声称的准确正数与模型实际声明的正数相比的度量。
在监督学习中,机器在标记数据(即用正确答案标记的数据)的帮助下接受培训。而在无人监督的机器学习中,模型通过自行发现信息来学习。与监督学习模型相比,非监督模型更优先执行困难的处理任务。
K-means 是一种非监督算法,用于聚类问题处理,KNN 或 K 最近邻域是用于回归和分类过程的监督算法。
这两个概念都是受监督机器学习技术的一个重要方面。使用分类,输出被分类为不同的类别进行预测。而回归模型通常用于找出预测和变量之间的关系。分类和回归之间的一个关键区别是,在前者中,输出变量是离散的,后者是连续的。
数据科学家面临的最大挑战之一是数据缺失问题。您可以通过多种方式对缺失值进行属性化,包括分配唯一类别、删除行、用均值/中位数/模式替换、使用支持缺失值的算法以及预测缺失值等。
机器学习的子领域,电感逻辑编程通过使用逻辑编程来开发预测模型来搜索数据中的模式。此过程假定逻辑程序是假设或背景知识
这使得模型很难在训练集之外学习概括新实例。有三种方法可以避免在机器学习中过度安装。第一种方法是保持模型简单,第二种方法是使用交叉验证技术,第三,通过使用正则化技术,例如LASSO。
什么是组合学习？
组合方法也称为学习多个分类器系统或基于委员会的学习。Ensemble 方法是指生成分类器集,然后对新数据点进行分类以选择其预测的学习算法。该方法训练了许多假设来解决同样的问题。集合建模的最佳示例是随机林树,其中许多决策树用于预测结果。
命名机器学习项目所需的步骤？
为实现良好的工作模型,您应该采取的一些关键步骤包括收集数据、准备数据、选择机器学习模型、模型训练、评估模型、调整参数,最后是预测。