Künstliche Intelligenz-Fragen und Antworten setzen 1 Fragen Antworten

Eine Einführung in die Maschinenlerntheorie und ihre Anwendungen ein visuelles Tutorial mit Beispielen

Seit wir uns erkannt haben, wie künstliche Intelligenz den Markt positiv beeinträchtigt, liegt fast jedes große Unternehmen auf der Suche nach AI-Profis, um ihnen zu helfen, ihre Vision eine Realität zu machen. In diesem künstlichen Intelligenz-Interview-Fragen Blog, habe ich die am häufigsten gestellten Fragen von Interviewer gesammelt. Diese Fragen werden nach der Beratung mit künstlichen Intelligence-Zertifizierungs-Trainingsexperten gesammelt.

Falls Sie in der jüngsten Vergangenheit jedes künstliche Intelligenz-Interview besucht haben, fügen Sie diese Interviewfragen im Abschnitt Kommentare ein und wir werden sie frühestens beantworten. Sie können es auch kommentieren, wenn Sie Fragen in Ihrem Kopf haben, an denen Sie sich in Ihrem künstlichen Intelligenz interviewen könnten.

In diesem Blog über Fragen der künstlichen Intelligenz, Fragen, diskutiere ich die in Ihren Interviews gestellten Fragen der künstlichen Intelligenz. Für Ihr besseres Verständnis habe ich diesen Blog in die folgenden 3 Abschnitte unterteilt:

Künstliche Intelligenz Grundlegende Interview-Fragen des Unternehmens

Google Suchmaschine Eine der beliebtesten AI-Anwendungen ist die Google-Suchmaschine. Wenn Sie Ihren Chrome-Browser öffnen und etwas eingeben, bietet Google sofort Empfehlungen für Sie zur Auswahl. Die Logik hinter der Suchmaschine ist künstliche Intelligenz.

ai verwendet Predictive Analytics, NLP und Machine, um relevante Suchanfragen zu empfehlen. Diese Empfehlungen basieren auf Daten, die Google über Sie sammelt, beispielsweise Ihren Suchhistorie, Standort, Alter usw. usw., somit nutzt Google von AI, um vorherzusagen, wonach Sie vielleicht suchen.

q Was sind die verschiedenen Arten von AI?

künstliche Intelligenz ist eine Technik, die es Maschinen ermöglicht, das menschliche Verhalten inmimieren zu können. In der Erwägung, dass das Machine-Lernen eine Teilmenge der künstlichen Intelligenz ist. Es ist die Wissenschaft, Computer zu erhalten, indem Sie sie dazu bringen, Daten zu füttern, und lassen Sie sie alleine ein paar Tricks lernen, ohne dazu explizit darauf programmiert zu sein.

q Was sind die verschiedenen Arten von Maschinenlernen?

Machine Learning (ML) kommt in seine eigene, mit zunehmender Anerkennung, dass ML eine Schlüsselrolle in einer Vielzahl kritischer Anwendungen spielen kann, z. B. Data Mining, natürliche Sprachverarbeitung, Bilderkennung und Expertensysteme. ML bietet potenzielle Lösungen in all diesen Domains und mehr und ist als Säule unserer zukünftigen Zivilisation eingestellt.

Die Versorgung der linken ML-Designer hat diese Nachfrage noch nicht aufholen. Ein Hauptgrund dafür ist, dass ML einfach nur knifflig ist. Dieses maschinelle Lernens-Tutorial führt die Grundlagen der ML-Theorie ein, die die gemeinsamen Themen und Konzepte ablegen, so dass es leicht ist, der Logik zu folgen und mit Machine Lerngrundlagen komfortabel zu sein.

Was ist das Machine lernen?

Was genau ist ohnehin "Maschinenlernen"? Ml ist eigentlich viele Dinge. Das Feld ist ziemlich riesig und baut sich schnell aus, wobei kontinuierlich partitioniert und sub-partitioniertes Ad Nauseam in verschiedene Unterspezialitäten und Arten von Machine lernen.

Es gibt jedoch einige grundlegende gemeinsame Threads, und das übergeordnete Thema wird von dieser oft angebotenen Erklärung von Arthur Samuel Way 1959 am besten zusammengefasst: "[Machine Learning ist das Feld der Studie gibt Computer die Fähigkeit, zu lernen, ohne explizit programmiert zu werden. "

und in jüngster Zeit, 1997, 1997, gab Tom Mitchell 1997 eine "gut gestellte" Definition, die sich für den Ingenieurtypen als nützlicher erwiesen hat: "Ein Computerprogramm soll aus Erfahrung E in Bezug auf einige Aufgabe t erfahren und ein gewisses Leistungsmaß P, wenn seine Leistung auf t, gemessen von P, verbessert sich mit der Erfahrung E. "

Wenn Sie also möchten, dass Ihr Programm beispielsweise vorhersagbar, zum Beispiel Verkehrsmuster an einer befahrenen Kreuzung (Task T), können Sie ihn durch einen Maschinenlernen-Algorithmus mit Daten über vergangene Verkehrsmuster (Erfahrung E) ausführen und , wenn es erfolgreich "gelernt" hat, wird es dann besser bei der Vorhersage der zukünftigen Verkehrsmuster (Leistungsmaßnahme p).

Die hochkomplexe Natur vieler realer Probleme bedeutet jedoch häufig, dass sie spezialisierte Algorithmen erfindert, die sie jedes Mal perfekt lösen, wenn nicht unmöglich ist. Beispiele für maschinelle Lernprobleme umfassen: "Ist dieser Krebs?", "Was ist der Marktwert dieses Hauses?", "Welches dieser Leute sind gute Freunde miteinander?", "Wird dieser Raketenmotor aufheben? "," Wird diese Person diesen Film wie diesen Film? "," Wer ist das? "," Was hast du gesagt? ", Und" Wie fliegst du dieses Ding? ". Alle diese Probleme sind hervorragende Ziele für ein ML-Projekt, und in der Tat wurde ml auf jeden von ihnen mit großem Erfolg angewendet.

Wir werden uns vor allem auf ein überwachtes Lernen konzentrieren, aber das Ende des Artikels beinhaltet eine kurze Erörterung des unbeaufsichtigten Lernens mit einigen Verbindungen für diejenigen, die daran interessiert sind, das Thema weiter zu verfolgen.

Überwachungsmaschine Lernen

In der Mehrheit der überwachten Lernanwendungen ist das ultimative Ziel, eine fein abgestimmte Prädiktorfunktion H (x) zu entwickeln (manchmal als "Hypothese" bezeichnet). "Lernen" besteht darin, ausgefeilte mathematische Algorithmen zu verwenden, um diese Funktion so zu optimieren, dass er gegebenen Eingabedaten x über eine bestimmte Domäne (sagen, quadratische Aufnahmen eines Hauses), es einen interessanten Wert H (X) (sagen, Marktpreis) vorhersagt für das Haus).

In der Praxis repräsentiert x fast immer mehrere Datenpunkte. So kann beispielsweise ein Gehäusepreisprädiktor nicht nur Quadrat-Footage (X1) nehmen, sondern auch Anzahl der Schlafzimmer (X2), Anzahl der Badezimmer (x3), Anzahl der Etagen (X4), Jahr gebaut (X5), Postleitzahl (x6) und so weiter. Bestimmen, welche Eingänge zur Verwendung ein wichtiger Teil von ML-Design ist. Der Erläuterung halber ist jedoch am einfachsten anzunehmen, dass ein einzelner Eingabewert verwendet wird.

Machine Lernbeispiele

Wir halten uns auf einfache Probleme in diesem Beitrag wegen der Illustration, aber der Grund, warum ML existiert, ist, dass in der realen Welt die Probleme viel komplexer sind. Auf diesem flachen Bildschirm können wir Ihnen höchstens dreidimensionale Daten einbildend zeichnen, aber ML-Probleme handeln üblicherweise mit Daten mit Millionen von Abmessungen und sehr komplexen Prädiktorfunktionen. Ml löst Probleme, die nicht durch numerische Mittel allein gelöst werden können.

Zuerst Beachten Sie, dass die Daten ein wenig laut sind. Das heißt, während wir sehen können, dass es ein Muster dazu gibt (d.... Mitarbeiterzufriedenheit neigt dazu, als Gehalt aufzusteigen), passt es nicht alle ordentlich auf eine gerade Linie. Dies ist bei realen Daten immer der Fall (und wir wollen unsere Maschine absolut mit realen Daten auszurüsten!). Wie können wir also eine Maschine trainieren, um die Zufriedenheit des Angestelltens perfekt vorhersagen zu können? Die Antwort ist natürlich, dass wir nicht können. Das Ziel von Ml ist niemals "perfekte" Vermutungen, weil ML in den Domains befasst, wo es keine solche gibt. Ziel ist es, Vermutungen zu machen, die gut genug sind, um nützlich zu sein.

Machine Lernen baut stark auf Statistiken auf. Wenn wir beispielsweise unsere Maschine trainieren, müssen wir ihm eine statistisch signifikante zufällige Probe als Trainingsdaten geben. Wenn das Trainingssatz nicht zufällig ist, führen wir das Risiko der Maschinenlernmuster, die nicht eigentlich sind. Und wenn das Trainingssatz zu klein ist (siehe Gesetz der großen Zahlen), werden wir nicht genug lernen und können sogar ungenaue Schlussfolgerungen erreichen. Beispielsweise würde es wahrscheinlich versuchen, unter dem oberen Management von Daten des oberen Managements basierenden Unternehmenszufriedenheitsmuster vorherzusagen, dass es wahrscheinlich fehleranfällig ist.

Regression der Maschine: Eine Anmerkung der Komplexität

Das obige Beispiel ist technisch ein einfaches Problem der univariaten linearen Regression, das in der Realität gelöst werden kann, indem eine einfache normale Gleichung abgeleitet wird und diesen "Tuning" -Prozess insgesamt überspringt. Berücksichtigen Sie jedoch einen Prädiktor, der so aussieht:

Diese Funktion ergreift in vier Dimensionen ein- und hat eine Vielzahl von Polynomen. Die normale Gleichung für diese Funktion ableiten ist eine bedeutende Herausforderung. Viele moderne Machine-Lernprobleme nehmen Tausende oder sogar Millionen von Datendimensionen, um Vorhersagen mit Hunderten von Koeffizienten aufzubauen. Vorhersage, wie ein Genom eines Organismus ausgedrückt wird oder was das Klima in fünfzig Jahren sein wird, sind Beispiele für solche komplexen Probleme.

Glücklicherweise ist der iterative Ansatz von ML-Systemen im Angesicht einer solchen Komplexität viel elastischer. Anstatt Brute-Kraft zu verwenden, fühlt sich ein Maschinenlernsystem "an die Antwort" an. Für große Probleme funktioniert dies viel besser. Dies bedeutet zwar nicht, dass ML alle willkürlich komplexen Probleme lösen kann (es kann nicht), es macht ein unglaublich flexibles und leistungsstarkes Werkzeug.

Gradientenabstieg - Minimierung von "Unrecht"

Die Wahl der Kostenfunktion ist ein weiteres wichtiges Stück eines ML-Programms. In verschiedenen Kontexten kann es sein, "falsch" zu sein, sehr unterschiedliche Dinge zu bedeuten. In unserem Mitarbeiterzufriedenheitsbeispiel ist der etablierte Standard die lineare Funktion der kleinsten Quadrate:

mit kleinsten Quadraten, die Strafe für eine schlechte Vermutung steigt quadratisch mit dem Unterschied zwischen der Vermutung und der richtigen Antwort, sodass er als eine sehr strenge "strenge" Messung der Unrechtmäßigkeit wirkt. Die Kostenfunktion berechnet eine durchschnittliche Strafe über alle Schulungsbeispiele.

das deckt die grundlegende Theorie ab, die den Großteil der betreuten Maschinenlernsysteme zugrunde liegen. Die grundlegenden Konzepte können jedoch auf verschiedene Weise auf verschiedene Weise angewendet werden, abhängig von dem vorliegenden Problem.

Klassifizierungsprobleme in der Maschinenlernen

Fragen und Antworten - MCQ mit Erläuterung zu Informatik-Themen wie Systemarchitektur, Einführung in das Management, MATH für Informatik, DBMS, C-Programmierung, Systemanalyse und -design, Datenstruktur und Algorithmusanalyse, OOP und Java , Client Server-Anwendungsentwicklung, Datenkommunikation und Computernetzwerke, OS, MIS, Software Engineering, AI, WEB-Technologie und viele andere Fächer leisten q & a für die Prüfung, ein Interview, die Wettbewerbsprüfung und den Eingangstest.

Seiten

Toller und nützlicher Artikel. AVA Online-KursJava Online-Schulung Java EE-TrainingJava-Kurs in Chennaijava-Training in Chennaijava-Trainingsinstitute in Chennaijava Interview FragenJava Interview Fragen

Ich habe es wirklich genossen, Ihren Artikel zu lesen. Ich fand das als informativer und interessanter Beitrag, also denke ich, dass es sehr nützlich und sachkundig ist. Ich danke Ihnen für den Aufwand, den Sie diesen Artikel schriftlich gemacht haben. Dupdf. RG

#mytalentfit ist am besten #howard gardner theorie mehrerer Intelligenzzentren in #india. Wir bieten #multiple Intelligence-Test, Quiz, Aktivität, Bewertung, Inventar, Buch und Diagramm an. Wir unterrichten den Schülern mehrerer Intelligenzfähigkeiten in Indien. mehrere Intelligenztheorie in Indien

CRAFSOL-Technologie ist die größte künstliche Intelligenzlösungen in Pune, Indien, USA, Südafrika, Indonesien, Großbritannien, Frankreich und Deutschland sorgt für sicherere medizinische Verfahren, die Produktivitätssteigerung und die Verbesserung der Qualität der körperlich herausgefordert usw. RTificial Intelligence Solutions

Schöner Blog, danke für das Teilen. e werden über künstliche Intelligenz reden, und dann werden wir in unseren kommenden Artikel zu Big Data und Cloud Computing weitergehen. Was ist künstliche Intelligenz

Wir verwenden Cookies
Wir verwenden Cookies, um sicherzustellen, dass wir Ihnen die beste Erfahrung auf unserer Website geben. Durch die Nutzung der Website stimmen Sie der Verwendung von Cookies zu.
COOKIES ZULASSEN.