Kunstige intelligens spørgsmål og svar sæt 1 spørgsmål svar

En introduktion til maskinindlæringsteori og dens applikationer en visuel tutorial med eksempler

Helt siden vi indså, hvordan kunstig intelligens er positivt påvirket markedet, er næsten alle store virksomheder på udkig efter AI-fagfolk for at hjælpe dem med at gøre deres vision til virkelighed. I denne kunstige intelligens interview spørgsmål blog, har jeg samlet de oftest stillede spørgsmål af interviewere. Disse spørgsmål indsamles efter høring af kunstige intelligens certificeringsuddannelseseksperter.

Hvis du har deltaget i ethvert kunstigt intelligensinterview i den seneste tid, skal du indsætte disse interviewspørgsmål i kommentarafsnittet, og vi svarer på dem tidligst. Du kan også kommentere nedenfor, hvis du har spørgsmål i dit sind, som du måske står over for i dit kunstige intelligensinterview.

I denne blog om kunstige intelligens interview spørgsmål, vil jeg diskutere de bedste kunstige efterretningsrelaterede spørgsmål, der stilles i dine interviews. Så for din bedre forståelse har jeg opdelt denne blog i de følgende 3 sektioner:

kunstige intelligens grundlæggende niveau interview spørgsmål

Googles søgemaskine Et af de mest populære AI-applikationer er Google-søgemaskinen. Hvis du åbner din Chrome-browser og begynder at skrive noget, giver Google straks anbefalinger for dig at vælge imellem. Logikken bag søgemaskinen er kunstig intelligens.

AI bruger prædiktiv analytics, NLP og maskinindlæring til at anbefale relevante søgninger til dig. Disse anbefalinger er baseret på data, som Google indsamler om dig, som f.eks. Din søgning historie, placering, alder osv. Således gør Google brug af AI, for at forudsige, hvad du måske leder efter.

q Hvad er de forskellige typer AI?

Kunstig intelligens er en teknik, der gør det muligt for maskiner til at efterligne menneskelig adfærd. Mens maskinindlæring er en delmængde af kunstig intelligens. Det er videnskaben om at få computere til at handle ved at fodre dem data og lade dem lære et par tricks alene uden at blive eksplicit programmeret til at gøre det.

q Hvad er de forskellige typer maskinindlæring?

Maskinlæring (ml) kommer ind i sin egen, med en voksende anerkendelse, at ML kan spille en central rolle i en bred vifte af kritiske applikationer, såsom data minedrift, naturlig sprogbehandling, billedgenkendelse og ekspert systemer. ML giver potentielle løsninger på alle disse domæner og mere, og er indstillet til at være en søjle i vores fremtidige civilisation.

Tilførslen af ​​mulige ml designere har endnu ikke fanget op til denne efterspørgsel. En væsentlig årsag til dette er, at ml er bare almindelig vanskelig. Denne maskinindlæringsvejledning introducerer det grundlæggende i ML-teori, der lægger de fælles temaer og begreber, hvilket gør det nemt at følge logikken og blive komfortabel med maskinindlæring.

Hvad er maskinindlæring?

Så hvad er nøjagtigt "maskinlæring" alligevel? Ml er faktisk mange ting. Feltet er ret stort og vokser hurtigt, idet man løbende opdeles og sub-partitionerede ad nauseam i forskellige sub-specialiteter og typer af maskinindlæring.

Der er dog nogle grundlæggende fælles tråde, og det overordnede tema er bedst opsummeret af denne OFT-citeret erklæring fra Arthur Samuel Ways tilbage i 1959: "[Maskinuddannelse er det] studieområde giver computere evnen til at lære uden at blive eksplicit programmeret. "

Og for nylig, i 1997, gav Tom Mitchell en "velpustet" definition, der har vist sig mere nyttig for ingeniørtyper: "Et computerprogram siges at lære af erfaring e med hensyn til nogle opgaver t og nogle præstationsforanstaltning P, hvis dens præstation på T, målt ved P, forbedrer erfaringen e. "

Så hvis du vil have dit program til at forudsige, for eksempel trafikmønstre på et travlt kryds (opgave t), kan du køre den gennem en maskinindlæringsalgoritme med data om tidligere trafikmønstre (erfaring e) og , hvis det har succesfuldt "lært", vil det så gøre det bedre at forudsige fremtidige trafikmønstre (Performance Measure P).

Den meget komplekse karakter af mange virkelige problemer betyder dog ofte, at opfinde specialiserede algoritmer, der vil løse dem perfekt hver gang, er upraktisk, hvis ikke umuligt. Eksempler på maskinindlæringsproblemer omfatter, "er denne kræft?", "Hvad er markedsværdien af ​​dette hus?", Hvilke af disse mennesker er gode venner med hinanden? "," Vil denne raketmotor eksplodere på start? "," Vil denne person lide denne film? "," Hvem er dette? "," Hvad sagde du? ", Og" Hvordan flyver du denne ting? ". Alle disse problemer er gode mål for et ML-projekt, og i virkeligheden er ML blevet anvendt på hver af dem med stor succes.

Vi vil primært fokusere på overvåget læring her, men slutningen af ​​artiklen indeholder en kort diskussion om unsupervised learning med nogle links til dem, der er interesserede i at forfølge emnet yderligere.

Overvåget maskinindlæring

I de fleste overvågede læringsapplikationer er det ultimative mål at udvikle en finjusteret forudsigelsesfunktion H (X) (undertiden kaldet "hypotesen"). "Læring" består af at bruge sofistikerede matematiske algoritmer til at optimere denne funktion, så det gives input-data x om et bestemt domæne (sige kvadratmeter af et hus), vil det præcist forudsige nogle interessante værdier H (x) (sige markedsprisen for nævnte hus).

I praksis repræsenterer X næsten altid flere datapunkter. Så for eksempel kan en boligpris forudsigelse ikke kun tage firkantede footage (x1), men også antal soveværelser (x2), antal badeværelser (x3), antal gulve (x4), årbygget (x5), postnummer (x6) og så videre. Bestemmelse af hvilke input der skal bruges er en vigtig del af ml design. Men for forklaringens skyld er det nemmest at antage, at en enkelt inputværdi anvendes.

Maskinindlæringseksempler

Vi holder fast i enkle problemer i dette indlæg af hensyn til illustration, men årsagen ml eksisterer er, at i den virkelige verden er problemerne meget mere komplekse. På denne fladskærm kan vi tegne dig et billede af et tredimensionelt datasæt, men ml-problemer behandler ofte data med millioner af dimensioner og meget komplekse forudsigelsesfunktioner. Ml løser problemer, der ikke kan løses af numeriske midler alene.

Først skal du bemærke, at dataene er lidt støjende. Det vil sige, mens vi kan se, at der er et mønster til det (i.. Medarbejdertilfredshed har tendens til at gå op, da lønnen går op), det passer ikke helt pænt på en lige linje. Dette vil altid være tilfældet med virkelige data (og vi vil absolut træne vores maskine ved hjælp af virkelige data!). Så så hvordan kan vi træne en maskine til perfekt at forudsige en medarbejders niveau af tilfredshed? Svaret er selvfølgelig, at vi ikke kan. Målet med ML er aldrig at lave "perfekte" gæt, fordi ML beskæftiger sig med domæner, hvor der ikke er noget sådan. Målet er at gøre gæt, der er gode nok til at være nyttige.

Maskinindlæring bygger tungt på statistik. For eksempel, når vi træner vores maskine til at lære, skal vi give det en statistisk signifikant stikprøve som træningsdata. Hvis træningssættet ikke er tilfældig, løber vi risikoen for maskinens læringsmønstre, der ikke er faktisk der. Og hvis træningssættet er for lille (se loven om store tal), vil vi ikke lære nok og kan endda nå unøjagtige konklusioner. For eksempel ville forsøg på at forudsige virksomhedsomspændende tilfredshedsmønstre baseret på data fra den øverste ledelse alene sandsynligvis være fejlagtigt.

Maskinindlæringsregression: En note om kompleksitet

Ovennævnte eksempel er teknisk et simpelt problem med univariate lineær regression, som i virkeligheden kan løses ved at udlede en simpel normal ligning og springe over denne "tuning" -proces helt. Men overvej en forudsigelse, der ser sådan ud:

Denne funktion tager input i fire dimensioner og har en række polynomiske termer. En normal ligning for denne funktion er en betydelig udfordring. Mange moderne maskinindlæringsproblemer tager tusindvis eller endda millioner af dimensioner af data for at opbygge forudsigelser ved hjælp af hundredvis af koefficienter. Forudsigelse af, hvordan en organisms genom vil blive udtrykt, eller hvad klimaet vil være i halvtreds år, er eksempler på sådanne komplekse problemer.

Heldigvis er den iterative tilgang taget af ML-systemer meget mere modstandsdygtig i lyset af en sådan kompleksitet. I stedet for at bruge brute force føles et maskinindlæringssystem "sin vej" til svaret. For store problemer virker dette meget bedre. Selvom det ikke betyder, at ML kan løse alle vilkårligt komplekse problemer (det kan ikke), gør det til et utroligt fleksibelt og kraftfuldt værktøj.

Gradient Descent - Minimering af "Forkert"

Valget af omkostningsfunktionen er et andet vigtigt stykke af et ML-program. I forskellige sammenhænge kan "forkert" betyde meget forskellige ting. I vores medarbejdertilfredshedseksempel er den veletablerede standard den lineære mindst kvadrater:

Med mindste kvadrater går straffen for et dårligt gæt op quadratisk med forskellen mellem gættet og det rigtige svar, så det virker som en meget "streng" måling af forkert. Omkostningsfunktionen beregner en gennemsnitlig straf over alle træningseksempler.

der dækker den grundlæggende teori, der ligger til grund for de fleste overvågede maskinindlæringssystemer. Men de grundlæggende begreber kan anvendes på en række forskellige måder afhængigt af problemet ved hånden.

Klassifikationsproblemer i maskinindlæring

Spørgsmål og svar - MCQ med forklaring på computervidenskabelige emner som systemarkitektur, introduktion til ledelse, matematik til datalogi, DBMS, C Programmering, systemanalyse og design, datastruktur og algoritmeanalyse, OOP og Java , Kunde server applikationsudvikling, datakommunikation og computernetværk, OS, MIS, Software Engineering, AI, Web Technology og mange andre emner gør også tilgængelige Q & A til eksamen, interview, konkurrencedygtig eksamen og indgangstest.

sider

stor og nyttig artikel. Ava Online CutsJava Online Training Java EE TrainingJava kursus i ChennaiJava Training i ChennaiJava Training Institutes i ChennaiJava Interview SPØRGSMÅL SPØRGSMÅL INTERVIEW SPØRGSMÅL

Jeg nød virkelig at læse din artikel. Jeg fandt dette som et informativt og interessant indlæg, så jeg synes, det er meget nyttigt og kyndig. Jeg vil gerne takke for den indsats, du har lavet i skrivelsen af ​​denne artikel. DUPDF. rg

#mytalentfit er bedst #howard Gardnerteori om flere intelligenscentre i #india. Vi leverer #multiple intelligence test, quiz, aktivitet, vurdering, beholdning, bog og diagram. Vi lærer studerende flere intelligens færdigheder i Indien. Flere intelligensteori i Indien

Cursol Technology er de største kunstige intelligensløsninger i Pune, Indien, USA, Sydafrika, Indonesien, Storbritannien, Frankrig og Tyskland giver sikrere medicinske procedurer, stigning i produktiviteten, forbedring af kvaliteten af ​​det fysisk udfordrede mv. Rtificial Intelligence Solutions

Nice blog, tak for deling. E skal tale om kunstig intelligens, og så vil vi gå videre til store data og cloud computing i vores kommende artikler. ere hvad er kunstig intelligens

Vi bruger cookies
Vi bruger cookies til at sikre, at vi giver dig den bedste oplevelse på vores hjemmeside. Ved at bruge hjemmesiden accepterer du vores brug af cookies.
Tillad cookies.