Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

https://career.guru99.com/ Top 50 des questions et réponses d'entretien d'appre

https://career.guru99.com/ Top 50 des questions et réponses d'entretien d'apprentissage automatique 1) Qu'est-ce que l'apprentissage automatique ? L'apprentissage automatique est une branche de l'informatique qui traite de la programmation système afin d'apprendre et de s'améliorer automatiquement avec l'expérience. Par exemple : les robots sont programmés pour qu'ils puissent effectuer la tâche en fonction des données qu'ils recueillent auprès des capteurs. Il apprend automatiquement les programmes à partir des données. 2) Mentionnez la différence entre l'exploration de données et l'apprentissage automatique ? L'apprentissage automatique concerne l'étude, la conception et le développement d'algorithmes qui donnent aux ordinateurs la capacité d'apprendre sans être explicitement programmés. Alors que l'exploration de données peut être définie comme le processus dans lequel les données non structurées tentent d'extraire des connaissances ou des modèles intéressants inconnus. Au cours de ce processus machine, des algorithmes d'apprentissage sont utilisés. 3) Qu'est-ce que le « surajustement » en apprentissage automatique ? Dans l'apprentissage automatique, lorsqu'un modèle statistique décrit une erreur aléatoire ou un bruit au lieu d'une relation sous- jacente, un « surajustement » se produit. Lorsqu'un modèle est excessivement complexe, un surajustement est normalement observé, en raison d'un trop grand nombre de paramètres par rapport au nombre de types de données d'apprentissage. Le modèle présente des performances médiocres qui ont été surajustées. 4) Pourquoi le surajustement se produit-il ? La possibilité de surajustement existe car les critères utilisés pour former le modèle ne sont pas les mêmes que les critères utilisés pour juger de l'ecacité d'un modèle. 5) Comment éviter le surajustement ? En utilisant beaucoup de données, le surajustement peut être évité, le surajustement se produit relativement lorsque vous disposez d'un petit ensemble de données et que vous essayez d'en tirer des leçons. Mais si vous avez une petite base de données et que vous êtes obligé de venir avec un modèle basé sur cela. Dans une telle situation, vous pouvez utiliser une technique connue sous le nom devalidation croisée. Dans cette méthode, l'ensemble de données se divise en deux sections, les ensembles de données de test et d'entraînement, l'ensemble de données de test ne testera que le modèle tandis que, dans l'ensemble de données d'entraînement, les points de données généreront le modèle. Dans cette technique, un modèle reçoit généralement un ensemble de données de données connues sur lesquelles l'entraînement (ensemble de données d'entraînement) est exécuté et un ensemble de données de données inconnues contre lesquelles le modèle est testé. L'idée de la validation croisée est de définir un jeu de données pour « tester » le modèle dans la phase d'apprentissage. 6) Qu'est-ce que l'apprentissage automatique inductif ? L'apprentissage automatique inductif implique le processus d'apprentissage par des exemples, où un système, à partir d'un ensemble d'instances observées, essaie d'induire une règle générale. 7) une) b) c) ré) e) 8) Les diﬀérents types de techniques en Machine Learning sont a) Apprentissage supervisé b) Apprentissage non supervisé c) Apprentissage semi-supervisé d) Apprentissage par renforcement e) Transduction f) Apprendre à apprendre 9) Quelles sont les trois étapes pour construire les hypothèses ou le modèle en apprentissage automatique ? a) Construction de maquettes b) Test du modèle c) Application du modèle 10) Quelle est l'approche standard de l'apprentissage supervisé ? Quels sont les cinq algorithmes populaires du Machine Learning ? Arbres de décision Réseaux de neurones (rétro propagation) Réseaux probabilistes Voisin le plus proche Soutenir les machines vectorielles Quelles sont les diﬀérentes techniques d'algorithmes en Machine Learning ? L'approche standard de l'apprentissage supervisé consiste à diviser l'ensemble d'exemples en ensemble d'apprentissage et en test. 11) Qu'est-ce qu'un « ensemble d'entraînement » et un « ensemble de test » ? Dans divers domaines de la science de l'information comme l'apprentissage automatique, un ensemble de données est utilisé pour découvrir la relation potentiellement prédictive connue sous le nom de « ensemble de formation ». L'ensemble d'apprentissage est un exemple donné à l'apprenant, tandis que l'ensemble de test est utilisé pour tester l'exactitude des hypothèses générées par l'apprenant, et c'est l'ensemble d'exemples retenu par l'apprenant. L'ensemble d'apprentissage est distinct de l'ensemble de test. 12) Dressez la liste des différentes approches pour l'apprentissage automatique ? Les différentes approches du Machine Learning sont a) Apprentissage des concepts et des classifications b) Apprentissage symbolique contre apprentissage statistique c) 13) Qu'est-ce que l'apprentissage automatique ? a) Intelligence Artificielle b) Inférence basée sur des règles 14) Expliquez quelle est la fonction de « l'apprentissage non supervisé » ? a) Trouver des clusters de données b) Trouver des représentations de faible dimension des données c) Trouver des directions intéressantes dans les données d) Coordonnées et corrélations intéressantes e) Trouver de nouvelles observations/nettoyage de la base de données 15) Expliquez quelle est la fonction de « l'apprentissage supervisé » ? a) Classements b) Reconnaissance vocale c) Régression d) Prédire les séries chronologiques e) Annoter les chaînes 16) Qu'est-ce que l'apprentissage automatique indépendant des algorithmes ? Apprentissage inductif contre apprentissage analytique L'apprentissage automatique dans lequel les fondements mathématiques sont indépendants de tout classificateur ou algorithme d'apprentissage particulier est appelé apprentissage automatique indépendant de l'algorithme ? 17) Quelle est la différence entre l'apprentissage artiﬁciel et l'apprentissage automatique ? Concevoir et développer des algorithmes en fonction des comportements basés sur des données empiriques est connu sous le nom de Machine Learning. Bien que l'intelligence artificielle en plus de l'apprentissage automatique, elle couvre également d'autres aspects tels que la représentation des connaissances, le traitement du langage naturel, la planification, la robotique, etc. 18) Qu'est-ce qu'un classificateur en machine learning ? Un classificateur dans un Machine Learning est un système qui entre un vecteur de valeurs de caractéristiques discrètes ou continues et sort une seule valeur discrète, la classe. 19) Quels sont les avantages de Naive Bayes ? Dans Naïve Bayes, le classificateur convergera plus rapidement que les modèles discriminants comme la régression logistique, vous aurez donc besoin de moins de données d'apprentissage. Le principal avantage est qu'il ne peut pas apprendre les interactions entre les fonctionnalités. 20) Dans quels domaines la reconnaissance de formes est-elle utilisée ? La reconnaissance de formes peut être utilisée dans une) b) c) ré) e) F) 21) Qu'est-ce que la programmation génétique ? Vision par ordinateur Reconnaissance de la parole Exploration de données Statistiques Récupération informelle Bio-informatique La programmation génétique est l'une des deux techniques utilisées en apprentissage automatique. Le modèle est basé sur le test et la sélection du meilleur choix parmi un ensemble de résultats. 22) Qu'est-ce que la programmation logique inductive en apprentissage automatique ? La programmation logique inductive (ILP) est un sous-domaine de l'apprentissage automatique qui utilise la programmation logique représentant des connaissances de base et des exemples. 23) Qu'est-ce que la sélection de modèles dans l'apprentissage automatique ? Le processus de sélection de modèles parmi différents modèles mathématiques, qui sont utilisés pour décrire le même ensemble de données, est connu sous le nom de sélection de modèle. La sélection de modèles est appliquée aux domaines des statistiques, de l'apprentissage automatique et de l'exploration de données. 24) Quelles sont les deux méthodes utilisées pour le calibrage en Apprentissage Supervisé ? Les deux méthodes utilisées pour prédire les bonnes probabilités en apprentissage supervisé sont a) Étalonnage Platt b) Régression isotonique Ces méthodes sont conçues pour la classification binaire, et ce n'est pas trivial. 25) Quelle méthode est fréquemment utilisée pour éviter le surajustement ? Lorsqu'il y a suffisamment de données, la « régression isotonique » est utilisée pour éviter un problème de surajustement. 26) Quelle est la différence entre l'heuristique pour l'apprentissage des règles et l'heuristique pour les arbres de décision ? La différence est que les heuristiques pour les arbres de décision évaluent la qualité moyenne d'un certain nombre d'ensembles disjoints tandis que les apprenants de règles n'évaluent que la qualité de l'ensemble d'instances couvert par la règle candidate. 27) Qu'est-ce que Perceptron dans l'apprentissage automatique ? En apprentissage automatique, Perceptron est un algorithme de classification supervisée de l'entrée dans l'une des nombreuses sorties non binaires possibles. 28) Expliquer les deux composantes du programme de logique bayésienne ? Le programme de logique bayésienne se compose de deux composants. Le premier élément est logique ; il se compose d'un ensemble de clauses bayésiennes, qui capture la structure qualitative du domaine. Le deuxième composant est quantitatif, il code les informations quantitatives sur le domaine. 29) Que sont les réseaux bayésiens (BN) ? Le réseau bayésien est utilisé pour représenter le modèle graphique de la relation de probabilité entre un ensemble de variables. 30) Pourquoi un algorithme d'apprentissage basé sur des instances parfois appelé algorithme d'apprentissage paresseux ? L'algorithme d'apprentissage basé sur les instances est également appelé algorithme d'apprentissage paresseux car il retarde le processus d'induction ou de généralisation jusqu'à ce que la classification soit effectuée. 31) Quelles sont les deux méthodes de classification que SVM (Support Vector Machine) peut gérer ? a) Combiner des classificateurs binaires b) Modification du binaire pour incorporer l'apprentissage multiclasse 32) Qu'est-ce que l'apprentissage d'ensemble ? Pour résoudre un programme de calcul particulier, plusieurs modèles tels que des classificateurs ou des experts sont générés et combinés de manière stratégique. Ce processus est connu sous le nom uploads/Industriel/ top-50-ml-q-amp-a-follow-dr-angshuman-ghosh-for-more-en-fr-2.pdf