منذ 8 ساعات
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 :
أسئلة وأجوبة التدريب على المقابلات الخاصة بالتعلم الآلي هي موردي الشامل المصمم لسد الفجوة بين المعرفة النظرية والمتطلبات الصارمة للمقابلات الفنية الحديثة. لقد قمت ببناء هذه الدورة لمساعدتك على التنقل في كل شيء بدءًا من الأسس الرياضية الأساسية والحدس النموذجي وحتى تعقيدات تصميم نظام MLOps وLLM، مما يضمن أنك لا تحفظ التعريفات فحسب، بل تفهم في الواقع "السبب" وراء كل اختيار خوارزمي. سواء كنت خريجًا جديدًا يتعامل مع أدوار المبتدئين أو مهندسًا متمرسًا يستعد لمناقشات تصميم الأنظمة رفيعة المستوى، فأنا أقدم تفسيرات متعمقة لكل خيار على حدة لصقل مهاراتك في اتخاذ القرار، والقضاء على المفاهيم الخاطئة الشائعة مثل تسرب البيانات أو ارتباك التحيز والتباين، وتمنحك الثقة لتوصيل المفاضلات الفنية المعقدة إلى أصحاب المصلحة بشكل فعال. مجالات الاختبار ونماذج الموضوعات- أساسيات تعلم الآلة: التعلم الخاضع للإشراف/غير الخاضع للإشراف، مقايضة التحيز والتباين ومقاييس التقييم.
- الخوارزميات والرياضيات: الانحدار الخطي/اللوجستي، والنماذج المستندة إلى الأشجار، والمجموعات، ووظائف الخسارة.
- هندسة تعلم الآلة العملية: هندسة الميزات، وخطوط أنابيب Scikit-learn، وضبط المعلمات الفائقة.
- موضوعات متقدمة: التعلم العميق، والمحولات، وLLMs، وRAG، وVector قواعد البيانات.
- عمليات MLOs والأخلاقيات: CI/CD لتعلم الآلة، وانجراف البيانات، وإدارة النماذج، والعدالة.
- السؤال 1: في سياق تقييم أداء النموذج، أي مما يلي يصف بشكل أفضل "مفاضلة الاستدعاء الدقيق" عند ضبط حد التصنيف لنموذج الانحدار اللوجستي؟
- أ) زيادة الحد دائمًا يزيد من الدقة والتذكر.
- ب) زيادة الحد بشكل عام يؤدي إلى زيادة الدقة ولكنه يقلل من التذكر.
- ج) يؤدي خفض الحد إلى زيادة الدقة مع الحفاظ على ثبات التذكر.
- د) لا يؤثر الحد على الدقة إذا كانت مجموعة البيانات متوازنة تمامًا.
- هـ) تؤدي زيادة الحد إلى تقليل الدقة ولكنها تزيد من التذكر.
- و) الدقة والتذكر مستقلان رياضيًا عن التصنيف العتبة.
- الإجابة الصحيحة: ب
- الشرح العام: تحدد عتبة التصنيف الحد الأقصى لتعيين فئة. كلما قمت برفع الحد، يصبح النموذج أكثر "تحفظًا"، مع تصنيف الحالات ذات الاحتمالية العالية فقط على أنها إيجابية، مما يقلل عادةً من الإيجابيات الكاذبة (دقة أعلى) ولكنه يفتقد المزيد من الإيجابيات الفعلية (استدعاء أقل).
- تحليل الخيارات التفصيلي:
- أ) غير صحيح: تتحرك هذه المقاييس عادةً في اتجاهين متعاكسين.
- ب) صحيح: تؤدي الحدود الأعلى إلى عدد أقل من التنبؤات الإيجابية، مما يقلل من الإيجابيات الكاذبة (الدقة الأعلى) ولكن يزيد من السلبيات الكاذبة (الاستدعاء).
- ج) غير صحيح: يؤدي خفض الحد عادةً إلى زيادة التذكر ولكنه يقلل من الدقة.
- د) غير صحيح: يؤثر الحد على المقاييس بغض النظر عن توازن الفصل.
- هـ) غير صحيح: هذا هو عكس السلوك القياسي.
- و) غير صحيح: يتم اشتقاق كلا المقياسين من مصفوفة الارتباك، والتي تتغير بناءً على العتبة.
- السؤال 2: ما هي التقنية المصممة خصيصًا لمعالجة "التباين العالي" في نموذج الغابة العشوائية؟
- أ) زيادة الحد الأقصى لعمق الأشجار الفردية.
- ب) تقليل عدد الأشجار في الغابة.
- ج) زيادة الحد الأدنى لعدد العينات المطلوبة لتقسيم عقدة داخلية.
- د) إزالة الكل قيود التنظيم من المتعلمين الأساسيين.
- هـ) استخدام معدل تعلم 1.0.
- F) التبديل من التعبئة إلى شجرة قرار عميقة واحدة.
- الإجابة الصحيحة: C
- الشرح العام: يشير التباين العالي إلى الإفراط في التجهيز. لمكافحة هذا، يجب عليك تقييد أو "تقليم" الأشجار لمنعها من تعلم الضوضاء في بيانات التدريب.
- تحليل الخيارات التفصيلي:
- أ) غير صحيح: زيادة العمق يسمح للأشجار بالتقاط المزيد من الضوضاء، وزيادة التباين.
- ب) غير صحيح: المزيد من الأشجار بشكل عام يقلل التباين من خلال المتوسط.
- ج) صحيح: يعمل هذا كقيد تنظيم، مما يجبر الأشجار على أن تكون أبسط وأكثر معمم.
- د) غير صحيح: إزالة القيود يزيد من خطر التجهيز الزائد.
- هـ) غير صحيح: لا تستخدم الغابات العشوائية عادةً "معدل التعلم" (خاص بالتعزيز).
- F) غير صحيح: تحتوي شجرة عميقة واحدة على تباين أعلى بكثير من الغابة.
- السؤال 3: عند تصميم RAG (إنشاء الاسترجاع المعزز)، ما هو الغرض الأساسي من قاعدة بيانات المتجهات؟
- أ) لإجراء مطابقة تامة للكلمات الرئيسية باستخدام خوارزميات BM25.
- ب) لتخزين واسترجاع المستندات بناءً على قربها من التضمين الدلالي.
- ج) لضبط أوزان نموذج اللغة الكبير في الوقت الفعلي.
- د) للعمل كمخزن علائقي أساسي لبيانات تعريف المستخدم و كلمات المرور.
- هـ) لتقليل زمن انتقال إنشاء الرمز المميز أثناء مرحلة فك التشفير.
- و) لاستبدال LLM بالكامل عن طريق إنشاء نص من الصفر.
- الإجابة الصحيحة: ب
- الشرح العام: تقوم قواعد بيانات المتجهات بتخزين البيانات كمتجهات عالية الأبعاد (التضمينات)، مما يسمح للنظام بالعثور على السياق ذي الصلة عن طريق حساب التشابه الرياضي بدلاً من مجرد تداخل الكلمات الرئيسية.
- الخيار التفصيلي التحليل:
- أ) غير صحيح: BM25 هو بحث معجمي تقليدي، وليس الاستخدام الأساسي لقواعد بيانات المتجهات.
- ب) صحيح: يتيح البحث الدلالي من خلال البحث عن "أقرب الجيران" في مساحة المتجه.
- ج) غير صحيح: توفر RAG السياق؛ لا يغير الأوزان الداخلية للنموذج.
- د) غير صحيح: قواعد البيانات العلائقية (SQL) أكثر ملاءمة للبيانات التعريفية المنظمة.
- هـ) غير صحيح: على الرغم من أنها تساعد في سرعة الاسترجاع، إلا أنها لا تغير كيفية فك تشفير LLM للرموز المميزة.
- و) غير صحيح: توفر قواعد بيانات المتجهات البيانات؛ لا يزال مطلوبًا من LLM تجميع تلك البيانات في استجابة.
- مرحبًا بك في أفضل اختبارات الممارسات لمساعدتك في الاستعداد لأسئلة وإجابات مقابلات التدريب على التعلم الآلي.
- يمكنك إعادة إجراء الاختبارات عدة مرات كما تريد
- هذا بنك أسئلة أصلي ضخم
- يمكنك الحصول على الدعم من المدرسين إذا كانت لديك أسئلة
- كل سؤال يحتوي على شرح تفصيلي
- متوافق مع الهاتف المحمول مع تطبيق Udemy
- ضمان استرداد الأموال لمدة 30 يومًا إذا لم تكن راضيًا
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
