منذ ساعتين
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 :
تغطية تفصيلية لمجال الاختبار- التطوير الأساسي لتعلم الآلة (30%) تحديد وتطبيق خوارزميات ونماذج التعلم الآلي. إنشاء نماذج التعلم الآلي وتدريبها وضبطها. تقييم نماذج التعلم الآلي ونشرها في بيئة سحابية أو محلية.
- هندسة البيانات للتعلم الآلي (20٪) إعداد البيانات ومعالجتها مسبقًا لاستخدامها في نماذج التعلم الآلي. تصميم وتنفيذ خطوط أنابيب البيانات لاستيعاب البيانات ومعالجتها. تنفيذ حلول تخزين البيانات للتعلم الآلي.
- عمليات التعلم الآلي (20%) تكوين وإدارة بيئات التعلم الآلي المستندة إلى السحابة. مراقبة واستكشاف أخطاء عمليات نشر التعلم الآلي وإصلاحها. إجراء الصيانة والتحديثات لبيئات التعلم الآلي.
- إستراتيجية التعلم الآلي (30٪) تطوير إستراتيجية البيانات والتحليلات. تطوير استراتيجية التعلم الآلي تتماشى مع أهداف العمل. قياس فعالية حلول التعلم الآلي.
- الخيارات:
- أ) زيادة عدد الطبقات المخفية في الشبكة العصبية
- ب) تقليل حجم مجموعة بيانات التدريب لتقليل الضوضاء
- ج) تنفيذ تنظيم L2 وطبقات التسرب
- د) تغيير المُحسِّن من Adam إلى Stochastic Gradient Descent القياسي
- E) زيادة معدل التعلم للهروب من الحد الأدنى المحلي
- F) تبديل وظيفة التنشيط من ReLU إلى Sigmoid في جميع الطبقات
- الإجابة الصحيحة: C
- الشرح:
- بشكل عام: يواجه النموذج فرط التجهيز، وهو ما يشير إليه انخفاض فقدان التدريب وزيادة فقدان التحقق من الصحة. تقنيات التنظيم هي النهج القياسي لمكافحة التجاوز.
- الخيار أ غير صحيح لأن إضافة المزيد من الطبقات يزيد من تعقيد النموذج، مما سيؤدي إلى تفاقم مشكلة التجاوز.
- الخيار ب غير صحيح لأن تقليل حجم بيانات التدريب يؤدي عادةً إلى مزيد من التجاوز، وليس أقل.
- الخيار ج صحيح لأن تنظيم L2 يعاقب الأوزان الكبيرة، ويعطل التسرب بشكل عشوائي الخلايا العصبية أثناء التدريب، وكلاهما يجبر النموذج على التعميم بشكل أفضل دون زيادة جذرية وقت التدريب.
- الخيار د غير صحيح لأن مجرد تغيير المحسن لن يحل مشكلة التجهيز الزائد بطبيعته وقد يبطئ التقارب.
- الخيار E غير صحيح لأن زيادة معدل التعلم قد يتسبب في تباعد النموذج وفشله في التقارب على الإطلاق.
- الخيار F غير صحيح لأن التبديل إلى سيجمويد في الشبكات العميقة غالبًا ما يؤدي إلى مشكلة التدرج المتلاشي، مما يؤدي إلى تدهور الأداء.
- الخيارات:
- أ) استيعاب البيانات باستخدام قاعدة بيانات علائقية قياسية وتشغيل البرامج النصية الدفعية كل ساعة
- ب) استخدم وسيط رسائل للعرض ومعالجة التدفق لاستخراج الميزات وقاعدة بيانات NoSQL للعرض
- ج) تخزين جميع التفاعلات الأولية في نظام ملفات مسطح ومعالجتها عبر MapReduce يوميًا
- د) إنشاء تطبيق متراص يتعامل مع الاستيعاب والمعالجة الاستدلال في الذاكرة
- هـ) كتابة البيانات مباشرة إلى مستودع البيانات واستخدام طرق عرض SQL للاستدلال في الوقت الفعلي
- F) تجاهل البث في الوقت الفعلي والاعتماد فقط على التحديثات المجمعة الليلية للتوصيات
- الإجابة الصحيحة: ب
- الشرح:
- عامة: تتطلب أنظمة التوصية في الوقت الفعلي استيعابًا ومعالجةً بوقت استجابة منخفض، يتبعها تخزين قابل للتطوير قادر على القراءة السريعة الوصول.
- الخيار أ غير صحيح لأن قواعد البيانات العلائقية والبرامج النصية كل ساعة لا يمكنها تلبية متطلبات زمن الوصول المنخفض لمحرك التوصية في الوقت الفعلي.
- الخيار ب صحيح لأن وسيط الرسائل يتعامل مع تدفق عالي الإنتاجية، ومعالجة التدفق تسمح باستخراج الميزات فورًا، وتوفر قاعدة بيانات NoSQL القراءات ذات زمن الوصول المنخفض اللازمة للاستدلال في الوقت الفعلي.
- الخيار C غير صحيح لأن MapReduce هو إطار عمل معالجة مجمعة ولا يمكن أن يخدم البث في الوقت الفعلي. الاحتياجات.
- الخيار د غير صحيح لأن بنية الذاكرة المتجانسة غير قابلة للتطوير، وتفتقر إلى التسامح مع الأخطاء، ولا يمكنها بسهولة دعم إعادة تدريب الدُفعات التاريخية.
- الخيار E غير صحيح لأن مستودعات البيانات مُحسّنة للاستعلامات التحليلية المعقدة، وليس القراءات ذات التزامن العالي وزمن الوصول المنخفض المطلوبة للاستدلال في الوقت الفعلي.
- الخيار F غير صحيح لأنه يتجاهل تمامًا متطلبات العمل للتوصية في الوقت الفعلي. المحرك.
- الخيارات:
- أ) تدهور الأجهزة؛ ترحيل النموذج إلى المثيلات باستخدام وحدات معالجة الرسومات الأحدث
- ب) انجراف البيانات؛ تنفيذ المراقبة المستمرة وإعداد خطوط أنابيب إعادة التدريب الآلية
- ج) زمن استجابة الشبكة؛ تكوين شبكة توصيل المحتوى لخدمة التوقعات بشكل أسرع
- د) تسرب الذاكرة؛ أعد تشغيل حاويات التنبؤ كل 24 ساعة
- هـ) تقادم الخوارزمية؛ إعادة كتابة النموذج بالكامل باستخدام إطار عمل مختلف
- F) تقييد واجهة برمجة التطبيقات (API)؛ قم بزيادة حدود المعدل على نقاط نهاية التنبؤ الخاصة بك
- الإجابة الصحيحة: ب
- الشرح:
- بشكل عام: الانخفاض المطرد في دقة النموذج بمرور الوقت، بغض النظر عن سلامة البنية التحتية، هو العرض الكلاسيكي لانحراف البيانات أو انحراف المفهوم.
- الخيار أ غير صحيح لأن تدهور الأجهزة يؤثر على زمن الوصول أو التوفر، وليس على الدقة الإحصائية للتنبؤات.
- الخيار ب صحيح لأن انحراف البيانات يحدث عندما تحدث الخصائص الإحصائية للإنتاج تتغير البيانات مع مرور الوقت. المراقبة المستمرة وإعادة التدريب الآلي باستخدام بيانات جديدة هي الحل القياسي لـ MLOps.
- الخيار C غير صحيح لأن زمن استجابة الشبكة يؤثر على وقت الاستجابة، وليس دقة مخرجات النموذج.
- الخيار D غير صحيح لأن تسرب الذاكرة يسبب أعطالًا أو تباطؤًا، وليس انخفاض تدريجي في الدقة الرياضية.
- الخيار E غير صحيح لأن إعادة كتابة النموذج هي إجراء متطرف وغير ضروري عندما من المحتمل أن تؤدي إعادة تدريب النموذج الحالي على بيانات جديدة إلى حل المشكلة. المشكلة.
- الخيار F غير صحيح لأن تقييد واجهة برمجة التطبيقات (API) يحد من عدد الطلبات، وهو ما لا يغير الدقة الأساسية للتنبؤات التي يتم تنفيذها.
- مرحبًا بك في Mock Exam Practice Tests Academy لمساعدتك في الاستعداد للدورة التدريبية لمهندس التعلم الآلي الاحترافي.
- يمكنك إعادة إجراء الاختبارات عدة مرات كما تريد.
- هذا بنك أسئلة أصلي ضخم.
- أنت احصل على الدعم مني كمدرس إذا كانت لديك أسئلة.
- يحتوي كل سؤال على شرح مفصل.
- متوافق مع الهاتف المحمول مع تطبيق Udemy.
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)
0 تعليقات
تسجيل دخول
