[NEW] Professional Machine Learning Engineer

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 :

التغطية التفصيلية لنطاق الاختبار تم تعيين دورة الاختبار التدريبي هذه بدقة لمخطط الشهادة الرسمية لضمان قضاء وقت دراستك بكفاءة. يتم توزيع بنك الأسئلة عبر المجالات الأساسية التالية:

• الأساسات وهندسة البيانات (25%): المعالجة المسبقة للبيانات، والتنظيف، وهندسة الميزات؛ التعامل مع البيانات غير المتوازنة والمفقودة؛ إصدار البيانات وخطوط الأنابيب القابلة للتكرار؛ تحليل البيانات الاستكشافية والتحقق من صحة البيانات الإحصائية.
• تطوير النماذج والتدريب (30%): اختيار الخوارزميات وتحسين المعلمات الفائقة؛ مقاييس التقييم النموذجية واستراتيجيات التحقق المتبادل؛ بنيات التعلم العميق ونقل التعلم؛ التنظيم والتجميع وقابلية تفسير النماذج.
• النشر والقياس (25%): النقل بالحاويات مع Docker والتنسيق مع Kubernetes؛ أنماط التقديم النموذجية (دفعة، عبر الإنترنت، تدفق)؛ خطوط أنابيب الاستدلال القابلة للتطوير وتحسين زمن الوصول؛ CI/CD لنماذج تعلم الآلة والبنية التحتية كرمز.
• المراقبة والأخلاقيات والصيانة (20%): اكتشاف انحراف النموذج وإعادة التدريب الآلي؛ مراقبة الأداء والتسجيل والتنبيه؛ اكتشاف التحيز والإنصاف وممارسات الذكاء الاصطناعي المسؤولة؛ اعتبارات الأمان والخصوصية والامتثال.

يتطلب اجتياز شهادة مهندس التعلم الآلي المحترف أكثر من مجرد حفظ الخوارزميات؛ فهو يتطلب فهمًا عميقًا لدورة حياة تعلم الآلة من البداية إلى النهاية. عندما كنت أستعد للحصول على شهاداتي الخاصة، وجدت أن إجراء اختبارات الممارسة الواقعية كان أفضل طريقة على الإطلاق لتحديد الفجوات المعرفية. لقد صممت هذه الاختبارات الوهمية لتعكس صعوبة الاختبار الحقيقي وشكله وطبيعته القائمة على السيناريو. بدلاً من مجرد إعطائك الإجابات الصحيحة، قمت بكتابة شرح مفصل لكل خيار على حدة. هذا يعني أنك تستخدم كل سؤال كجلسة دراسة مصغرة، وتفهم بالضبط سبب كون الاختيار المعماري أو طريقة تدفق البيانات صحيحة أو خاطئة لسيناريو محدد. فيما يلي معاينة لأنواع الأسئلة التي ستجدها داخل الدورة التدريبية. أسئلة التدريب العملي معاينة السؤال 1: الأسس وهندسة البيانات أنت تقوم ببناء نموذج تصنيف لنظام كشف الاحتيال حيث تمثل الفئة الإيجابية أقل من 0.2% من إجمالي مجموعة البيانات. أنت بحاجة إلى التأكد من أن النموذج يتعلم كيفية تحديد فئة الأقلية بشكل فعال دون الإفراط في التجهيز، ويجب أن يكون مسار التدريب الخاص بك قابلاً للتطوير. ما هو النهج الأكثر فعالية؟

• أ) تطبيق SMOTE (تقنية الإفراط في أخذ عينات الأقلية الاصطناعية) على مجموعة البيانات بأكملها قبل التقسيم إلى مجموعات تدريب ومجموعات التحقق من الصحة.
• ب) استخدم الاختزال على فئة الأغلبية حتى تصبح مجموعة البيانات متوازنة تمامًا بنسبة 50/50، ثم قم بتدريب نموذج انحدار لوجستي قياسي.
• ج) تنفيذ نهج تعليمي حساس للتكلفة عن طريق تعيين وزن أعلى للفئة إلى فئة الأقلية أثناء التدريب على النموذج.
• د) قم بتكرار سجلات الفصل الإيجابية بشكل متكرر حتى تصل نسبة مجموعة البيانات إلى 20/80.
• هـ) أسقط ملصقات اكتشاف الاحتيال واستخدم أسلوب تجميع K-Means غير الخاضع للرقابة للعثور على القيم المتطرفة.
• و) اعتمد فقط على الدقة كمقياس تقييم أساسي لضمان أداء النموذج بشكل جيد عالميًا.

الإجابة الصحيحة: ج الشرح العام: تتطلب معالجة عدم التوازن الطبقي الشديد تقنيات تساعد النموذج على التعرف على فئة الأقلية دون التسبب في تسرب البيانات أو التخلص من الكثير من المعلومات القيمة. يعدل التعلم الحساس للتكلفة وظيفة خسارة الخوارزمية لمعاقبة التصنيف الخاطئ لفئة الأقلية بشكل أكبر، وتحقيق هذا التوازن بكفاءة.

• الخيار أ غير صحيح لأن تطبيق SMOTE قبل تقسيم البيانات يتسبب في تسرب البيانات؛ سيتم دمج البيانات الاصطناعية في مجموعة التحقق من الصحة، مما يوفر مقاييس أداء عالية بشكل مصطنع.
• الخيار ب غير صحيح لأن الاختزال الشديد لفئة الأغلبية بنسبة 99.8% يؤدي إلى التخلص من كميات هائلة من البيانات المفيدة، مما يؤدي إلى نموذج ضعيف التعميم.
• الخيار ج صحيح لأن ضبط أوزان الفئة يسمح للنموذج بمعرفة أهمية فئة الأقلية مباشرة أثناء مرحلة التدريب دون إنشاء بيانات تركيبية أو إسقاط بيانات حقيقية، مما يجعلها قابلة للتطوير وفعالة للغاية.
• الخيار D غير صحيح لأن الإفراط في أخذ العينات عن طريق التكرار الدقيق غالبًا ما يؤدي إلى فرط التناسب الشديد في تلك الأمثلة المكررة المحددة.
• الخيار E غير صحيح لأن تجاهل البيانات المصنفة لاستخدام مجموعات غير خاضعة للرقابة يهدر تسميات الحقيقة الأرضية الصريحة التي لديك بالفعل.
• الخيار F غير صحيح لأن الدقة مقياس رهيب للبيانات غير المتوازنة للغاية؛ النموذج الذي يتوقع "عدم وجود احتيال" بنسبة 100% من الوقت سيحقق دقة بنسبة 99.8% بينما يفشل تمامًا في مهمته الفعلية.

السؤال 2: تطوير النموذج والتدريب أنت تقوم بضبط شبكة عصبية عميقة لمهمة رؤية كمبيوتر معقدة. تحتاج إلى تحسين 12 معلمة مفرطة مستمرة وفئوية. إن القدرة الحاسوبية محدودة، ويستغرق تشغيل مهمة تدريبية واحدة عدة ساعات. ما هي استراتيجية التحسين التي توفر أفضل توازن بين الكفاءة الحسابية وإيجاد المستوى الأمثل العالمي؟

• أ) بحث شبكي شامل
• ب) الضبط اليدوي بناءً على التجربة والخطأ
• ج) البحث العشوائي
• د) التحسين الافتراضي
• هـ) تحسين الهبوط المتدرج على المعلمات الفائقة
• و) التوقف المبكر مع الوضع الافتراضي المعلمات الفائقة

الإجابة الصحيحة: D الشرح العام: ضبط المعلمات الفائقة في التعلم العميق يتطلب موارد مكثفة. عند التعامل مع مساحة بحث كبيرة وعمليات تدريب باهظة الثمن، فإنك تحتاج إلى خوارزمية تتعلم من التجارب السابقة لتخمين المجموعة التالية من المعلمات الواعدة.

• الخيار أ غير صحيح لأن Grid Search يعاني من "لعنة الأبعاد". باستخدام 12 معلمة، يزداد عدد المجموعات بشكل كبير، مما يجعل الأمر مستحيلًا من الناحية الحسابية في هذا السيناريو.
• الخيار B غير صحيح لأن الضبط اليدوي غير فعال وغير موضوعي، ومن المستبعد جدًا العثور على التكوين الأمثل في مساحة ذات 12 بُعدًا.
• الخيار C غير صحيح لأنه على الرغم من أن البحث العشوائي أفضل من البحث الشبكي للأبعاد العالية، فإنه لا يستخدم معلومات من عمليات التشغيل السابقة لإبلاغ تحديدات المعلمات المستقبلية.
• الخيار D صحيح لأنه يبني التحسين Bayesian نموذجًا احتماليًا للدالة الهدف ويستخدمه لتحديد المعلمات الفائقة الواعدة للتقييم التالي، مما يجعله فعالاً للغاية في استخدام العينات للتدريب على النماذج باهظة الثمن.
• الخيار E غير صحيح لأن المعلمات الفائقة (مثل معدل التعلم أو عدد الطبقات) غالبًا ما تكون غير قابلة للتمييز، مما يعني أنه لا يمكن تطبيق نزول التدرج القياسي لتحسينها.
• الخيار F غير صحيح لأنه على الرغم من أن التوقف المبكر يمنع التجهيز الزائد، فإن الاعتماد فقط على الإعداد الافتراضي من شبه المؤكد أن تؤدي المعلمات الفائقة إلى نموذج دون المستوى الأمثل لمهمة رؤية كمبيوتر معقدة.

السؤال 3: النشر والقياس أنت تستعد لنشر نموذج معالجة اللغات الطبيعية (NLP) الذي تم تدريبه حديثًا. سيتم عرض النموذج عبر واجهة برمجة التطبيقات (API) لتطبيقات المستهلك. من المتوقع أن تكون حركة المرور غير قابلة للتنبؤ بها إلى حد كبير، مع حدوث طفرات مفاجئة هائلة خلال ساعات معينة وحركة مرور قريبة من الصفر طوال الليل. يجب أن يظل زمن الوصول أقل من 200 مللي ثانية. ما هو نمط العرض الأكثر ملاءمة؟

• أ) انشر النموذج على جهاز ظاهري واحد ضخم ذي مقياس رأسي.
• ب) استخدم مسار التنبؤ الدفعي الذي يعمل على مهمة cron مجدولة كل ساعة.
• ج) انشر النموذج كخدمة صغيرة في حاوية على Kubernetes مع تمكين القياس التلقائي للقرص الأفقي (HPA) والقياس التلقائي للمجموعة.
• د) خدمة النموذج مباشرة من حاوية التخزين السحابية باستخدام تكوين استضافة موقع الويب الثابت.
• هـ) اكتب أوزان النموذج في قاعدة بيانات علائقية وقم بإجراء الاستدلال باستخدام استعلامات SQL.
• و) قم بإعداد نشر الحافة حيث يتم تنزيل نموذج البرمجة اللغوية العصبية الكامل مباشرة إلى متصفح الهاتف المحمول الخاص بالمستخدم عند كل طلب.

الإجابة الصحيحة: ج الشرح العام: تتطلب نماذج التعلم الآلي للإنتاج ذات أنماط حركة المرور غير المتوقعة بنية تحتية مرنة. يجب أن يتم توسيع نطاق النشر بسرعة للتعامل مع الزيادات وتقليصه لتقليل تكاليف الخمول، كل ذلك أثناء تقديم التنبؤات بزمن وصول منخفض.

• الخيار أ غير صحيح لأن القياس الرأسي له حد صارم، ويخلق نقطة فشل واحدة، ولا يمكن التخفيض ديناميكيًا لتوفير التكاليف خلال الفترات الليلية التي تكون فيها حركة المرور صفر.
• الخيار ب غير صحيح لأن التنبؤ الدفعي لا يمكن أن يخدم طلبات واجهة برمجة التطبيقات للمستهلك في الوقت الفعلي بزمن استجابة أقل من 200 مللي ثانية؛ إنه مصمم للمعالجة المجدولة دون اتصال بالإنترنت.
• الخيار C صحيح لأن وضع النموذج في حاوية على Kubernetes يسمح له بالتوسع أفقيًا. تتعامل HPA مع الزيادات المفاجئة في حركة المرور عن طريق إضافة المزيد من البودات، ويمكن تقليصها خلال فترات انخفاض حركة المرور لتقليل تكاليف البنية التحتية.
• الخيار D غير صحيح لأن مجموعات التخزين الثابتة يمكن أن تخدم الأصول الثابتة (مثل HTML أو الصور) ولكن لا يمكنها حساب استنتاجات نموذج ML.
• الخيار E غير صحيح لأن قواعد البيانات الارتباطية غير مصممة لتحميل أوزان نماذج ML وتنفيذ استدلالات البرمجة اللغوية العصبية المعقدة عبر SQL.
• الخيار F غير صحيح لأن تنزيل ملف قد يتسبب نموذج البرمجة اللغوية العصبية (NLP) الثقيل في متصفح الهاتف المحمول في كل طلب في حدوث زمن استجابة هائل، وحرق النطاق الترددي للمستخدم، والإضرار بأوزان النماذج الخاصة.

• مرحبًا بك في Mock Exam Practice Tests Academy لمساعدتك في الاستعداد للحصول على شهادة مهندس التعلم الآلي المحترف.
• يمكنك إعادة إجراء الاختبارات عدة مرات كما تريد
• هذا بنك أسئلة أصلي ضخم
• يمكنك الحصول على الدعم مني إذا كان لديك الأسئلة
• كل سؤال له شرح مفصل
• متوافق مع الجوال مع تطبيق Udemy

أتمنى أن تكون مقتنعًا الآن! وهناك الكثير من الأسئلة داخل الدورة.

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)