Intelligence artificielle Questions et réponses Set 1 Questions Réponses

Une introduction à la théorie de l'apprentissage de la machine et à ses applications un tutoriel visuel avec des exemples

Depuis que nous avons réalisé comment l'intelligence artificielle a une incidence positive sur le marché, presque toutes les grandes entreprises sont à la recherche de professionnels de l'AI afin de les aider à faire sa vision une réalité. Dans cette interview d'intelligence artificielle, vous avez collecté les questions les plus fréquemment posées par les intervieweurs. Ces questions sont collectées après consultation d'experts en formation de la certification de l'intelligence artificielle.

Au cas où vous auriez assisté à toute interview de renseignement artificielle dans le passé récent, passez ces questions à interview dans la section des commentaires et nous y répondre au plus tôt. Vous pouvez également commenter ci-dessous si vous avez des questions dans votre esprit, que vous pourriez rencontrer dans votre interview de renseignement artificiel.

Dans ce blog sur les questions d'entretien d'intelligence artificielle, je discuterai des meilleures questions liées au renseignement artificiel posées dans vos entretiens. Donc, pour votre meilleure compréhension, j'ai divisé ce blog dans les 3 sections suivantes:

Intelligence artificielle Niveau de base Interview Questions

Moteur de recherche de Google L'une des applications IA les plus populaires est le moteur de recherche Google. Si vous ouvrez votre navigateur Chrome et commencez à taper quelque chose, Google fournit immédiatement des recommandations à choisir. La logique derrière le moteur de recherche est l'intelligence artificielle.

AI utilise des analyses prédictives, la PNL et l'apprentissage automatique pour vous recommander des recherches appropriées. Ces recommandations sont basées sur des données que Google collectionne à votre sujet, telles que votre historique de recherche, votre emplacement, votre âge, etc. Ainsi, Google utilise l'AI, de prédire ce que vous rechercherez.

Q quels sont les différents types d'ai?

L'intelligence artificielle est une technique qui permet aux machines d'imiter le comportement humain. ATTENDU QUE, l'apprentissage automatique est un sous-ensemble d'intelligence artificielle. C'est la science de l'obtention d'ordinateurs à agir en les nourrissant de données et en leur laissant apprendre quelques astuces seules, sans être explicitement programmée pour le faire.

Q quels sont les différents types d'apprentissage de la machine?

L'apprentissage de la machine (ML) est entré en soi, avec une reconnaissance croissante que ML peut jouer un rôle clé dans une vaste gamme d'applications critiques, telles que l'exploitation minière des données, le traitement des langues naturelles, la reconnaissance de l'image, et systèmes experts. ML fournit des solutions potentielles dans tous ces domaines et plus, et doit être un pilier de notre future civilisation.

La fourniture de concepteurs capables de ML n'a pas encore rattrapé cette demande. Une raison majeure pour cela est que ML est tout simplement délicat. Ce didacticiel d'apprentissage de la machine introduit les bases de la théorie ML, portant les thèmes et concepts communs, ce qui facilite la suivi de la logique et se mettre à l'aise avec les bases de l'apprentissage de la machine.

Qu'est-ce que l'apprentissage de la machine?

Alors, quelle est exactement "l'apprentissage de la machine" quand même? Ml est en fait beaucoup de choses. Le champ est assez vaste et s'étend rapidement, étant continuellement partitionné et sous-partitionné de nausam en différentes sous-spécialités et types d'apprentissage de la machine.

Il existe des thèmes communs de base, cependant, et le thème global est le mieux résumé par cette déclaration de l'OFT-citée faite par Arthur Samuel Way en 1959: "[L'apprentissage de la machine est le champ d'étude que Donne des ordinateurs la capacité d'apprendre sans être explicitement programmée. "

et plus récemment, en 1997, Tom Mitchell a donné une définition "bien posée" qui s'est révélée utile aux types d'ingénierie: "Un programme informatique apprendra de l'expérience E en ce qui concerne une tâche t et une mesure de performance P, si ses performances sur T, mesurées par P, améliorent avec l'expérience E.

Donc, si vous voulez que votre programme prédit, par exemple, des habitudes de circulation à une intersection occupée (tâche t), vous pouvez l'exécuter via un algorithme d'apprentissage de la machine avec des données sur les modèles de trafic passés (expérience E) et , si elle a "appris" avec succès, elle fera ensuite mieux à prédire les futurs modèles de trafic (mesure de performance P).

La nature très complexe de nombreux problèmes du monde réel, cependant, cela signifie souvent que l'invention concerne souvent des algorithmes spécialisés qui les résoudront parfaitement à chaque fois est peu pratique, voire impossible. Des exemples de problèmes d'apprentissage de la machine incluent: «Ce cancer est-il?» «Quelle est la valeur marchande de cette maison?» «Lequel de ces personnes sont de bons amis les uns avec les autres?» «Ce moteur de fusée» va-t-il exploser sur décoller? "," Cette personne va-t-elle comme ce film? "," Qui est-ce? "," Qu'est-ce que tu as dit? "Et" Comment volez-vous cette chose? ". Tous ces problèmes sont d'excellents objectifs pour un projet ML et, en fait, ML a été appliqué à chacun d'eux avec un grand succès.

Nous nous concentrerons principalement sur l'apprentissage supervisé ici, mais la fin de l'article comprend une brève discussion sur l'apprentissage non supervisé avec des liens pour ceux qui souhaitent poursuivre le sujet.

Apprentissage de la machine supervisée

Dans la majorité des applications d'apprentissage supervisées, l'objectif ultime est de développer une fonction de prédiction finement réglée H (X) (parfois appelée "hypothèse"). "L'apprentissage" consiste à utiliser des algorithmes mathématiques sophistiqués pour optimiser cette fonction afin que, donnée des données d'entrée x sur un certain domaine (par exemple, une superficie carrée d'une maison), il prédire avec précision une valeur intéressante H (x) (par exemple, le prix du marché pour ladite maison).

Dans la pratique, X représente presque toujours plusieurs points de données. Ainsi, par exemple, un prédicteur de prix du logement peut prendre non seulement des images carrées (x1) mais également un nombre de chambres (x2), nombre de salles de bains (X3), nombre d'étages (x4), année de construction (x5), code postal (x6), et ainsi de suite. Déterminer les entrées à utiliser est une partie importante de la conception ML. Cependant, pour des raisons d'explication, il est plus facile de supposer qu'une seule valeur d'entrée est utilisée.

Exemples d'apprentissage de la machine

Nous nous tenons à des problèmes simples dans ce post pour l'intention de l'illustration, mais la raison existe, c'est parce que, dans le monde réel, les problèmes sont beaucoup plus complexes. Sur cet écran plat, nous pouvons vous approcher une image de, au plus, un ensemble de données tridimensionnel, mais les problèmes ML traitent couramment de données avec des millions de dimensions et des fonctions de prédicteur très complexes. ML résout les problèmes qui ne peuvent pas être résolus par des moyens numériques seuls.

Premièrement, remarquez que les données sont un peu bruyantes. C'est-à-dire que nous pouvons voir qu'il y a un motif à cela (i.. La satisfaction des employés a tendance à monter comme salaire monte), il ne correspond pas parfaitement à une ligne droite. Ce sera toujours le cas des données du monde réel (et nous souhaitons absolument former notre machine à l'aide de données du monde réel!). Alors, comment pouvons-nous former une machine pour prédire parfaitement le niveau de satisfaction d'un employé? Bien sûr, la réponse est que nous ne pouvons pas. Le but de ML n'est jamais de faire des suppositions «parfaites», car ML traite dans les domaines où il n'y a rien de tel. L'objectif est de faire des suppositions qui sont suffisamment bonnes pour être utiles.

L'apprentissage de la machine s'appuie fortement sur les statistiques. Par exemple, lorsque nous formons notre machine à apprendre, nous devons lui donner un échantillon aléatoire statistiquement significatif en tant que données de formation. Si l'ensemble de formation n'est pas aléatoire, nous courons le risque des modèles d'apprentissage de la machine qui ne sont en réalité pas là. Et si le jeu d'entraînement est trop petit (voir la loi des grands nombres), nous n'en informerons pas assez et peut même atteindre des conclusions inexactes. Par exemple, la tentative de prédire les modèles de satisfaction à l'échelle de l'entreprise basée sur des données de la direction supérieure à elle seule serait probablement sujette d'erreur.

Régression d'apprentissage de la machine: une note sur la complexité

L'exemple ci-dessus est techniquement un simple problème de la régression linéaire univariaire, qui peut être résolu en réalité en dérivant une simple équation normale et à sauter ce processus de "syntonisation". Cependant, considérons un prédicteur qui ressemble à ceci:

Cette fonction prend une entrée dans quatre dimensions et a une variété de termes polynomiaux. Dériver une équation normale pour cette fonction est un défi important. De nombreux problèmes d'apprentissage de machines modernes prennent des milliers ou même des millions de dimensions de données pour créer des prévisions en utilisant des centaines de coefficients. Prévoir la manière dont le génome d'un organisme sera exprimé, ou ce que le climat ressemblera à cinquante ans, sont des exemples de problèmes aussi complexes.

Heureusement, l'approche itérative prise par ML Systems est beaucoup plus résiliente face à une telle complexité. Au lieu d'utiliser une force brute, un système d'apprentissage de la machine "ressent son chemin" à la réponse. Pour de gros problèmes, cela fonctionne beaucoup mieux. Bien que cela ne signifie pas que ML peut résoudre tous les problèmes complexes arbitrairement complexes (il ne peut pas), il fait pour un outil incroyablement flexible et puissant.

Descente de gradient - Minimiser "Touche"

Le choix de la fonction de coût est un autre élément important d'un programme ML. Dans différents contextes, être "faux" peut signifier des choses très différentes. Dans notre exemple de satisfaction de l'employé, la norme bien établie est la fonction linéaire des moindres carrés:

Avec les moindres carrés, la pénalité pour une mauvaise conjecture monte quadratique avec la différence entre la suppression et la réponse correcte, il agit donc comme une mesure très "stricte" de maltraite. La fonction de coût calcule une pénalité moyenne sur tous les exemples de formation.

qui couvre la théorie de base sous-jacente à la majorité des systèmes d'apprentissage de la machine supervisé. Mais les concepts de base peuvent être appliqués de différentes manières, en fonction du problème à la main.

Problèmes de classification dans l'apprentissage de la machine

Questions et réponses - MCQ avec explication sur les sujets informatiques telles que l'architecture du système, l'introduction à la gestion, les mathématiques pour l'informatique, la programmation C, l'analyse du système et la conception, la structure de données et l'analyse des algorithmes, OOP et Java , Développement de l'application Client Server, Communication de données et réseaux informatiques, OS, MIS, Génie logiciel, AI, Technologie Web et de nombreux autres sujets rendent également la disponibilité des questions de questions-réponses, d'entrevue, d'examen concurrentiel et d'entrée.

Pages

Article génial et utile. AVA Cours en ligne Java Formation en ligne Java Ee TrainingJava Cours à Chennaijava Formation à Chennaijava Instituts de formation à Chennaijava Interview Questions d'entrevue de Chennaijava

J'ai vraiment apprécié la lecture de votre article. J'ai trouvé cela comme un poste informatif et intéressant, alors je pense que c'est très utile et bien informé. Je tiens à vous remercier pour les efforts que vous avez faits par écrit cet article. DUPDF. rg

#mytalentfit est le meilleur #howard Gardner Théorie de plusieurs centres de renseignement dans #ndia. Nous fournissons un test de renseignement #Multiple, un quiz, une activité, une évaluation, des stocks, un livre et un graphique. Nous enseignons aux étudiants une compétence de renseignement multiple en Inde. Théorie de l'intelligence multiple en Inde

La technologie Crafsol est la plus grande solutions d'intelligence artificielle à Pune, en Inde, aux États-Unis, en Afrique du Sud, en Indonésie, au Royaume-Uni, en France et en Allemagne offre des procédures médicales plus sûres, augmentation de la productivité, améliorant la qualité des personnes physiquement difficiles, etc. Solutions de renseignement rticiales

Beau blog, merci pour le partage. Nous allons parler d'intelligence artificielle, puis nous passerons à de grandes données et en cloud computing dans nos prochains articles. ere qu'est-ce que l'intelligence artificielle

Nous utilisons des cookies
Nous utilisons des cookies pour vous assurer de vous donner la meilleure expérience sur notre site Web. En utilisant le site Web, vous acceptez notre utilisation de cookies.
AUTORISE LES COOKIES.