İlk 50 Makine Öğrenimi Mülakat Sorusu ve amp; Yanıtlar

PDF İndir

1) Makine öğrenimi nedir?

Makine öğrenimi, deneyimle otomatik olarak öğrenmek ve gelişmek için sistem programlamayla ilgilenen bir bilgisayar bilimi dalıdır. Örneğin: Robotlar, sensörlerden topladıkları verilere göre görevi yerine getirebilecek şekilde programlanmıştır. Verilerden programları otomatik olarak öğrenir.

2) Veri Madenciliği ve Makine öğrenimi arasındaki farktan bahsediyor musunuz?

Makine öğrenimi, bilgisayarlara açıkça programlanmadan öğrenme yeteneği veren algoritmaların incelenmesi, tasarımı ve geliştirilmesiyle ilgilidir. Veri madenciliği, yapılandırılmamış verilerin bilgiyi veya bilinmeyen ilginç kalıpları çıkarmaya çalıştığı süreç olarak tanımlanabilir. Bu işlem sırasında makine, öğrenme algoritmaları kullanılır.

3) Makine öğreniminde 'Aşırı uyum' nedir?

Makine öğrenmesinde, istatistiksel bir model, temelde yatan ilişki yerine rastgele hata veya gürültüyü tanımladığında 'aşırı uyum' meydana gelir. Bir model aşırı derecede karmaşık olduğunda, eğitim veri türlerinin sayısına göre çok fazla parametreye sahip olduğu için normal olarak aşırı uyum gözlemlenir. Model, aşırı uyumlu olan zayıf performans sergiliyor.

4) Neden aşırı uyum oluyor?

Modeli eğitmek için kullanılan kriterler, bir modelin etkinliğini değerlendirmek için kullanılan kriterler ile aynı olmadığından aşırı uyum olasılığı mevcuttur.

5) Aşırı uyumu nasıl önleyebilirsiniz?

Çok fazla veri kullanarak aşırı uydurma önlenebilir, küçük bir veri kümeniz olduğundan ve siz ondan öğrenmeye çalıştığınız için aşırı uyum nispeten gerçekleşir. Ancak küçük bir veritabanınız varsa ve buna dayalı bir modelle gelmek zorunda kalırsanız. Böyle bir durumda çapraz doğrulama olarak bilinen bir tekniği kullanabilirsiniz . Bu yöntemde veri kümesi, test ve eğitim veri kümeleri olmak üzere iki bölüme ayrılır, test veri kümesi yalnızca modeli test ederken, eğitim veri kümesinde veri noktaları modelle birlikte gelir.

Bu teknikte, bir modele genellikle eğitimin (eğitim veri seti) çalıştırıldığı bilinen bir veri veri kümesi ve modelin test edildiği bilinmeyen verilerden oluşan bir veri kümesi verilir. Çapraz doğrulama fikri, eğitim aşamasında modeli "test etmek" için bir veri kümesi tanımlamaktır.

6) Endüktif makine öğrenimi nedir?

Tümevarımlı makine öğrenimi, bir sistemin gözlemlenen bir dizi örnekten genel bir kural oluşturmaya çalıştığı örneklerle öğrenme sürecini içerir.

7) Makine Öğreniminin beş popüler algoritması nedir?

Karar ağaçları
Sinir Ağları (geri yayılım)
Olasılıklı ağlar
En yakın komşu
Vektör makineleri desteklemek

8) Makine Öğrenmesindeki farklı Algoritma teknikleri nelerdir?

Makine Öğrenimindeki farklı teknik türleri şunlardır:

Denetimli Öğrenim
Denetimsiz Öğrenme
Yarı denetimli Öğrenme
Takviye Öğrenme
İletim
Öğrenmeyi öğrenmek

9) Makine öğreniminde hipotez veya model oluşturmanın üç aşaması nedir?

Model oluşturma
Model testi
Modeli uygulamak

10) Denetimli öğrenmeye yönelik standart yaklaşım nedir?

Denetimli öğrenmeye yönelik standart yaklaşım, örnek kümesini eğitim seti ve teste bölmektir.

11) 'Eğitim seti' ve 'Test seti' nedir?

Makine öğrenimi gibi bilgi biliminin çeşitli alanlarında, 'Eğitim Seti' olarak bilinen potansiyel olarak öngörücü ilişkiyi keşfetmek için bir dizi veri kullanılır. Eğitim seti öğrenciye verilen bir örnektir, Test seti ise öğrenci tarafından oluşturulan hipotezlerin doğruluğunu test etmek için kullanılır ve öğrenciden saklanan bir örnek setidir. Eğitim seti, Test setinden farklıdır.

12) Makine öğrenimi için çeşitli yaklaşımları listeliyor musunuz?

Makine Öğrenimindeki farklı yaklaşımlar

Konsept ve Sınıflandırma Öğrenimi
Sembolik Vs İstatistiksel Öğrenme
Endüktif Vs Analitik Öğrenme

13) Makine Öğrenimi nedir?

Yapay zeka
Kurala dayalı çıkarım

14) 'Denetimsiz Öğrenmenin' işlevinin ne olduğunu açıklayın?

Veri kümelerini bulun
Verilerin düşük boyutlu temsillerini bulun
Verilerde ilginç yönler bulun
İlginç koordinatlar ve korelasyonlar
Yeni gözlemler / veritabanı temizliği bulun

15) 'Denetimli Öğrenmenin' işlevinin ne olduğunu açıklayın?

Sınıflandırmalar
Konuşma tanıma
Regresyon
Zaman serilerini tahmin et
Dizelere açıklama ekleyin

16) Algoritmadan bağımsız makine öğrenimi nedir?

Matematiksel temellerin belirli bir sınıflandırıcıdan bağımsız olduğu veya öğrenme algoritmasının algoritmadan bağımsız makine öğrenimi olarak adlandırıldığı yerlerde makine öğrenimi?

17) Yapay öğrenme ile makine öğrenimi arasındaki fark nedir?

Ampirik verilere dayalı davranışlara göre algoritma tasarlama ve geliştirme, Makine Öğrenimi olarak bilinir. Yapay zeka, makine öğrenimine ek olarak bilgi sunumu, doğal dil işleme, planlama, robotik vb. Gibi diğer konuları da kapsar.

18) Makine öğreniminde sınıflandırıcı nedir?

Bir Makine Öğrenmesindeki bir sınıflandırıcı, ayrık veya sürekli özellik değerlerinin bir vektörünü girip tek bir ayrık değer olan sınıfı çıkaran bir sistemdir.

19) Naive Bayes'in avantajları nelerdir?

Naïve Bayes'te sınıflandırıcı, lojistik regresyon gibi ayırt edici modellerden daha hızlı yakınsar, bu nedenle daha az eğitim verisine ihtiyacınız vardır. Ana avantajı, özellikler arasındaki etkileşimleri öğrenememesidir.

20) Örüntü Tanıma hangi alanlarda kullanılıyor?

Örüntü Tanıma şu alanlarda kullanılabilir:

Bilgisayar görüşü
Konuşma tanıma
Veri madenciliği
İstatistik
Gayri Resmi Erişim
Biyo-Bilişim

21) Genetik Programlama nedir?

Genetik programlama, makine öğrenmesinde kullanılan iki teknikten biridir. Model, teste ve bir dizi sonuç arasından en iyi seçeneğin seçilmesine dayanır.

22) Makine Öğreniminde Endüktif Mantık Programlama nedir?

Endüktif Mantık Programlama (ILP), arka plan bilgisini ve örnekleri temsil eden mantıksal programlamayı kullanan bir makine öğrenimi alt alanıdır.

23) Makine Öğreniminde Model Seçimi nedir?

Aynı veri setini tanımlamak için kullanılan farklı matematiksel modeller arasından model seçme süreci Model Seçimi olarak bilinir. Model seçimi istatistik, makine öğrenimi ve veri madenciliği alanlarına uygulanmaktadır.

24) Denetimli Öğrenmede kalibrasyon için kullanılan iki yöntem nedir?

Denetimli Öğrenmede iyi olasılıkları tahmin etmek için kullanılan iki yöntem şunlardır:

Platt Kalibrasyonu
İzotonik Regresyon

Bu yöntemler ikili sınıflandırma için tasarlanmıştır ve önemsiz değildir.

25) Fazla takmayı önlemek için sıklıkla hangi yöntem kullanılır?

Yeterli veri olduğunda, aşırı uyum sorununu önlemek için 'İzotonik Regresyon' kullanılır.

26) Kural öğrenme için buluşsal yöntem ile karar ağaçları için buluşsal yöntem arasındaki fark nedir?

Aradaki fark, karar ağaçları için buluşsal yöntemlerin bir dizi ayrık kümenin ortalama kalitesini değerlendirirken, kural öğrenenlerin yalnızca aday kuralla kapsanan örnek kümesinin kalitesini değerlendirmesidir.

27) Makine Öğreniminde Algılayıcı Nedir?

Makine Öğreniminde, Perceptron, girdinin birkaç olası ikili olmayan çıktıdan birine denetimli sınıflandırılması için bir algoritmadır.

28) Bayes mantık programının iki bileşenini açıklar mısınız?

Bayes mantık programı iki bileşenden oluşur. İlk bileşen mantıklı bir bileşendir; alanın nitel yapısını yakalayan bir dizi Bayes Cümlelerinden oluşur. İkinci bileşen nicelikseldir, alanla ilgili nicel bilgileri kodlar.

29) Bayes Ağları (BN) nedir?

Bayes Ağı, bir dizi değişken arasındaki olasılık ilişkisinin grafiksel modelini temsil etmek için kullanılır.

30) Neden örnek tabanlı öğrenme algoritması bazen Tembel öğrenme algoritması olarak anılır?

Örnek tabanlı öğrenme algoritması, sınıflandırma gerçekleştirilinceye kadar indüksiyon veya genelleme sürecini geciktirdiği için Tembel öğrenme algoritması olarak da adlandırılır.

31) SVM'nin (Destek Vektör Makinesi) kullanabileceği iki sınıflandırma yöntemi nelerdir?

İkili sınıflandırıcıları birleştirmek
Çok sınıflı öğrenmeyi dahil etmek için ikili programı değiştirme

32) Toplu öğrenme nedir?

Belirli bir hesaplama programını çözmek için, sınıflandırıcılar veya uzmanlar gibi birden çok model stratejik olarak oluşturulur ve birleştirilir. Bu süreç toplu öğrenme olarak bilinir.

33) Toplu öğrenme neden kullanılır?

Toplu öğrenme, bir modelin sınıflandırmasını, tahminini, işlev yaklaşımını vb. Geliştirmek için kullanılır.

34) Toplu öğrenme ne zaman kullanılmalı?

Daha doğru ve birbirinden bağımsız bileşen sınıflandırıcılar oluşturduğunuzda, toplu öğrenme kullanılır.

35) Topluluk yöntemlerinin iki paradigması nedir?

Topluluk yöntemlerinin iki paradigması şunlardır:

Sıralı topluluk yöntemleri
Paralel topluluk yöntemleri

36) Bir topluluk yönteminin genel ilkesi nedir ve topluluk yönteminde torbalama ve güçlendirme nedir?

Bir topluluk yönteminin genel ilkesi, tek bir modele göre sağlamlığı artırmak için belirli bir öğrenme algoritması ile oluşturulmuş birkaç modelin tahminlerini birleştirmektir. Torbalama, istikrarsız tahmin veya sınıflandırma şemalarını iyileştirmek için topluluk içinde bir yöntemdir. Birleştirilmiş modelin yanlılığını azaltmak için artırma yöntemi sırayla kullanılırken. Artırma ve Torbalama, varyans terimini azaltarak hataları azaltabilir.

37) Topluluk yönteminde sınıflandırma hatasının önyargılı varyans ayrıştırması nedir?

Bir öğrenme algoritmasının beklenen hatası, önyargı ve varyansa ayrıştırılabilir. Bir önyargı terimi, öğrenme algoritması tarafından üretilen ortalama sınıflandırıcının hedef işlevle ne kadar yakından eşleştiğini ölçer. Varyans terimi, öğrenme algoritmasının tahmininin farklı eğitim setleri için ne kadar dalgalandığını ölçer.

38) Toplulukta Artımlı Öğrenme algoritması nedir?

Artımlı öğrenme yöntemi, bir algoritmanın, sınıflandırıcı halihazırda mevcut veri kümesinden oluşturulduktan sonra mevcut olabilecek yeni verilerden öğrenme yeteneğidir.

39) PCA, KPCA ve ICA ne için kullanılır?

PCA (Temel Bileşenler Analizi), KPCA (Kernel tabanlı Temel Bileşen Analizi) ve ICA (Bağımsız Bileşen Analizi), boyut azaltma için kullanılan önemli özellik çıkarma teknikleridir.

40) Makine Öğreniminde boyut küçültme nedir?

Makine Öğrenimi ve istatistikte boyut küçültme, dikkate alınan rastgele değişkenlerin sayısını azaltma işlemidir ve özellik seçimi ve özellik çıkarımı olarak ikiye ayrılabilir.

41) Destek vektör makineleri nelerdir?

Destek vektör makineleri, sınıflandırma ve regresyon analizi için kullanılan denetimli öğrenme algoritmalarıdır.

42) İlişkisel değerlendirme tekniklerinin bileşenleri nelerdir?

İlişkisel değerlendirme tekniklerinin önemli bileşenleri şunlardır:

Veri toplama
Ground Truth Edinimi
Çapraz Doğrulama Tekniği
Sorgu Türü
Puanlama Metriği
Önem Testi

43) Sıralı Denetimli Öğrenme için farklı yöntemler nelerdir?

Sıralı Denetimli Öğrenme problemlerini çözmenin farklı yöntemleri şunlardır:

Sürgülü pencere yöntemleri
Tekrarlayan sürgülü pencereler
Gizli Markow modelleri
Maksimum entropi Markow modelleri
Koşullu rastgele alanlar
Grafik trafo ağları

44) Robotik ve bilgi işlemede sıralı tahmin probleminin ortaya çıktığı alanlar nelerdir?

Sıralı tahmin probleminin ortaya çıktığı robotik ve bilgi işlem alanlarında

Taklit Öğrenme
Yapılandırılmış tahmin
Model tabanlı pekiştirmeli öğrenme

45) Toplu istatistiksel öğrenme nedir?

İstatistiksel öğrenme teknikleri, görünmeyen veya gelecekteki veriler hakkında tahminlerde bulunabilen bir dizi gözlemlenen veriden bir işlevi veya öngörücüyü öğrenmeye izin verir. Bu teknikler, öğrenilen öngörücünün, veri oluşturma sürecine ilişkin istatistiksel bir varsayıma dayalı olarak gelecekteki görünmeyen veriler üzerindeki performansı konusunda garantiler sağlar.

46) PAC Öğrenimi nedir?

PAC (Muhtemelen Yaklaşık Doğru) öğrenme, öğrenme algoritmalarını ve bunların istatistiksel verimliliklerini analiz etmek için getirilen bir öğrenme çerçevesidir.

47) Sıralı öğrenme sürecini kategorize edebileceğiniz farklı kategoriler nelerdir?