Pitanja umjetne inteligencije i odgovori postavljene 1 pitanja odgovora

Uvod u teoriju stroja i njegove primjene vizualni tutorial s primjerima

Otkako smo shvatili koliko je umjetna inteligencija pozitivno utjecati na tržište, gotovo svaki veliki posao je na vidikovcu za AI profesionalce kako bi im pomogli da vide stvarnost. U ovom blogu intervjua za umjetne inteligencije, prikupio sam najčešće postavljana pitanja od strane anketara. Ta se pitanja prikupljaju nakon savjetovanja s stručnjacima za vježbanje umjetnih inteligencije.

U slučaju da ste prisustvovali bilo kakvom intervjuu za umjetnu inteligenciju u nedavnoj prošlosti, zalijepite ta pitanja intervjua u odjeljku komentara i mi ćemo im odgovoriti na najranije. Također možete komentirati u nastavku ako imate bilo kakvih pitanja u svom umu, s kojim se možete suočiti u svom umjetnom intervjuu.

U ovom blogu na pitanja intervjua umjetne inteligencije, raspravljam o vrhunskim pitanjima umjetne inteligencije u pitanju u vašim razgovorima. Dakle, za vaše bolje razumijevanje sam podijelio ovaj blog u sljedećih 3 odjeljka:

umjetna inteligencija osnovne razine intervjua pitanja

Google tražilica Jedna od najpopularnijih AI aplikacija je Google tražilica. Ako otvorite preglednik Chrome i počnite pisati nešto, Google odmah pruža preporuke za vas. Logika iza tražilice je umjetna inteligencija.

AI koristi prediktivnu analitiku, NLP i strojno učenje kako bi vam preporučili relevantne pretraživanja. Te se preporuke temelje na podacima koje Google prikuplja o vama, kao što je povijest pretraživanja, lokaciju, dob, itd. Dakle, Google koristi AI, predvidjeti ono što možda tražite.

q koje su različite vrste AI?

Umjetna inteligencija je tehnika koja omogućuje strojevima da oponaša ljudsko ponašanje. Budući da je strojno učenje podskup umjetne inteligencije. To je znanost o dobivanju računala za djelovanje hranjenjem podataka i dopuštajući im da nauče nekoliko trikova sami, a da ne budeju eksplicitno programirani to učiniti.

q Koje su različite vrste stroja?

Učenje stroja (ml) dolazi u svoj vlastiti, s rastućim priznanjem da ML može igrati ključnu ulogu u širokom rasponu kritičnih aplikacija, kao što su rudarenje podataka, obrada prirodnog jezika, prepoznavanje slike i Ekspertni sustavi. Ml osigurava potencijalna rješenja u svim tim domenama i više, te je postavljen kao stup naše buduće civilizacije.

Nabava sposobnih dizajnera tek treba nadoknaditi tu potražnju. Glavni razlog za to je da je ml samo jednostavan. Ovaj udžbenik u tijeku stroja uvodi osnove ml teorije, postavljajući uobičajene teme i koncepte, olakšavajući slijedi logiku i udobno se osjećaju u osnovama stroja.

Što je učenje stroja?

Dakle, što je ionako "strojno učenje"? Ml je zapravo mnogo stvari. Polje je vrlo ogromno i brzo se širi, neprestano razdijeljen i sub-particioniran oglas muziam u različite podsencijalne odnose i vrste stroja učenja.

Postoje neke osnovne uobičajene niti, međutim, a sveobuhvatna tema najbolje se sažeta ovim izjavom koji je napravio Arthur Samuel put još 1959. godine: "[Učenje stroja je] polje proučavanja Daje računala mogućnost učenja bez izričitog programiranja. "

I i neke mjere performansi p, ako je njegova izvedba na T, kako je izmjerilo P, poboljšava s iskustvom e. "

i , Ako je uspješno "naučio", tada će biti bolje u predviđanju budućih prometnih obrazaca (mjera performansi p).

Vrlo složena priroda mnogih stvarnih problema, često znači da izmišljajući specijalizirane algoritme koji će ih riješiti savršeno svaki put je nepraktično, ako ne i nemoguće. Primjeri problema u učenju stroja uključuju: "Je li ovaj rak?", "Koja je tržišna vrijednost ove kuće?", "Koji su od tih ljudi dobri prijatelji jedni s drugima?", "Hoće li ovaj raketni motor eksplodirati? "" Hoće li ta osoba poput ovog filma? "," Tko je to? "," Što ste rekli? ", I" Kako letite ovu stvar? ". Svi ovi problemi su izvrsni ciljevi za ML projekt, a zapravo ml je primijenjen na svako od njih s velikim uspjehom.

Mi ćemo se prvenstveno fokusirati na nadzirano učenje ovdje, ali kraj članka uključuje kratku raspravu o učenje bez nadzora s nekim linkovima za one koji su zainteresirani za daljnje provođenje teme.

Nadzorno učenje stroja

U većini nadziranih aplikacija za učenje, krajnji cilj je razviti fino podešenu funkciju prediktora H (X) (ponekad se naziva "hipoteza"). "Učenje" sastoji se od korištenja sofisticiranih matematičkih algoritama za optimizaciju ove funkcije tako da, dane ulazne podatke x o određenoj domeni (kažu, kvadratura kuće), to će točno predvidjeti neke zanimljive vrijednosti h (x) (recimo, tržišnu cijenu) za navedenu kuću).

U praksi, X gotovo uvijek predstavlja više podataka. Tako, na primjer, prediktor cijena stambenog prostora može potrajati ne samo kvadratne snimke (x1), već i broj spavaćih soba (x2), broj kupaonica (x3), broj podova (x4), izgrađen (X5), poštanski broj (x6), i tako dalje. Određivanje koje je ulazi u uporabu važan dio ML dizajna. Međutim, radi objašnjenja, najlakše je pretpostaviti da se koristi jedna ulazna vrijednost.

Primjeri za učenje stroja

Mi se držimo jednostavne probleme u ovom postu radi ilustracije, ali postoji razlog ml je zato što su u stvarnom svijetu problemi mnogo složeniji. Na ovom ravnom zaslonu možemo vam nacrtati sliku, najviše, trodimenzionalni skup podataka, ali ML problemi se obično bave podacima s milijunima dimenzija i vrlo složenim funkcijama prediktora. ML rješava probleme koji se ne mogu riješiti samo numeričkim sredstvima.

Prvo, primijetite da su podaci malo bučni. To jest, dok možemo vidjeti da postoji uzorak na nju (tj. Zadovoljstvo zaposlenika ima tendenciju da se poveća kao platna plaća), ne uklapa se sve uredno na ravnu liniju. To će uvijek biti slučaj s podacima o stvarnom svijetu (a mi apsolutno želimo trenirati naš stroj koristeći podatke o stvarnom svijetu!). Dakle, kako možemo trenirati stroj kako bi savršeno predvidjeli razinu zadovoljstva zaposlenika? Odgovor je, naravno, to što ne možemo. Cilj ml nikada ne smije napraviti "savršene" nagađanja, jer ML se bavi u domenama gdje ne postoji takva stvar. Cilj je da nagađate da su dovoljno dobri da bi bili korisni.

Strojno učenje temelji se na statistici. Na primjer, kada treniramo naš stroj za učenje, moramo joj dati statistički značajan slučajni uzorak kao podatke o obuci. Ako se skup trening nije slučajno, riskiramo rizik od uzoraka stroja koji zapravo nisu tamo. A ako je skup treninga premalen (vidi zakon velikih brojeva), nećemo naučiti dovoljno i čak doseći netočne zaključke. Na primjer, pokušavajući predvidjeti obrasce zadovoljstva na razini tvrtke na temelju podataka iz gornjeg upravljanja, vjerojatno bi bio sklon pogreškama.

Regresija u učenju strojeva: bilješka o složenosti

Navedeni primjer je tehnički jednostavan problem univarijantne linearne regresije, koji se u stvarnosti može riješiti izvedbom jednostavne normalne jednadžbe i preskakanje ovog procesa "ugađanja". Međutim, razmislite o prediktoru koji izgleda ovako:

Ova funkcija uzima unos u četiri dimenzije i ima različite polinome. Izvođenje normalne jednadžbe za ovu funkciju je značajan izazov. Mnogi moderni problemi u učenju stroja uzimaju tisuće ili čak milijune dimenzija podataka za izgradnju predviđanja koristeći stotine koeficijenata. Predviđanje kako će se izraziti genom organizma, ili što će klima biti u pedeset godina, primjeri takvih složenih problema.

Srećom, iterativni pristup ML sustavima mnogo je otporan u lice takve složenosti. Umjesto korištenja brute sile, sustav stroja učenja "osjeća svoj put" na odgovor. Za velike probleme to radi mnogo bolje. Iako to ne znači da ml može riješiti sve proizvoljno složene probleme (ne može), to čini za nevjerojatno fleksibilan i moćan alat.

gradijent podrijetlo - minimiziranje "nepravilnost"

Izbor troškovne funkcije je još jedan važan dio ML programa. U različitim kontekstima, biti "pogrešan" može značiti vrlo različite stvari. U našem primjeru zadovoljstva zaposlenika, dobro uspostavljen standard je linearni najmanji kvadrati funkcija:

Kod najmanjih kvadrata, kazna za lošu pretpostavku povećava se u četrdeset razlika između pretpostavke i točnog odgovora, tako da djeluje kao vrlo "strogo" mjerenje pogrešnosti. Funkcija troškova izračunava prosječnu kaznu nad svim primjerima obuke.

koji pokriva osnovnu teoriju na kojoj se temelji većina nadziranih sustava stroja. No, osnovni koncepti mogu se primijeniti na različite načine, ovisno o problemu pri ruci.

Problemi s klasifikacijom u učenje stroja

Pitanja i odgovori - MCQ s objašnjenjem na računalnim znanstvenim predmetima kao što su arhitektura sustava, upoznavanje s upravljanjem, matematikom za računalne znanosti, DBMS, C programiranje, analiza sustava i dizajn, struktura podataka i analiza algoritma, oop i java , Razvoj aplikacija klijenta poslužitelja, podatkovne komunikacije i računalne mreže, OS, MIS, softversko inženjerstvo, AI, web tehnologija i mnogi drugi subjekti također čine dostupnim Q & A za ispit, intervju, natjecateljski ispit i ulazni test.

stranice

Veliki i koristan članak. AVA online tečaj online trening Java ee trening tečaj Chennaijava trening u Chenyavi trening Instituti u Chennaijava Intervju Evangagesjava pitanja

Stvarno sam uživao u čitanju vašeg članka. To sam pronašao kao informativan i zanimljiv post, pa mislim da je vrlo korisno i upoznato. Želio bih vam zahvaliti na naporima koji ste napravili u pisanju ovog članka. dupdf. rg

#mytalentfit je najbolji #howard Gardner teorija više inteligentnih centara u #india. Pružamo #multiple inteligenciju test, kviz, aktivnost, procjenu, inventar, knjigu i grafikon. Podučavamo studente više inteligencije u Indiji. Teorija više inteligencije u Indiji

Crafsol Technology je najveća umjetna inteligencija rješenja u Pune, Indija, SAD, Južna Afrika, Indonezija, Velika Britanija i Njemačka pružaju sigurnije medicinske postupke, povećanje produktivnosti, poboljšanje kvalitete fizički osporavanja itd. Rticial Intelligence Solutions

Lijep blog, hvala na dijeljenju. Razgovarat će o umjetnoj inteligenciji, a onda ćemo preći na velike podatke i računalstvo u oblaku u našim nadolazećim člancima. ere što je umjetna inteligencija

Koristimo kolačiće
Koristimo kolačiće kako bismo osigurali da vam dajemo najbolje iskustvo na našoj web stranici. Korištenjem web stranice pristajete na naše korištenje kolačića.
Dopustite kolačiće.