Soyez prêt pour ces 13 questions d'entretien sur l'apprentissage automatique

Questions d'entretien sur l'apprentissage automatique

L'entretien pour un ingénieur en apprentissage automatique va être très technique, mais c'est votre chance de montrer ce qui fait de vous le meilleur candidat.

Préparez-vous avec ces questions d'entrevue sur l'intelligence artificielle et l'apprentissage automatique et comment y répondre.

Les intervieweurs peuvent également utiliser cette liste pour créer une interview qui révèle la capacité des candidats à l'apprentissage automatique. Vous apprendrez leurs compétences techniques et leur capacité à penser de manière critique.

Questions auxquelles il faut s'attendre lors d'un entretien d'apprentissage automatique.

Flickr

Algorithmes

Soyez prêt à montrer vos connaissances des algorithmes d'apprentissage superficiel. À moins que vous ne postuliez pour un poste strict de Data Scientist, l'intervieweur ne va pas trop entrer dans les détails avec des questions d'algorithme. Mais vous devriez pouvoir parler des entrées et des algorithmes les mieux utilisés pour quelle application.

1. Quand utiliseriez-vous KNN (k voisins les plus proches)?

KNN est généralement utilisé pour la classification. C'est l'un des algorithmes les plus simples et les plus utilisés en apprentissage automatique.

Votre réponse peut varier en fonction de votre expérience, mais je considérerais KNN dans la plupart des cas lorsque les classes et les fonctionnalités sont étiquetées

2. Décrivez le fonctionnement de SVM (Support Vector Machine). Comment utiliser les SVM avec des données non linéaires?

SVM crée un hyperplan ou une limite de décision pour classer les données d'entrée en fonction de quel côté de la limite se trouvent les nouvelles données. Ils sont optimisés en augmentant au maximum la marge entre la frontière et les points de données.

N'oubliez pas que les noyaux sont souvent empilés avec des SVM. Les noyaux transforment les données non linéaires en données linéaires afin qu'un SVM puisse être optimisé.

Cadres et langages

L'enquêteur voudra savoir quelles langues et quels cadres vous avez utilisés. Ils utiliseront également ces questions pour avoir une idée de la rapidité avec laquelle vous choisirez un nouveau cadre et de votre harmonie avec les cadres disponibles pour l'intelligence artificielle.

3. Pourquoi aimez-vous utiliser ?

Tout ce qui figure sur votre CV est une bonne chose. Surtout les langages de programmation que vous répertoriez dans vos compétences. Alors soyez prêt à parler de tous les tenants et aboutissants.

Si la réponse honnête est que vous n'avez utilisé cette langue que parce que c'est ce qu'ils ont utilisé lors de votre dernier emploi, c'est très bien. Soyez simplement prêt à parler des avantages et des inconvénients d'une langue du point de vue de l'apprentissage automatique.

4. Parlez-moi de votre expérience d'utilisation ?

Si vous connaissez le cadre utilisé par l'entreprise, cela devrait être facile pour vous. Certes, si vous les avez énumérés sur votre CV, vous devriez pouvoir en parler.

Si vous n'avez pas beaucoup utilisé ce cadre spécifique, ce n'est pas nécessairement un facteur décisif. Tout ingénieur logiciel digne de ce nom devrait être capable de s'adapter à un nouveau framework sans une énorme courbe d'apprentissage. La description de poste énumérera probablement quelques-unes des principales plates-formes utilisées par l'entreprise. Faites vos recherches sur ceux-ci avant le début de l'entrevue.

Quelques aspects sur lesquels se concentrer lors de la recherche d'un nouveau cadre:

• Quelles tâches gère-t-il le mieux?
• Quelles sont les forces / faiblesses?
• Quelles langues s'interfacent bien avec le framework?

Vous devez être capable de parler intelligemment de cet environnement.

Si le framework est open-source, essayez-le sur votre ordinateur personnel. Vous pouvez également suivre des cours en ligne abordables qui vous donneront une licence temporaire.

Création de réseaux de neurones

5. Que feriez-vous si votre algorithme ne converge pas?

Il s'agit d'une question ouverte qui devrait être facile pour quiconque travaille dans l'apprentissage automatique.

Diminuer le taux d'apprentissage (alpha) est une bonne première étape. En tant qu'intervieweur, j'aimerais voir le candidat décrire une approche plus logique pour trouver l'alpha. Essayez une plage stratégique d'alphas et tracez la fonction de coût sur le nombre d'itérations.

6. Quand utiliseriez-vous la descente de gradient par rapport à l'équation normale?

Vous pourriez poser des questions sur les avantages et les inconvénients de différentes méthodes pour optimiser un algorithme.

N'oubliez pas que l'équation normale ne peut pas être utilisée avec la classification, donc cette comparaison n'a d'importance que pour la régression. L'équation normale est choisie lorsque le nombre d'entités n'est pas très grand. Il présente un avantage par rapport à la descente de gradient en ce que vous n'avez pas à choisir un taux d'apprentissage ou une itération.

S'il y a beaucoup de fonctionnalités, l'équation normale est très lente, je choisirais donc la descente de gradient.

Attendez-vous à des questions sur la création de réseaux de neurones lors d'une interview pour un poste d'apprentissage automatique ou d'intelligence artificielle.

WikimediaCommons

Évaluation des modèles (performances)

L'une des tâches principales d'un ingénieur en apprentissage automatique est d'optimiser un réseau de neurones et de comprendre ses performances.

7. Pourquoi le surajustement est-il mauvais et comment y remédier?

Le surajustement, c'est quand un algorithme s'adapte très bien aux données d'entraînement mais prédit avec précision de nouvelles situations. Évidemment, c'est mauvais parce que ce n'est pas utile pour les situations du monde réel.

Décrivez quelques façons d'améliorer le surajustement. L'ajout d'un terme de régularisation et l'augmentation de lambda peuvent avoir de bons résultats. Diminuer le nombre d'entités ou réduire l'ordre des polynômes sont des options mais ne sont pas les bons choix dans toutes les situations.

8. Comment savez-vous si votre modèle est bon?

Ceci est similaire à la question ci-dessus où le candidat doit comprendre comment évaluer les modèles.

Vous pouvez expliquer comment les données d'entraînement disponibles sont divisées en données d'entraînement, données de validation et données de test et à quoi chacune d'elles est utilisée. Je voudrais entendre un candidat parler de la variation du degré polynomial et du lambda et de la comparaison de l'erreur dans les données de validation.

Projets

Venez à l'entrevue prêt à discuter des projets précédents. Comme pour toute entrevue, tout ce qui figure sur votre CV est une bonne chose.

Préparez un portefeuille de projets du travail, de l'école ou de votre usage personnel. Vous pourriez être limité dans ce que vous pouvez dire à partir d'un accord de non-divulgation ou d'un travail classifié, alors soyez clair sur ce dont vous pouvez discuter.

Voici quelques questions auxquelles vous pouvez vous attendre:

9. Quel a été votre projet d'apprentissage automatique préféré sur lequel vous avez travaillé?

Pour les besoins de cet entretien, vous pouvez choisir le projet le plus pertinent pour le poste comme votre favori. Cela vous donnera une chance de mettre en valeur votre expérience pertinente.

Si vous préférez parler de celui que vous préférez, pour donner au responsable du recrutement une idée de votre préférence pour le nouveau poste, c'est également une bonne idée.

10. Parlez-moi d'un problème difficile que vous avez résolu.

Choisissez un problème qui peut être facilement décrit. Une partie de la réponse à cette question consiste à montrer que vous pouvez décrire des problèmes d'apprentissage automatique complexes à un public non technique.

Lorsque vous décrivez votre solution, ne vous en attribuez pas le mérite à moins que ce ne soit vraiment votre effort. Jouer les contributions de votre équipe montrera que vous êtes un bon joueur d'équipe. Le cas échéant, indiquez les répercussions de ce problème sur le client, le calendrier et le budget. Montrez comment vos contributions vous ajoutent de la valeur à la ligne de fond, pas seulement au problème immédiat.

Questions comportementales

N'oubliez pas que l'entretien comprendra très probablement des questions comportementales. Et pour de nombreux ingénieurs et data scientists, c'est la partie la plus difficile! Nous passons tellement de temps à nous préparer aux questions techniques que nous oublions que nous allons également être évalués en fonction de notre intégration dans l'équipe.

Les questions comportementales les plus importantes sont ci-dessous afin que vous puissiez vous préparer à l'avance. Pour les questions qui vous demandent de décrire un moment précis, utilisez le modèle STAR pour décrire vos réponses. Lis