1400+ AI/Machine Learning Interview Questions Practice Test

أهلا بك عزيزي المتابع لموقع (journey for learn) نقدم دورات بكوبونات متاحة لاول 1000 تسجيل مجاني فقط وكوبونات اخري لفترة محدودة فاذا كنت تريد ان تحصل علي كل الكورسات علي موقعنا وان تكون اول المسجلين في الكورسات المجانية قم بتسجيل الدخول أوقم بالدخول علي وسائل التواصل الاجتماعي وخصوصا التليجرام نوضح الوصف المختصر والطويل للدورات لكي تعرف الدروس التي سوف تتعلمها بسهولة ويسر :

1400+ AI/Machine Learning Interview Tespect test
AI/Machine Learning Interview Asses and Rejouse Test Practice | الجدد إلى ذوي الخبرة | تفسيرات مفصلة تعد نفسك لمقابلة AI أو مهندس التعلم الآلي التالي مع دورة اختبار الممارسة الشاملة هذه المصممة لمحاكاة التقييمات التقنية في العالم الحقيقي. سواء كنت أعذب تهدف إلى اقتحام الميدان أو محترفًا من ذوي الخبرة التي تستهدف شركات التكنولوجيا العليا من الدرجة الأولى ، فإن هذه الدورة تقدم أكثر من 1400 من الأسئلة عالية الجودة متعددة الخيارات (MCQs) التي تغطي الاتساع الكامل لمفاهيم وأدوات التعلم الآلي والتعلم الآلي ، ومسألة التطبيقات. هذا ليس مجرد مسابقة-إنها أداة إتقان لتعزيز معرفتك وتحديد المجالات الضعيفة وبناء الثقة قبل يومك الكبير. لماذا هذه الدورة؟

• أكثر من 1400 أسئلة تدريبية: منظمة عبر 6 أقسام أساسية ، كل منها يحتوي على مئات من الشركات ، والبيانات ، والبيانات ، والبيانات ، والبيانات ، والبيانات ، والبيانات ، والبيانات ، والبيانات ، والبيانات ، والبيانات المبدئية ، المباراتين ، المبدئي ، المبدئي المباشرة. أدوار المرحلة.

هيكل الدورة: 6 مقاطع شاملة تنقسم المسار إلى ستة أقسام منسقة بدقة ، كل منها يركز على مجال حرج في هندسة الذكاء الاصطناعي/مل الحديث. من خلال ما يقرب من 230-250 سؤالًا لكل قسم ، ستحصل على تعرض متوازن عبر النظرية ، والترميز ، والنشر ، والتطبيق الحقيقي. t-sne)

مقاييس تقييم النموذج (الدقة ، الاستدعاء ، ROC-AUC)

تقنيات التنظيم (L1/L2 ، التسرب ، التحقق المتقاطع)

مفاضلة التحيز والهندسة الميزة

سؤال عينة:
Q1. أي مما يلي يصف بشكل أفضل الغرض من تنظيم L1 (LASSO) في النماذج الخطية؟
أ) لتقليل التعقيد الحسابي أثناء التدريب
ب) لمنع الزائد من خلال تقليص جميع المعاملات على قدم المساواة
ج) لمنع الإفراط في التقليص بعض المعاملات إلى الصفر
d) لزيادة تباين النموذج بشكل أفضل: عقوبة تساوي القيمة المطلقة لحجم المعاملات. هذا له تأثير في قيادة بعض المعاملات إلى صفر بالضبط ، واختيار ميزة أداء فعال. في المقابل ، تقلص L2 (Ridge) معاملات بشكل موحد ولكن نادراً ما يضعها على الصفر. وبالتالي ، يكون L1 مفيدًا عند التعامل مع البيانات ذات الأبعاد عالية حيث يكون التباين مطلوبًا.
القسم 2: معالجة البيانات ومعالجتها المسبقة كيفية تنظيف البيانات وتحويلها-وهي مهارة حرجة لأنظمة ML في العالم الحقيقي. المتغيرات

معالجة مجموعات البيانات غير المتوازنة (Shote ، Resampling)

بناء خطوط أنابيب بيانات قوية وضمان جودة البيانات

سؤال عينة:
Q2. متى يجب عليك تطبيق توسيع نطاق الميزة في خط أنابيب التعلم الآلي؟
أ) فقط للنماذج القائمة على الأشجار مثل الغابات العشوائية
ب) قبل تقسيم مجموعة البيانات إلى مجموعات القطار والاختبار
c) بعد انقسام اختبار القطار ، بشكل مستقل على بيانات التدريب والاختبار
د) بعد تدريب النماذج لتفسير الإجابة على ميزة الاستيراد: c
توضح أن تحجيم الميزة يجب أن يتم تطبيقه بعد أن تم تطبيقه على القدر من التدريب. ثم ، يتم تطبيق نفس التحول على مجموعة الاختبار. هذا يمنع تسرب البيانات-إذا تم إجراء التحجيم قبل الانقسام ، فقد تؤثر المعلومات من مجموعة الاختبار على الانحراف المعياري والمعياري المستخدم للتوسع ، مما يؤدي إلى تقديرات الأداء المتفائلة بشكل مفرط. وظائف)

خوارزميات التراجع والتحسين (ADAM ، SGD)

الشبكات العصبية التنازلية (CNNs) والتعلم نقل

شبكات التعلم المتكررة (LSTM ، GRU) ، المحولات ، والاهتمام

سؤال:
Q3. لماذا تفضل وظيفة تنشيط RELU في الشبكات العصبية العميقة على sigmoid؟
أ) تقوم بإخراج القيم بين 0 و 1 ، مما يجعلها احتمالية
ب) أنها تتجنب مشكلة التدرج التلاشي في الطبقات العميقة
c) الوحدة) ، وظيفة ، المعرفة بأنها f (x) = max (0 ، x) ، لا تشبع للقيم الإيجابية ، مما يسمح للتدرجات بالتدفق بحرية أثناء الخلفية. على النقيض من ذلك ، تشبع وظائف السيني في 0 و 1 ، مما تسبب في تدرجات صغيرة جدًا (تدرجات التلاشي) في الشبكات العميقة ، والتي تبطئ أو توقف التعلم. وهذا يجعل RELU أكثر ملاءمة للبنية العميقة. Pytorch)

أدوات البيانات الكبيرة (Spark ، Dask)

التحكم في الإصدار ، Docker ، والمنصات السحابية (AWS ، GCP)

سؤال عينة:
Q4. ما هو الفرق الأساسي بين Tensorflow و Pytorch من حيث معالجة الرسم البياني الحسابي؟
أ) يستخدم TensorFlow الرسوم البيانية الثابتة ؛ يستخدم Pytorch الرسوم البيانية الديناميكية
b) TensorFlow يستخدم الرسوم البيانية الديناميكية ؛ يستخدم Pytorch الرسوم البيانية الثابتة
C) كلاهما يستخدم الرسوم البيانية الثابتة بشكل افتراضي
d) كلاهما يستخدم الرسوم البيانية الديناميكية مع الإجابة التنفيذية المتحمسة: A
التفسير: تاريخيا ، استخدمت TensorFlow رسم بياني حساب ثابت (Define and Run) ، ويتطلب بناء الرسم البياني قبل التنفيذ. Pytorch ، من ناحية أخرى ، يستخدم الرسوم البيانية للحساب الديناميكي (تعريف الجري) ، والتي تم بناؤها على الطيران إلى الأمام-مما يجعل تصحيح الأخطاء أسهل. ومع ذلك ، يدعم TensorFlow الحديثة التنفيذ المتحمس (السلوك الديناميكي افتراضيًا) ، على الرغم من أن التمييز يظل ذا صلة في سياقات التعليمات البرمجية القديمة وسياقات تحسين الأداء. القسم 5: نشر النموذج وفصل النماذج ، كيفية انتقال النماذج من أجهزة الكمبيوتر المحمولة المترجمة إلى jupyter وتوزيعها. مراقبة واختبار A/B

ضبط الفائقة (بحث الشبكة ، optuna)

التفسير (Shap ، Lime) وتحسين التكلفة

سؤال عينة:

Q5. ما هي الفائدة الرئيسية لاستخدام تنسيق ONNX (تبادل الشبكة العصبية المفتوحة) لنشر النموذج؟
أ) يقلل من حجم النموذج من خلال القياس الكمي
ب) يتيح قابلية التشغيل البيني للمواصفات عبر أطر مختلفة
c Pytorch) ليتم تصديرها وتشغيلها في أخرى (على سبيل المثال ، TensorFlow أو Microsoft Cromitive Toolkit). هذا يعزز قابلية التشغيل البيني وتبسيط مهام سير عمل النشر ، وخاصة في بيئات العمل المتعددة. على الرغم من أن ONNX تدعم التحسينات ، فإن الغرض الأساسي هو التوافق بين الرمحين. القسم 6: التطبيقات والأخلاقيات في حالات الاستخدام الحقيقي في العالم والتأثير المجتمعي لتقنيات الذكاء الاصطناعي. الكشف)

الاتجاهات الناشئة (التعلم الموحد ، tinyml ، AI التوليدي)

الاتصالات والتعاون في الفرق

سؤال عينة:

Q6. ما هي التقنية التي يمكن أن تساعد في تخفيف التحيز في نظام التعرف على الوجه المدربين بشكل أساسي على الأفراد ذوي البشرة الخفيفة؟
أ) زيادة تعقيد النموذج لتحسين الدقة
ب) جمع وتشمل بيانات تدريب أكثر تنوعًا
c بيانات التدريب غير التمثيلية. إن تضمين أمثلة أكثر تنوعًا - وخاصة المجموعات الممثلة تمثيلا ناقصا - يساعد النموذج على تعلم التمثيلات الأكثر عدلا. على الرغم من وجود تقنيات مثل الإنصاف العددي ، إلا أن تنوع البيانات يظل النهج الأكثر فعالية والتأسيسية للحد من التحيز في أنظمة الذكاء الاصطناعى. التحديات التي تتجاوز النظرية الأكاديمية

وصول مدى الحياة إلى بنك أسئلة متزايد تم تحديثه مع اتجاهات جديدة

التسجيل الآن وتحويل تحضيرك إلى رحلة منظمة تعتمد على النتائج. ACE مقابلة مع AI/التعلم الآلي التالي - سؤال واحد في وقت واحد.

ما هي المتطلبات الأساسية لدخول الدورة والتسجيل فيها على موقعنا؟ رحلة التعلم:

(احصل على الدورة للدخول إلى الموقع والتسجيل)

يجب أن يكون لديك بريد إلكتروني (حساب بريد) تتذكره لنفسك وأيضًا يجب أن تتذكر كلمة مرور البريد الإلكتروني الذي ستسجل به ، وإذا لم يكن لديك حساب بريد إلكتروني ، فمن الأفضل إنشاء حساب (Gmail)