Unha introdución á teoría da aprendizaxe automática e ás súas aplicacións un tutorial visual con exemplos

Desde que nos decatamos de como a intelixencia artificial está afectando positivamente o mercado, case todos os grandes negocios están á procura de profesionais AI para axudalos a facer a súa visión unha realidade. Nesta entrevista de intelixencia artificial Preguntas de entrevista Blog, recollín as preguntas máis frecuentes polos entrevistadores. Estas preguntas son recollidas despois de consultar con especialistas en formación de certificación de intelixencia artificial.

No caso de que asistes a calquera entrevista de intelixencia artificial no pasado recente, pegue aquelas preguntas de entrevista na sección de comentarios e responderémolas máis cedo. Tamén podes comentar a continuación se tes algunha dúbida na túa mente, que podes enfrontar na túa entrevista de intelixencia artificial.

Neste blog sobre preguntas de entrevista de intelixencia artificial, vou discutir as mellores preguntas relacionadas coa intelixencia artificial feitas nas túas entrevistas. Entón, para a súa mellor comprensión dividín este blog nas seguintes 3 seccións:

Preguntas de entrevista básica de intelixencia artificial

O buscador de Google Unha das aplicacións AI máis populares é o buscador de Google. Se abre o seu navegador Chrome e comeza a escribir algo, Google inmediatamente proporciona recomendacións para que elixa. A lóxica detrás do buscador é a intelixencia artificial.

AI usa analítica preditiva, NLP e máquina de aprender a recomendar procuras relevantes para ti. Estas recomendacións baséanse nos datos que Google recolle sobre vostede, como o seu historial de busca, localización, idade, etc. Así, Google fai uso de AI, para predecir o que pode estar a buscar.

Q Cales son os diferentes tipos de AI?

A intelixencia artificial é unha técnica que permite que as máquinas imitan o comportamento humano. Mentres que a aprendizaxe de máquinas é un subconxunto de intelixencia artificial. É a ciencia de que as computadoras actúen alimentándolles os datos e deixándoos aprender algúns trucos por conta propia, sen ser programado explícitamente para facelo.

Q Cales son os diferentes tipos de aprendizaxe de máquinas?

Aprendizaxe de máquinas (ML) está chegando a si mesma, cun crecente recoñecemento que a ML pode desempeñar un papel fundamental nunha ampla gama de aplicacións críticas, como a minería de datos, o procesamento de idioma natural, o recoñecemento de imaxes e Sistemas expertos. ML ofrece solucións potenciais en todos estes dominios e máis, e está definido como un pilar da nosa futura civilización.

O subministro de diseñadores de ML capaz aínda ten que alcanzar esta demanda. Unha razón importante para iso é que ML é simplemente complicado. Este aprendizaxe de máquina tutorial presenta os conceptos básicos da teoría ML, polo que se establecen os temas e conceptos comúns, facendo-o fácil de seguir a lóxica e sentirse cómodo co básico de aprendizaxe de máquina.

Que é a aprendizaxe da máquina?

Entón, que é exactamente a "aprendizaxe de máquinas" de todos os xeitos? Ml é realmente moitas cousas. O campo é bastante amplo e está en expansión rapidamente, sendo continuamente particionado e subpartido ad nauseam en diferentes subpecialidades e tipos de aprendizaxe automática.

e máis recentemente, en 1997, Tom Mitchell deu unha definición "ben presentada" que demostrou ser máis útil para os tipos de enxeñaría: "Dise que un programa informático aprende da experiencia E con respecto a algunha tarefa T e algunha medida de rendemento p, se o seu desempeño en T, medido por P, mellora coa experiencia e. "

Entón, se queres que o teu programa predice, por exemplo, os patróns de tráfico nunha intersección ocupada (Task T), podes executala a través dun algoritmo de aprendizaxe automática con datos sobre os patróns de tráfico anteriores (experiencia E) e , se ten éxito "aprendido", fará mellor a previsión de futuros patróns de tráfico (medición de rendemento p).

A natureza altamente complexa de moitos problemas do mundo real, aínda que, moitas veces significa que inventar algoritmos especializados que os resolverán perfectamente cada vez que non sexa práctico, se non imposible. Exemplos de problemas de aprendizaxe de máquinas inclúen: "¿Este é este cancro?", "Cal é o valor de mercado desta casa?", "Cal destas persoas son bos amigos uns cos outros?", "Será que este motor de foguetes explotará a despegar? "," Será que esta persoa como esta película? "," Quen é isto? "," Que dixeches? ", E" Como voas esta cousa? ". Todos estes problemas son excelentes obxectivos para un proxecto ML e, de feito, ml aplicouse a cada un deles con gran éxito.

centrarémonos principalmente na aprendizaxe supervisada aquí, pero o final do artigo inclúe unha breve discusión sobre a aprendizaxe sen supervisión con algunhas ligazóns para aqueles que están interesados ​​en seguir o tema.

Aprendizaxe de máquinas supervisadas

Na maioría das aplicacións de aprendizaxe supervisadas, o obxectivo final é desenvolver unha función de predictor finamente sintonizada H (x) (ás veces chamada "hipótese"). "Aprendizaxe" consiste en usar algoritmos matemáticos sofisticados para optimizar esta función para que, dada datos de entrada x sobre un determinado dominio (por exemplo, o metragem cadrado dunha casa), vai previr con precisión un valor interesante H (x) (por exemplo, prezo de mercado para esa casa).

Na práctica, x case sempre representa varios puntos de datos. Entón, por exemplo, un predictor de prezos da vivenda pode levar non só cadro-metragem (X1), senón tamén o número de cuartos (x2), o número de baños (x3), o número de pisos (x4), o ano construído (x5), o código postal (x6), e así por diante. Determinar que entradas a usar é unha parte importante do deseño ML. Non obstante, por mor da explicación, é máis fácil asumir que se usa un único valor de entrada.

Exemplos de aprendizaxe de máquinas

Seguimos a problemas simples nesta publicación por mor da ilustración, pero a razón pola que existe é porque, no mundo real, os problemas son moito máis complexos. Nesta pantalla plana podemos debuxarlle unha imaxe, como máximo, un conxunto de datos tridimensionais, pero os problemas de ML tratan habitualmente con datos con millóns de dimensións e funcións de predictor moi complexas. ML resolve problemas que non poden ser resoltos por medios numéricos só.

Primeiro, teña en conta que os datos son un pouco ruidosos. É dicir, mentres podemos ver que hai un patrón (i.. A satisfacción dos empregados tende a subir a medida que sobe o salario), non todo encaixa perfectamente nunha liña recta. Este será sempre o caso dos datos do mundo real (e que absolutamente queremos adestrar a nosa máquina usando datos do mundo real!). Entón, como podemos adestrar unha máquina para predecir perfectamente o nivel de satisfacción dun empregado? A resposta, por suposto, é que non podemos. O obxectivo de ML nunca é facer suposicións "perfectas", porque ML trata sobre dominios onde non hai tal cousa. O obxectivo é facer adiviñas que son o suficientemente boas como para ser útiles.

A aprendizaxe de máquinas constrúe fortemente nas estatísticas. Por exemplo, cando adestramos a nosa máquina para aprender, temos que darlle unha mostra aleatoria estatisticamente significativa como datos de adestramento. Se o conxunto de formación non é aleatorio, corremos o risco dos patróns de aprendizaxe de máquinas que non están realmente alí. E se o conxunto de formación é demasiado pequeno (ver a lei dos grandes números), non aprenderemos o suficiente e ata pode chegar a conclusións inexactas. Por exemplo, o intento de predecir os patróns de satisfacción de toda a compañía en función dos datos da xestión superior só sería propenso ao erro.

Regresión de aprendizaxe de máquinas: unha nota sobre complexidade

O exemplo anterior é técnicamente un problema sinxelo de regresión lineal univariable, que en realidade pode resolverse derivando unha ecuación normal sinxela e saltando este proceso de "axuste". Non obstante, considere un predictor que parece así:

Esta función toma a entrada en catro dimensións e ten unha variedade de termos polinómicos. Derivando unha ecuación normal para esta función é un desafío significativo. Moitos problemas de aprendizaxe modernos de máquinas levan miles ou incluso millóns de dimensións de datos para construír predicións utilizando centos de coeficientes. Predición de como se expresará o xenoma dun organismo, ou o que o clima será como en cincuenta anos, son exemplos de problemas tan complexos.

Afortunadamente, o enfoque iterativo tomado por sistemas ML é moito máis resistente fronte a esa complexidade. En lugar de usar a forza bruta, un sistema de aprendizaxe de máquinas "sente o seu camiño" á resposta. Para grandes problemas, isto funciona moito mellor. Aínda que isto non significa que o ML poida resolver todos os problemas arbitrarios (non pode), fai unha ferramenta increíblemente flexible e poderosa.

Descenso de gradiente: minimizando a "incorrección"

A elección da función de custo é outra peza importante dun programa ML. En diferentes contextos, estar "mal" pode significar cousas moi diferentes. No noso exemplo de satisfacción dos empregados, o estándar ben establecido é a función lineal mínima de cadrados:

Con menos cadrados, a pena por unha mala suposición sobe cuadráticamente coa diferenza entre a adiviñación ea resposta correcta, polo que actúa como unha medida moi "estrita" de equivocación. A función de custo calcula unha pena media sobre todos os exemplos de formación.

que abarca a teoría básica subxacente á maioría dos sistemas de aprendizaxe de máquinas supervisadas. Pero os conceptos básicos poden ser aplicados de forma diferente de diferentes xeitos, dependendo do problema a man.

Problemas de clasificación na aprendizaxe automática

Preguntas e respostas - MCQ con explicación sobre asuntos de informática como arquitectura do sistema, introdución á xestión, matemáticas para informática, DBMS, programación C, análise de sistema e deseño, estrutura de datos e análise de algoritmos, OOP e Java , O desenvolvemento de aplicacións de servidor de clientes, a comunicación de datos e as redes informáticas, o sistema operativo, a mis, a enxeñaría de software, a AI, a tecnoloxía web e moitos outros temas tamén dispoñen de Q & A para o exame, entrevista, exame competitivo e proba de entrada.

Páxinas

Artigo excelente e útil. Ava en liña Coursejava Training en liña Java EE TrainingJava Curso en Chennaijava Training en Chennaijava Institutos de formación en Chennaijava Entrevista Preguntasjava Entrevista Preguntas

Realmente me gustou ler o teu artigo. Atopei isto como unha publicación informativa e interesante, polo que creo que é moi útil e informado. Gustaríame agradecerlle polo esforzo que fixo por escribir este artigo. DUPDF. rg

#mytalentfit é mellor #howard teoría de Gardner de varios centros de intelixencia en #india. Ofrecemos probas de intelixencia #multiple, cuestionario, actividade, avaliación, inventario, libro e gráfico. Ensinamos aos estudantes a varias habilidades de intelixencia na India. Múltiples teoría de intelixencia na India

CroChsol Technology é a maiores solucións de intelixencia artificial en Pune, India, Estados Unidos, Sudáfrica, Indonesia, Reino Unido, Francia e Alemaña ofrece procedementos médicos máis seguros, aumentan a produtividade, mellorando a calidade dos desafiados físicamente, etc. Solucións de intelixencia rtificial

bo blog, grazas por compartir. E van falar sobre a intelixencia artificial, e despois seguiremos a grandes datos e a computación en nube nos nosos próximos artigos. ere que é a intelixencia artificial