مجموعه سوالات مصاحبه ديپ لرنينگ

سوالات مصاحبه ديپ لرنينگ

١. ديپ لرنينگ ( يادگيري عميق) چيست؟

يادگيري عميق يك فناوري يادگيري ماشيني است كه شبكه هاي عصبي را درگير مي كند. اصطلاح “عميق” در يادگيري عميق به ساختار سلسله مراتبي شبكه ها كه براي آموزش عملكردهاي طبيعي انسان ها به كار مي روند، اشاره دارد. يادگيري عميق معمولا در تحقيقات پزشكي ، اتومبيل هاي بدون راننده و موارد ديگر كه در آن ها دقت و صحت اهميت دارند استفاده مي شود.

٢. تفاوت بين يادگيري عميق ، يادگيري ماشين و هوش مصنوعي چيست؟

يادگيري عميق و يادگيري ماشين هر دو بخشي از هوش مصنوعي هستند و تفاوت بين اين سه حوزه در مورد خصوصيات آن هاست. يادگيري ماشين در مورد الگوريتم هايي است كه از داده ها براي آموزش ماشين ها استفاده مي كنند، در حالي كه يادگيري عميق با استفاده از شبكه هاي عصبي به آموزش ماشين ها از طريق چندين لايه مي پردازد. البته هوش مصنوعي اصطلاح گسترده تري است كه به هر روشي كه به ماشين ها كمك مي كند تا اقدامات اساسي انسان را تقليد كنند، اطلاق مي شود.

٣. تفاوت بين يادگيري عميق تحت نظارت و بدون نظارت چيست؟

يادگيري نظارت شده روشي از يادگيري است كه ماشين ها را از طريق داده هاي داراي برچسب آموزش مي دهد. اين داده ها قبلا دسته بندي و بر اساس مجموعه صحيح پاسخ ها طبقه بندي شده اند. هنگامي كه يك ماشين از اين داده ها تغذيه مي شود، مجموعه آموزش را آناليز كرده و نتيجه صحيح را توليد مي كند. در حالي كه يادگيري بدون نظارت نيازي به برچسب زدن داده ها ندارد. ماشين ها از طريق شناسايي الگوها و داده هاي مدل، خودآموز مي شوند.

۴. كتابخانه هاي تجسم داده چيست؟

كتابخانه هاي تجسم داده با استفاده از عناصر بصري مانند نمودارها، نقشه ها و موارد ديگر، به درك ايده هاي پيچيده كمك مي كنند. ابزارهاي تجسم به شما كمك مي كنند تا الگوها، روندها، محيط هاي بيرون و ساير موارد را بشناسيد، و اين امكان را مي دهند تا داده هاي خود را مطابق با نياز طراحي كنيد. رايج ترين كتابخانه هاي تجسم داده عبارتند از D3 ، React-Vis ، Chart.js ، vx

۵. چرا شبكه هاي عميق بهتر از شبكه هاي كم عمق هستند؟

شبكه هاي عصبي شامل لايه هاي پنهان جدا از لايه هاي ورودي و خروجي هستند. شبكه هاي عصبي كم عمق از يك لايه مخفي بين لايه هاي ورودي و خروجي استفاده مي كنند در حالي كه شبكه هاي عصبي عميق، از چندين لايه استفاده مي كنند. براي يك شبكه كم عمق در هر عملكردي، بايد پارامترهاي زيادي وجود داشته باشد. از آنجا كه شبكه هاي عميق داراي چندين لايه هستند، مي تواند توابع را حتي با تعداد محدودي از پارامترها بهتر فيت كنند. امروزه شبكه هاي عميق به دليل تواناييشان براي كار در هر نوع مدل سازي داده، ترجيح داده مي شوند.

۶. شبكه هاي عصبي بازگشتي چيست؟

شبكه هاي عصبي بازگشتي، شبكه هاي عصبي هستند كه از خروجي مرحله قبل به عنوان ورودي براي مرحله فعلي استفاده مي كنند. بر خلاف يك شبكه عصبي سنتي، كه در آن ورودي ها و خروجي ها مستقل از يكديگر هستند، در يك شبكه عصبي بازگشتي، خروجي هاي قبلي براي تصميم گيري بعدي بسيار مهم است. اين يك لايه پنهان است كه داراي داده هاي مربوط به يك دنباله است.

٧. لايه هاي مختلف يك شبكه عصبي پيچشي (CNN) چيست؟

انواع مختلف لايه هاي CNN شامل موارد زير است:
Convolutional Layer: اين لايه اصلي است كه مجموعه اي از فيلترهاي قابل يادگيري با زمينه پذيرش را داراست. اين اولين لايه اي است كه ويژگي هاي داده هاي ورودي را استخراج مي كند.
ReLU Layer: اين لايه با ساختن شبكه ها غير خطي، پيكسل هاي منفي را به صفر تبديل مي كند.
Pooling Layer: قرار دادن يك لايه Pooling بين چندين لايه كانولوشني پشت سر هم در يك معماري كانولوشن امري رايج است . كاركرد اين لايه كاهش اندازه مكاني (عرض و ارتفاع) تصوير (ورودي) بجهت كاهش تعداد پارامترها و محاسبات در داخل شبكه و بنابر اين كنترل overfitting (بيش پردازش) است.

٨. مطلوب ترين كتابخانه ديپ لرنينگ چيست و چرا؟

Tensorflow به دليل انعطاف پذيري بالايي كه دارد، مطلوب ترين كتابخانه در يادگيري عميق است. اين كتابخانه مي تواند براي هر مدل مناسب باشد. Tensorflow در بين محققان محبوب است زيرا مي توان آن را با توجه به نياز و شبكه هاي كنترل، تغيير داد.

٩. نظر شما توسط تنسور (Tensors) چيست؟

تنسورها آرايه هاي چند بعدي هستند كه به ما اجازه مي دهند داده هايي را ارائه كنيم كه داراي ابعاد بالاتري هستند. يادگيري عميق با مجموعه هاي داده هاي چند بعدي سروكار دارد. در اينجا، ابعاد به ويژگي هاي مختلفي كه در مجموعه داده موجود است، اشاره دارد.

١٠. كاربرد يادگيري عميق در عصر امروز چيست و چگونه به دانشمندان داده كمك مي كند؟

يادگيري عميق در زمينه هاي شناخت زبان، اتومبيل هاي خودران، توليد متن، ويرايش فيلم و تصوير و موارد ديگر استفاده مي شود. با اين حال، مهم ترين كاربرد يادگيري عميق شايد در زمينه ديد رايانه اي باشد كه در آن كامپيوترها داده هاي مربوطه را براي يادگيري تشخيص شي، بازيابي و تقسيم تصوير، تشخيص پزشكي، نظارت بر محصولات زراعي و دام و ساير موارد استفاده مي كنند.

١١. مزاياي روش يادگيري نظارت شده چيست؟

با يادگيري نظارت شده، مي توانيد طبقه بنديگر را به طور كامل آموزش دهيد تا مرز تصميم گيري كاملي داشته باشد. تعاريف خاص از كلاس ها به ماشين ها كمك مي كند تا بين كلاس هاي مختلف به طور دقيق تمايز قائل شوند. يادگيري نظارت شده به ويژه براي پيش بيني داده ها با مقادير عددي بسيار مفيد است.

١٢. كاربرد يادگيري بدون نظارت در يادگيري عميق چگونه است؟

يادگيري بدون نظارت به عنوان آينده يادگيري عميق تلقي مي شود. اين مدل يادگيري در واقع از نحوه يادگيري انسان تقليد مي كند. بزرگترين مزيت استفاده از اين روش اين است كه مقياس آن بر خلاف يادگيري نظارت شده، قابل افزايش است. يك الگوريتم بدون نظارت قوي با تمايز دادن و حتي بدون مثال هاي فراوان، قادر به يادگيري خواهد بود.