Najlepsze pytania i odpowiedzi rekrutacyjne dla programistów AI

Punktów widzenia jest wiele, a ze względu na zdolność AI do naśladowania cech ludzkich dzieli się ją na 3 kategorie:

• Słaba sztuczna inteligencja
• Ogólna sztuczna inteligencja
• Silna sztuczna inteligencja

Ze względu na funkcje, jakie pełni sztuczna inteligencja, można ją też podzielić na 4 następujące kategorie:

• Maszyny reaktywne
• AI o ograniczonej pamięci
• AI z teorią umysłu
• AI samoświadoma

Sztuczna inteligencja to technologia, dzięki której komputer może naśladować ludzkie zachowanie.

Uczenie maszynowe jest podzbiorem sztucznej inteligencji. Składa się z algorytmów i metody, dzięki której komputer potrafi analizować duże ilości danych i proponować rozwiązania konkretnych problemów w oparciu o sztuczną inteligencję.

Deep learning jest podzbiorem uczenia maszynowego, dzięki któremu komputer potrafi rozwiązywać problemy o znacznie większym poziomie złożoności.

Agent inteligentny to program zdolny do podejmowania decyzji i świadczenia usług w różnych dziedzinach. Wszystko zależy od środowiska, danych wejściowych od użytkownika i doświadczeń. Najczęściej takie programy służą do regularnego zbierania informacji — według zaplanowanego harmonogramu albo na żądanie użytkownika w czasie rzeczywistym. Boty często można nazwać agentami inteligentnymi.

• Python
• R
• Java
• C ++
• Prolog

Sieci neuronowe to zestaw algorytmów naśladujących operacje wykonywane przez ludzki mózg. Służą do rozpoznawania zależności między dużymi ilościami danych. Połączenia neuronowe są często wykorzystywane w programach dla usług finansowych — od prognozowania w badaniach rynku po wykrywanie oszustw i ocenę ryzyka.

• Wykrywanie spamu w poczcie e-mail
• Diagnostyka medyczna
• Analiza sentymentu
• Wykrywanie oszustw

Tablica to uporządkowany zbiór obiektów. Zakłada, że każdy element ma ten sam rozmiar — w przeciwieństwie do listy wiązanej.

Lista wiązana to ciąg obiektów-wskaźników. Wskaźniki określają kolejność, w jakiej należy przetwarzać obiekty.

• Superklucz
• Klucz główny
• Klucz kandydujący
• Klucz alternatywny
• Klucz obcy
• Klucz łączony
• Klucz złożony
• Klucz sztuczny

Algorytm A * to rodzaj algorytmu przeszukiwania, który znajduje najkrótszą ścieżkę między stanem początkowym a końcowym. Algorytmy A * są szeroko stosowane w różnych programach, na przykład w mapach. Takie programy używają tego algorytmu do wyznaczenia najkrótszej odległości między punktem startowym a celem.

TensorFlow to biblioteka open source stworzona z myślą o uczeniu maszynowym i badaniach nad sieciami neuronowymi. Wykorzystuje się ją głównie do programowania przepływu danych. Znacząco upraszcza też dodawanie do aplikacji funkcji AI, takich jak przetwarzanie języka naturalnego czy rozpoznawanie mowy.

Model generatywny uczy się kategorii danych, natomiast model dyskryminacyjny po prostu znajduje różnice między poszczególnymi kategoriami danych. W większości przypadków w zadaniach klasyfikacji modele dyskryminacyjne wypadają lepiej niż generatywne.

To proces zachodzący zwykle w drzewie decyzyjnym, gdy usuwa się gałęzie o słabej mocy predykcyjnej, żeby zmniejszyć rozmiar modelu i poprawić trafność jego prognoz. Takie ograniczanie może przebiegać na różne sposoby — zarówno z góry na dół, jak i z dołu do góry. Stosuje się przy tym podejścia takie jak redukcja liczby błędów i redukcja złożoności.

Sieć bayesowska w AI to probabilistyczny model grafowy pokazujący zależności w zbiorze zmiennych. Jest ważna, bo naśladuje działanie ludzkiego mózgu przy przetwarzaniu zmiennych i składa się z 2 części: skierowanego grafu acyklicznego oraz tabeli prawdopodobieństw warunkowych.

Tablica haszująca to struktura danych, na której buduje się tablicę asocjacyjną. Klucz jest odwzorowywany na wartości ​​za pomocą funkcji haszującej. Takich struktur używa się zwykle do zadań takich jak indeksowanie bazy danych.

Uczenie nadzorowane opiera się na w pełni oznaczonych danych. Z kolei uczenie nienadzorowane w ogóle nie korzysta z danych treningowych.

Półnadzorowane uczenie maszynowe to połączenie tych dwóch podejść: opiera się na danych treningowych złożonych z niewielkiej ilości danych oznaczonych i ogromnej ilości danych nieoznaczonych. 

K-Means to nienadzorowany algorytm klastrowania. Jego celem jest wyznaczenie k centroidów i przypisanie każdego punktu danych do najbliższego klastra przy jak najmniejszych centroidach.

KNN (K-Nearest Neighbors) to nadzorowany algorytm klasyfikacji. Jego celem jest sklasyfikowanie nieoznaczonej obserwacji na podstawie K otaczających ją sąsiadów.

Są trzy klasyczne sposoby unikania przeuczenia:

• Uprość model. Można to zrobić, biorąc pod uwagę mniej zmiennych i parametrów. W ten sposób pozbędziesz się części szumu w danych treningowych.
• Stosuj techniki walidacji krzyżowej. Jedną z najlepszych jest walidacja krzyżowa k-krotna (k-folds).
• Korzystaj z różnych technik regularyzacji. Jedną z najczęstszych jest metoda LASSO, która karze wybrane parametry modelu, jeśli mogą prowadzić do przeuczenia.

Pamiętaj, że szeregi czasowe to nie są dane rozłożone losowo. Są uporządkowane alfabetycznie. Jeśli wzorzec ujawnił się nie na początku, lecz w późniejszym okresie, model wciąż może go wychwycić. Żeby się to udało, potrzebne jest łańcuchowanie w przód. Dzięki niemu możesz modelować dane wstępne i patrzeć na dane z perspektywy. 

Podzbiór 1: trening [1], test [2]

Podzbiór 2: trening [1 2], test [3]

Podzbiór 3: trening [1 2 3], test [4]

Podzbiór 4: trening [1 2 3 4], test [5]

Podzbiór 5: trening [1 2 3 4 5], test [6]

Miara F1 to wskaźnik skuteczności modelu. Wyznacza się ją, śledząc precyzję i czułość modelu. Skala zaczyna się od 0, a kończy na 1: wyniki bliskie 0 są słabe, a wynik 1 jest najlepszy. Miary F1 można używać w testach klasyfikacji.

Techniki zespołowe łączą różne algorytmy, żeby uzyskać trafniejsze prognozy. Zwykle pomagają ograniczyć przeuczenie modeli i uczynić je stabilniejszymi.

Macierz pomyłek to ​​szczególna tabela, której powszechnie używa się do mierzenia skuteczności algorytmu. Stosuje się ją głównie w uczeniu nadzorowanym; w nienadzorowanym nazywa się macierzą dopasowania.

Ta macierz ma dwa parametry:

• Wartość rzeczywista
• Wartość przewidziana

Budowa modelu uczenia maszynowego ma w sumie trzy etapy:

• Budowa modelu: najpierw trzeba wybrać algorytm dla modelu i wytrenować go, przestrzegając wymagań.
• Testowanie modelu: trzeba szczegółowo sprawdzić na danych testowych, jak trafnie model działa.
• Zastosowanie modelu: po testach trzeba wprowadzić wszystkie potrzebne zmiany i dopracować model, a dopiero potem używać wersji finalnej w projektach w czasie rzeczywistym.

Las losowy (znany też jako Random Decision Forests) to nadzorowany algorytm uczenia maszynowego stosowany do klasyfikacji, regresji i innych zadań. Działa tak, że w fazie treningu tworzy wiele drzew decyzyjnych, a ostateczną decyzję podejmuje na podstawie decyzji większości drzew.

Ogólnie nie ma jednej reguły doboru algorytmu do konkretnego zadania, ale przy wyborze najlepszego można kierować się poniższymi zasadami:

Trzeba przetestować i zwalidować różne algorytmy, żeby upewnić się, że wybrany najlepiej rozwiązuje Twój problem.

Jeśli zbiór treningowy jest mały, lepiej użyć modeli o małej wariancji i dużym obciążeniu.

Jeśli natomiast zbiór treningowy jest duży, lepiej sprawdzą się modele o dużej wariancji i małym obciążeniu.

Precyzja to stosunek liczby zdarzeń poprawnie przywołanych do łącznej liczby przywołanych zdarzeń.

Precision = (True Positive) / (True Positive + False Positive)

Czułość to stosunek liczby zdarzeń, które udało się przywołać, do łącznej liczby zdarzeń.

Recall = (True Positive) / (True Positive + False Negative)

Wymiarowość można zmniejszyć na kilka sposobów. Możesz łączyć cechy przez inżynierię cech, usuwać cechy współliniowe albo skorzystać z algorytmicznej redukcji wymiarowości.

Obciążenie występuje w modelu uczenia maszynowego wtedy, gdy wartości przewidywane ​​są dalej od wartości rzeczywistych. Niskie obciążenie wskazuje na model, w którym wartości prognoz ​​są bardzo bliskie rzeczywistym.

Wariancja to wielkość, o jaką zmieni się model przy trenowaniu na innych danych treningowych. W idealnym modelu wariancja powinna być minimalna.

• Klastrowanie
• Reguły asocjacyjne

Uczenie indukcyjne obserwuje i analizuje różne przypadki oparte na określonych zasadach, żeby na końcu wyciągnąć konkretne wnioski.

Uczenie dedukcyjne wyciąga wnioski z doświadczeń

Klasyfikacji używa się, gdy zmienna celu jest kategoryczna. Regresji — gdy zmienna jest ciągła. Zarówno klasyfikacja, jak i regresja należą do kategorii nadzorowanych algorytmów uczenia maszynowego.