Esté preparado para estas 13 preguntas de la entrevista sobre aprendizaje automático

Preguntas de la entrevista sobre aprendizaje automático

La entrevista para un ingeniero de aprendizaje automático será muy técnica, pero es su oportunidad de mostrar qué lo convierte en el mejor candidato.

Prepárese con estas preguntas de entrevistas sobre inteligencia artificial y aprendizaje automático y cómo responderlas.

Los entrevistadores también pueden usar esta lista para crear una entrevista que revele la capacidad de los candidatos de aprendizaje automático. Aprenderá sus habilidades técnicas y su capacidad para pensar críticamente.

Preguntas a esperar en una entrevista de aprendizaje automático.

Flickr

Algoritmos

Esté preparado para mostrar su conocimiento de algoritmos de aprendizaje superficial. A menos que esté solicitando un puesto estricto como científico de datos, el entrevistador no va a entrar en demasiados detalles con las preguntas sobre algoritmos. Pero debería poder hablar sobre las entradas y qué algoritmos se utilizan mejor para qué aplicación.

1. ¿Cuándo usaría KNN (k vecinos más cercanos)?

KNN se suele utilizar para la clasificación. Es uno de los algoritmos más simples y más utilizados en el aprendizaje automático.

Su respuesta puede variar según su experiencia, pero consideraría KNN en la mayoría de los casos cuando las clases y características están etiquetadas

2. Describa cómo funciona SVM (Support Vector Machine). ¿Cómo se pueden utilizar SVM con datos no lineales?

SVM crea un hiperplano o límite de decisión para clasificar los datos de entrada en función de qué lado del límite se encuentran los nuevos datos. Se optimizan aumentando el margen entre el límite y los puntos de datos tanto como sea posible.

Recuerde que los núcleos a menudo se apilan con SVM. Los kernels transforman datos no lineales en datos lineales para que se pueda optimizar una SVM.

Marcos e idiomas

El entrevistador querrá saber qué lenguajes y marcos ha utilizado. También usarán estas preguntas para tener una idea de la rapidez con la que tomará un nuevo marco y qué tan en sintonía está con los marcos disponibles para la inteligencia artificial.

3. ¿Por qué le gusta usar ?

Cualquier cosa en tu currículum es un juego limpio. Especialmente los lenguajes de programación que enumera en sus habilidades. Así que prepárate para hablar de todos los entresijos.

Si la respuesta sincera es que solo usó ese lenguaje porque eso es lo que usaron en su último trabajo, está bien. Prepárese para hablar sobre las ventajas y desventajas de un idioma desde la perspectiva del aprendizaje automático.

4. Cuéntame tu experiencia al usar ?

Si está familiarizado con el marco que utiliza la empresa, esto debería resultarle fácil. Ciertamente, si los incluyó en su currículum, debería poder hablar sobre ellos.

Si no ha utilizado mucho ese marco específico, eso no es necesariamente un factor decisivo. Cualquier ingeniero de software que se precie debería poder adaptarse a un nuevo marco sin una gran curva de aprendizaje. La descripción del trabajo probablemente enumerará algunas de las principales plataformas que utiliza la empresa. Investigue sobre ellos antes de que comience la entrevista.

Algunos aspectos en los que centrarse al investigar un nuevo marco:

• ¿Qué tareas maneja mejor?
• ¿Cuáles son las fortalezas / debilidades?
• ¿Qué idiomas interactúan bien con el marco?

Necesita poder hablar inteligentemente sobre ese entorno.

Si el marco es de código abierto, pruébelo en su computadora personal. También hay algunas clases en línea asequibles que puede tomar y que le otorgarán una licencia temporal.

Construyendo redes neuronales

5. ¿Qué harías si tu algoritmo no converge?

Esta es una pregunta abierta que debería ser fácil para cualquiera que trabaje en aprendizaje automático.

Disminuir la tasa de aprendizaje (alfa) es un buen primer paso. Como entrevistador, me gustaría que el candidato describiera un enfoque más lógico para encontrar alfa. Pruebe un rango estratégico de alfa y grafique la función de costo sobre el número de iteraciones.

6. ¿Cuándo usaría el descenso de gradiente frente a la ecuación normal?

Es posible que le pregunte acerca de los pros y los contras de los diferentes métodos para optimizar un algoritmo.

Recuerde que la ecuación normal no se puede usar con la clasificación, por lo que esta comparación solo importa para la regresión. Se elige la ecuación normal cuando el número de características no es muy grande. Tiene una ventaja sobre el descenso de gradiente en que no tiene que elegir una tasa de aprendizaje o iterar.

Si hay muchas características, la ecuación normal es muy lenta, por lo que elegiría el descenso de gradiente.

Espere preguntas sobre la construcción de redes neuronales en una entrevista para un puesto de aprendizaje automático o inteligencia artificial.

WikimediaCommons

Evaluación de modelos (rendimiento)

Uno de los trabajos principales de un ingeniero de aprendizaje automático es optimizar una red neuronal y comprender qué tan bien funciona.

7. ¿Por qué el sobreajuste es malo y cómo se puede solucionar?

El sobreajuste es cuando un algoritmo se ajusta muy bien a los datos de entrenamiento pero predice con precisión nuevas situaciones. Obviamente, esto es malo porque no es útil para situaciones del mundo real.

Describa algunas formas en que se puede mejorar el sobreajuste. Agregar un término de regularización y aumentar lambda puede tener buenos resultados. Disminuir el número de entidades o reducir el orden de los polinomios son opciones, pero no son las opciones correctas en todas las situaciones.

8. ¿Cómo saber si su modelo es bueno?

Esto es similar a la pregunta anterior en la que el candidato debe comprender cómo evaluar modelos.

Puede explicar cómo se dividen los datos de entrenamiento disponibles en datos de entrenamiento, datos de validación y datos de prueba y para qué se utiliza cada uno. Me gustaría escuchar a un candidato hablar sobre la variación del grado del polinomio y la lambda y comparar el error en los datos de validación.

Proyectos

Ven a la entrevista listo para discutir proyectos anteriores. Como con cualquier entrevista, cualquier cosa en su currículum es un juego limpio.

Tenga lista una carpeta de proyectos del trabajo, la escuela o su uso personal. Es posible que tenga restricciones en lo que puede decir de un acuerdo de confidencialidad o trabajo clasificado, así que tenga claro lo que puede discutir.

Aquí hay algunas preguntas que puede esperar:

9. ¿Cuál fue su proyecto de aprendizaje automático favorito en el que trabajó?

Por el bien de esta entrevista, puede elegir el proyecto más relevante para el trabajo como su favorito. Esto le dará la oportunidad de resaltar su experiencia relevante.

Si prefiere hablar sobre cuál es su favorito real para darle al gerente de contratación una idea de si le gustará el nuevo puesto, también es una buena idea.

10. Hábleme de un problema difícil que resolvió.

Elija un problema que pueda describirse fácilmente. Parte de responder bien a esta pregunta es demostrar que puede describir problemas complejos de aprendizaje automático a una audiencia no técnica.

Cuando describa su solución, no se atribuya el mérito a menos que realmente haya sido todo su esfuerzo. Reproducir las contribuciones de tu equipo demostrará que eres un buen jugador de equipo. Si corresponde, indique el impacto en el cliente, el cronograma y el presupuesto que tiene este problema. Muestre cómo sus contribuciones agregan valor al resultado final, no solo al problema inmediato.

Preguntas de comportamiento

No olvide que la entrevista probablemente incluirá preguntas de comportamiento. ¡Y para muchos ingenieros y científicos de datos, esta es la parte más difícil! Pasamos tanto tiempo preparándonos para las cuestiones técnicas que olvidamos que también serán evaluadas por cómo encajamos en el equipo.

Las preguntas de comportamiento más importantes se encuentran a continuación para que pueda prepararse con anticipación. Para las preguntas que le piden que describa un momento específico, use el modelo STAR para resumir sus respuestas. Leer