Məlumat Elmləri Müsahibəsində iştirak etmək - Hissə 2

Məlumat Elmi Müsahibəsinə hazırlaşmaq barədə yazdım - Keçən həftə 1-ci hissə.

Bu məqalə təqib və bu mövzunun nəticəsidir. Əvvəllər bu sahədəki bəzi üst şirkətlər üçün AI Müsahibə Sualları haqqında məqalələr yazırdım. Bu məqalələrə oxucuların yekdil rəyinə əsaslanaraq, bu müsahibələrə necə hazırlaşmaq barədə təbii bir izləmə olduğu görünür. Bu böyük mövzunu hərtərəfli işıqlandırmaq üçün onu hissələrə ayırdım. Bu 2-ci hissədir.

Növbəti bir neçə addım AI dünyasına daha dərindir və daha çox səy və dərin öyrənmə tələb edəcəkdir. Qeyd etmək lazımdır ki, növbəti bir neçə addım lazım olduqda şirkətlərin xüsusi şaquli və Data Science yığını əsasında hazırlanmalıdır.

AI öyrənmə yığını

Addımlar 1–4: AI Müsahibəsinə Ace addımlar - Hissə 1

5. Ehtimal - Reqressiya Modelləri (Statistika - 2 gün):

Ehtimal, bir hadisənin baş vermə ehtimalıdır. Birinin məhsulu onlayn alacağı, linki vurması və ya bir xüsusiyyəti istifadə etməsi ehtimalı. AI'nin həll edə biləcəyi bütün problemlər, həmişə müəyyən bir baza ehtimalında olacaqdır. Məlumatları istehlak edən alqoritmlər qurmaq üçün tələb olunan məntiqin əsasını təşkil edir.

Bu sahənin böyük hissəsi məlumatları uyğunlaşdırmaq və ya ondan nəticə çıxarmaq üçün müxtəlif modellər hazırlayır. Xətti reqressiya, logistik reqressiya, qradiyent enmə modellərin bəziləridir. Bu modellər əksər kompüter elmləri / riyaziyyat əsaslı təməl kurslarında tədris olunur. Bunlar çox vacibdir, çünki bir model seçmək məlumatlarınızın hara gedəcəyini və ya bundan sonra nə olacağını təxmin etməyə kömək edəcəkdir.

İstifadə edəcəyim vacib oxu:

  • Dərin memarlığın gradient əsaslı təliminə dair praktik tövsiyələr: https: //arxiv.org/abs/1206.5533
  • Onlayn Statistika Kitabı (Ehtimal Bölümü): Ehtimal Dərin Dive
  • Reqressiya Modelləri haqqında Tez oxu: Çox Reqressiya

6. Maşın öyrənmə əsasları (Hesablama - 4 gün):

Maşın öyrənməsi istifadəçi davranışını proqnozlaşdırmaqdan özünü idarə edən maşınlara və aralarındakı hər şeyə qədər istifadə olunur. Ucuz məlumat saxlama ilə birləşdirilmiş ucuz hesablama gücünün kəsişməsi bu sahənin böyüməsinə səbəb oldu. Bu özü geniş bir sahədir və insanın meyl və qabiliyyətinə görə dərin dalış tələb edir. Əsaslar arasında Tensorflow (Google tərəfindən), Sciit, AI / ML ilə əlaqəli problemlər üçün xüsusi olaraq hazırlanmış Python-a əsaslanan API-ləri öyrənməlidir.

Hazırlıq üçün vacib oxu:

  • Maşın öyrənmə alqoritmləri (Vacib alqoritmlərin siyahısı): ML alqoritmləri
  • Fon (ML-dəki Backdrop Texnikası): Andrej Karpati tərəfindən Arka Sözü Anlamaq
  • TensorFlow üçün təlim dərsləri: Tensorflow Tutorials

7. Ətraflı ML (Hesablama - 3 gün)

Advanced ML, mürəkkəb məlumat problemləri ilə məşğul olmaq üçün müxtəlif alqoritmlər və üsulları əhatə edir. Saat seriyası məlumatları ənənəvi ML modelinə uyğun olmaq üçün mürəkkəb ola bilər. Beləliklə, LSTM - Uzun Qısamüddətli Yaddaş şəbəkələri bu məsələni həll etmək üçün istifadə olunur.

Hazırlıq üçün vacib oxu:

  • LSTM (LSTM'ləri başa düşməyin ən asan yolu): LSTM'ləri anlamaq
  • Zaman seriyası üçün real həyati Kaggle nümunəsi: Zaman seriyası təhlili üçün maşın öyrənmə
  • Ətraflı ML (Brüssel Universiteti Təqdimatı): Zaman seriyası proqnozu üçün maşın öyrənmə strategiyaları

8. Real Dünya / İnstruksiyasız Məlumat Emalı (Hesablama - 3 gün)

Nitq tanıma ilə Google'un dərin öyrənmə xüsusiyyəti yaxşı bilinir. Bu məqsədə çatmaq üçün Təkrarlanan Sinir Şəbəkələrindən (RNN) istifadə etdilər. Məlumatların qurulmaması səbəbindən şəbəkənin davam etməsi üçün kifayət qədər məlumat yoxdur və beləliklə, simvolların və ya məlumatların ardıcıllığı haqqında məlumatları daxil edirik və şəbəkəyə veririk. Bu tip RNNlər nitqin tanınması üçün uygundur. Bu həm də geniş bir araşdırma sahəsidir və genişliyi və dərinliyi, görüşdüyü şəxsdən və şirkətdən asılıdır.

Hazırlıq üçün vacib oxu:

  • RNN-lərdən istifadə üçün praktik bələdçi: RNN-lərdən istifadə edərək vaxt seriyası proqnozu
  • Geri yayılma texnikasını başa düşmək: Stanford'un Geri yayılma sinfi

AI / ML / DS Tədqiqat üçün məlumat dəstləri: Hərtərəfli siyahısı

İndiyə qədər əldə etdikdən sonra yuxarıdakı link məlumatları istehlak etmək və ölçüləri və iş növü ilə tanış olmaq üçün istifadə edilə bilər. Praktik biliklərə əl atmaq əsla boşa getmir.

9. Dərin öyrənmə - Sinir şəbəkəsi (Hesablama - 3 gün)

Dərin öyrənmə ML ilə bir çox cəhətdən üst-üstə düşür. Buraya GAN (Generative Adversarial Networks) və Yarı - Nəzarət olunan öyrənmə kimi anlayışlar daxildir. Şəkil tanıma və təsnifat üçün CNN və ya konvulsional neyron şəbəkələri istifadə olunur. Bu sahə mövcud texnoloji ekosistemə geniş təsir göstərir. Şirkətdən asılı olaraq onun istifadəsi video nəsildən görüntü təsnifatına qədər dəyişə bilər. Beləliklə, şirkətdən asılı olaraq bu sahə ortaya çıxa biləcək sualların növünü nəzərə alaraq hazırlanmalıdır.

İstifadə edəcəyim vacib oxu:

  • Konvolyusional sinir şəbəkələri: CS-231 (Stanford Sinif Qeydləri)
  • Dərin öyrənmə (Kitab): http://neuralnetworksanddeeplearning.com/
  • Qabaqcıl Dərin Öyrənmə (Kitab): https://www.deeplearningbook.org/

Bu AI / ML / DS Müsahibəsinə hazırlığı başa çatdırır. Hazırlıq fərdin sahəyə yaxınlaşdığı yerdən asılı olaraq dəyişəcəkdir. Tədqiqatçılar üçün hazırlıq müddəti məlumat mühəndislərindən normal kompüter elmləri mühəndislərinə qədər fərqlənəcəkdir. Hazırlıq şəxsin mövcud biliyindən, vaxt məhdudiyyətlərindən və şirkətin xüsusi tələblərindən asılı olaraq təxminən 20-22 gün çəkməlidir.

Bir AI Müsahibəsinə hazırlaşmaq - Hissə 1: AI Müsahibəsini Ace etmək üçün addımlar - Hissə 1

Acing AI bülletenimizə abunə olun, spam verməməyi və PULSUZ söz verirəm!

Oxuduğunuz üçün təşəkkür edirik! İt Əgər ləzzət almış olsanız, 5 saniyədə neçə dəfə hit vura biləcəyinizi sınayın. Barmaqlarınız üçün əla bir kardiyadır və digər insanlara hekayəni görməyə kömək edəcəkdir.