Bersiaplah untuk 13 pertanyaan wawancara tentang pembelajaran mesin ini

Pertanyaan Wawancara Pembelajaran Mesin

Wawancara untuk insinyur pembelajaran mesin akan sangat teknis, tetapi ini adalah kesempatan Anda untuk menunjukkan apa yang membuat Anda menjadi kandidat terbaik.

Bersiaplah dengan pertanyaan wawancara kecerdasan buatan dan pembelajaran mesin ini dan cara menjawabnya.

Pewawancara juga dapat menggunakan daftar ini untuk membuat wawancara yang mengungkapkan kemampuan kandidat pembelajaran mesin. Anda akan mempelajari keterampilan teknis dan kemampuan berpikir kritis mereka.

Pertanyaan yang diharapkan dalam wawancara pembelajaran mesin.

Flickr

Algoritma

Bersiaplah untuk memamerkan pengetahuan Anda tentang algoritma pembelajaran yang dangkal. Kecuali Anda melamar posisi Ilmuwan Data yang ketat, pewawancara tidak akan membahas terlalu banyak seluk beluk dengan pertanyaan algoritma. Tetapi Anda harus dapat berbicara tentang masukan dan algoritma apa yang paling baik digunakan untuk aplikasi apa.

1. Kapan Anda akan menggunakan KNN (k tetangga terdekat)?

KNN biasanya digunakan untuk klasifikasi. Ini adalah salah satu algoritme paling sederhana dan paling banyak digunakan dalam pembelajaran mesin.

Jawaban Anda mungkin berbeda berdasarkan pengalaman Anda, tetapi saya akan mempertimbangkan KNN dalam banyak kasus ketika kelas dan fitur diberi label

2. Jelaskan cara kerja SVM (Support Vector Machine). Bagaimana Anda bisa menggunakan SVM dengan data non-linier?

SVM membuat hyperplane atau batas keputusan untuk mengklasifikasikan input data berdasarkan sisi mana dari batas data baru tersebut. Mereka dioptimalkan dengan meningkatkan margin antara batas dan titik data sebanyak mungkin.

Ingatlah bahwa kernel sering kali ditumpuk dengan SVM. Kernel mengubah data non-linier menjadi data linier sehingga SVM dapat dioptimalkan.

Kerangka dan Bahasa

Pewawancara ingin mengetahui bahasa dan kerangka kerja apa yang Anda gunakan. Mereka juga akan menggunakan pertanyaan-pertanyaan ini untuk mendapatkan gambaran tentang seberapa cepat Anda akan mengambil kerangka kerja baru dan seberapa selaras Anda dengan kerangka kerja apa yang tersedia untuk kecerdasan buatan.

3. Mengapa Anda suka menggunakan ?

Apa pun yang ada di resume Anda adalah permainan yang adil. Terutama bahasa pemrograman yang Anda cantumkan dalam keahlian Anda. Jadi bersiaplah untuk membicarakan semua seluk beluk.

Jika jawaban yang benar adalah Anda hanya menggunakan bahasa itu karena itulah yang mereka gunakan pada pekerjaan terakhir Anda, itu bagus. Bersiaplah untuk berbicara tentang keuntungan dan kerugian bahasa dari perspektif pembelajaran mesin.

4. Ceritakan tentang pengalaman Anda menggunakan ?

Jika Anda terbiasa dengan kerangka kerja yang digunakan perusahaan, ini seharusnya mudah bagi Anda. Tentu saja, jika Anda mencantumkannya di resume Anda, Anda harus bisa membicarakan semuanya.

Jika Anda belum sering menggunakan kerangka kerja khusus itu, itu belum tentu merupakan pemecah kesepakatan. Setiap insinyur perangkat lunak yang sepadan dengan garamnya harus dapat beradaptasi dengan kerangka kerja baru tanpa kurva pembelajaran yang besar. Deskripsi pekerjaan kemungkinan akan mencantumkan beberapa platform utama yang digunakan perusahaan. Lakukan penelitian Anda pada mereka sebelum wawancara dimulai.

Beberapa aspek yang harus difokuskan saat meneliti kerangka baru:

• Tugas apa yang paling baik ditangani?
• Apa kekuatan / kelemahannya?
• Bahasa mana yang berinteraksi dengan baik dengan framework?

Anda harus bisa berbicara dengan cerdas tentang lingkungan itu.

Jika frameworknya open-source, cobalah di komputer pribadi Anda. Ada juga beberapa kelas online terjangkau yang dapat Anda ikuti yang akan memberi Anda lisensi sementara.

Membangun Jaringan Neural

5. Apa yang akan Anda lakukan jika algoritme Anda tidak bertemu?

Ini adalah pertanyaan terbuka yang seharusnya mudah bagi siapa saja yang bekerja dalam pembelajaran mesin.

Menurunkan kecepatan pemelajaran (alfa) adalah langkah pertama yang baik. Sebagai pewawancara, saya ingin melihat kandidat menjelaskan pendekatan yang lebih logis untuk menemukan alfa. Coba berbagai alfa strategis dan plot fungsi biaya di atas jumlah iterasi.

6. Kapan Anda akan menggunakan Gradient Descent vs Normal Equation?

Anda mungkin bertanya tentang pro dan kontra dari berbagai metode untuk mengoptimalkan algoritma.

Ingatlah bahwa persamaan normal tidak dapat digunakan dengan klasifikasi, jadi perbandingan ini hanya penting untuk regresi. Persamaan normal dipilih jika jumlah fiturnya tidak terlalu besar. Ini memiliki keunggulan dibandingkan penurunan gradien karena Anda tidak perlu memilih kecepatan pemelajaran atau mengulang.

Jika ada banyak fitur maka persamaan normal sangat lambat jadi saya akan memilih penurunan gradien.

Harapkan pertanyaan tentang membangun jaringan saraf dalam wawancara untuk pembelajaran mesin atau posisi kecerdasan buatan.

WikimediaCommons

Mengevaluasi Model (Kinerja)

Salah satu tugas utama insinyur pembelajaran mesin adalah mengoptimalkan jaringan saraf dan memahami seberapa baik kinerjanya.

7. Mengapa overfitting buruk dan bagaimana cara memperbaikinya?

Overfitting adalah saat algoritme sangat cocok dengan data pelatihan tetapi memprediksi situasi baru secara akurat. Jelas ini buruk karena tidak berguna untuk situasi dunia nyata.

Jelaskan beberapa cara agar overfitting dapat ditingkatkan. Menambahkan istilah regularisasi dan meningkatkan lambda dapat memberikan hasil yang baik. Mengurangi jumlah fitur atau mengurangi urutan polinomial adalah opsi, tetapi bukan pilihan yang tepat di setiap situasi.

8. Bagaimana Anda tahu bahwa model Anda bagus?

Ini mirip dengan pertanyaan di atas di mana kandidat perlu memahami bagaimana mengevaluasi model.

Anda dapat menjelaskan bagaimana data pelatihan yang tersedia dibagi menjadi Data Pelatihan, Data Validasi dan Data Uji dan untuk apa masing-masing digunakan. Saya ingin mendengar seorang kandidat berbicara tentang memvariasikan derajat polinomial dan lambda serta membandingkan kesalahan dalam data validasi.

Proyek

Datang ke wawancara siap untuk mendiskusikan proyek sebelumnya. Seperti halnya wawancara apa pun, apa pun di resume Anda adalah permainan yang adil.

Siapkan portofolio proyek dari kantor, sekolah, atau penggunaan pribadi Anda. Anda mungkin dibatasi dalam hal yang dapat Anda katakan dari Perjanjian Kerahasiaan atau pekerjaan rahasia, jadi perjelas apa yang dapat Anda diskusikan.

Berikut beberapa pertanyaan yang dapat Anda harapkan:

9. Apa proyek pembelajaran mesin favorit Anda yang Anda kerjakan?

Demi wawancara ini, Anda dapat memilih proyek yang paling relevan dengan pekerjaan sebagai favorit Anda. Ini akan memberi Anda kesempatan untuk menyoroti pengalaman relevan Anda.

Jika Anda lebih suka berbicara tentang mana yang menjadi favorit Anda sebenarnya, beri tahu manajer perekrutan apakah Anda akan menyukai posisi baru itu, itu juga ide yang bagus.

10. Ceritakan tentang masalah sulit yang Anda selesaikan.

Pilih masalah yang mudah dijelaskan. Bagian dari menjawab pertanyaan ini dengan baik adalah menunjukkan bahwa Anda dapat mendeskripsikan masalah machine learning yang kompleks kepada audiens non-teknis.

Ketika Anda menjelaskan solusi Anda, jangan mengambil pujian kecuali itu benar-benar usaha Anda. Memainkan kontribusi tim Anda akan menunjukkan bahwa Anda adalah pemain tim yang baik. Jika berlaku, tunjukkan pelanggan, jadwal dan anggaran memengaruhi masalah ini. Tunjukkan bagaimana kontribusi Anda menambah nilai pada intinya, bukan hanya masalah langsung.

Pertanyaan Perilaku

Jangan lupa bahwa wawancara kemungkinan besar akan mencakup pertanyaan perilaku. Dan bagi banyak insinyur dan ilmuwan data, ini adalah bagian tersulit! Kami menghabiskan begitu banyak waktu untuk mempersiapkan pertanyaan-pertanyaan teknis yang kami lupakan yang juga akan dievaluasi berdasarkan kesesuaian kami dengan tim.

Pertanyaan perilaku yang lebih penting ada di bawah ini agar Anda dapat bersiap sebelumnya. Untuk pertanyaan yang meminta Anda mendeskripsikan waktu tertentu, gunakan model STAR untuk menguraikan jawaban Anda. Baca baca