2019 年の機械学習に関するトップ 10 の Q&A: 面接で知っておくべきこと

新興テクノロジーが世界を席巻し、前例のない革新、機会、脅威をもたらしています。これらの分野における専門人材の需要も高まっています。

最新の業界レポートによると、機械学習、人工知能、データサイエンスなどの新興技術分野の仕事は、最も注目されている新興キャリアです。こうした新興技術の分野で働くことは、利益を生むだけでなく、知的成長にもつながります。

この記事では、機械学習の面接で最もよく聞かれる質問とその回答をいくつかまとめました。機械学習志望者や経験豊富な ML 専門家は、これを使用して面接前に基本的な知識を統合できます。

[[276285]]

1. 機械学習とディープラーニングの違いは何ですか?

機械学習は人工知能のサブセットであり、明示的なプログラミングなしで機械に自動的に学習および改善する能力を提供します。ディープラーニングは、人工ニューラルネットワークが直感的な判断を下せる機械学習のサブセットです。

2. リコールと精度という用語をどのように理解すればよいでしょうか?

再現率は、真陽性率とも呼ばれ、モデルに必要な陽性ケースの数と、データ全体で利用可能な陽性ケースの数の比率です。

精度は予測値（陽性予測値とも呼ばれる）に基づいており、モデルによって測定された陽性症例の正確な数とモデルによって実際に必要とされる陽性症例の数との比率です。

3. 教師あり機械学習と教師なし機械学習の違いは何ですか?

教師あり学習では、ラベル付きデータ、つまり正解がマークされたデータを使用して機械がトレーニングされます。教師なし機械学習では、モデルが自ら情報を発見し、学習します。教師なしモデルは、教師あり学習モデルよりも難しい処理タスクを実行するのに適しています。

4. K-means と KNN とは何ですか?

K 平均法はクラスタリング問題の処理に使用される教師なしアルゴリズムであり、KNN または K 最近傍法は回帰と分類の処理に使用される教師ありアルゴリズムです。

5. 分類と回帰の違いは何ですか?

これら両方の概念は、教師あり機械学習技術の重要な側面です。分類では、予測のために出力をさまざまなカテゴリに分割します。一方、回帰モデルは通常、予測子と変数の関係を見つけるために使用されます。分類と回帰の主な違いは、前者では出力変数が離散的であるのに対し、後者では出力変数が連続的である点です。

6. データセット内の欠損値をどのように処理しますか?

データ サイエンティストが直面する最大の課題の 1 つは、データの欠落の問題に関連しています。欠損値は、一意のカテゴリの割り当て、行の削除、平均/中央値/最頻値への置き換え、欠損値をサポートするアルゴリズムの使用、欠損値の予測など、さまざまな方法で補完できます。

7. 帰納的論理プログラミング (ILP) を理解するにはどうすればよいでしょうか?

帰納的論理プログラミングは、論理プログラミングを使用して予測モデルを開発することでデータ内のパターンを検索する機械学習のサブフィールドです。このプロセスでは、ロジック プログラムが仮説または背景知識であると想定します。

8. 特定のモデルにおける過剰適合の問題を防ぐためには、どのような手順を踏む必要がありますか?

トレーニング中に大量のデータが与えられると、モデルはデータセット内のノイズやその他の誤ったデータを学習し始めます。これにより、モデルをトレーニング セット外の新しいサンプルに一般化することが難しくなります。機械学習で過剰適合を回避する方法は 3 つあります。まず、モデルをシンプルに保ちます。次に、クロス検証手法を使用します。最後に、LASSO などの正規化手法を使用します。

9. アンサンブル学習とは何ですか?

アンサンブル法は、マルチ学習者システムまたは委員会ベースの学習とも呼ばれます。アンサンブル法は、新しいデータを分類して予測を選択するための分類器のセットを構築する学習アルゴリズムの一種です。このアプローチでは、同じ問題を解決するために多くの仮説をトレーニングします。アンサンブル モデリングの最も優れた例はランダム フォレストです。ランダム フォレストでは、多くの決定木を使用して結果を予測します。

10. 機械学習プロジェクトに必要な手順は何ですか?

適切に機能するモデルを実現するための重要な手順は、データの収集、データの準備、機械学習モデルの選択、モデルのトレーニング、モデルの評価、パラメータの調整、そして最後に予測です。