سوالات مصاحبه سطح پایه هوش مصنوعی
از زمانی که متوجه شدیم هوش مصنوعی چگونه بر بازار تأثیر مثبت می گذارد ، تقریباً هر کسب و کار بزرگی به دنبال متخصصان هوش مصنوعی است تا به آنها کمک کند چشم انداز خود را به واقعیت تبدیل کنند. در این وبلاگ سوالات مصاحبه هوش مصنوعی ، بیشترین سوالاتی را که مصاحبه کنندگان پرسیده اند ، جمع آوری کرده ام. این سوالات پس از مشورت با کارشناسان آموزش صدور گواهینامه هوش مصنوعی جمع آوری می شود.
در صورت حضور در هر مصاحبه هوش مصنوعی در گذشته اخیر ، سوالات مصاحبه را در بخش نظرات جای گذاری کنید و ما در اولین فرصت به آنها پاسخ خواهیم داد. اگر سوالی در ذهن دارید ، ممکن است در مصاحبه هوش مصنوعی با آن روبرو شوید ، می توانید در زیر نظر دهید. در این وبلاگ من درباره سوالات مصاحبه هوش مصنوعی ، در مورد سوالات برتر مربوط به هوش مصنوعی در مصاحبه های شما بحث خواهم کرد. بنابراین ، برای درک بهتر شما ، این وبلاگ را به 2 بخش زیر تقسیم کرده ام: 1-سوالات مصاحبه سطح پایه هوش مصنوعی 2-سوالات مصاحبه سطح متوسط هوش مصنوعی در اینجا سوالات سطح پایه را مورد بررسی قرار میدهیم.
سوالات سطح پایه برای مصاحبه هوش مصنوعی
سوال 1 – تفاوت بین هوش مصنوعی، یادگیری ماشین و یادگیری عمیق چیست؟
سوال 2- هوش مصنوعی چیست؟ مثالی ارائه دهید که در آن هوش مصنوعی به صورت روزانه مورد استفاده قرار می گیرد.
هوش مصنوعی حوزه ای از علم کامپیوتر می باشد که تاکید آن بر ایجاد ماشین های هوشمندی است که بتواند مانند انسان کار کند و عکس العمل نشان دهد."توانایی یک ماشین برای تقلید از رفتار هوشمندانه یک انسان".
موتور جستجوی گوگل
موتور جستجوی گوگل: یکی از محبوب ترین برنامه های هوش مصنوعی، موتور جستجوی گوگل است. اگر مرورگر کروم را باز کنید و شروع به تایپ کردن چیزی کنید، Google بلافاصله توصیه هایی را برای انتخاب به شما ارائه می دهد. منطق پشتوانه موتور جستجو، هوش مصنوعی می باشد. هوش مصنوعی با استفاده ازتحلیل پیشگو، NLP و یادگیری ماشین جستجوهای مرتبط را به شما توصیه می کند. این توصیه ها براساس داده هایی مانند سابقه جستج، موقعیت مکانی، سن و .. که Google درباره شما جمع می کند، می باشد. بنابراین، Google برای پیش بینی آنچه ممکن است جستجو کنید، از هوش مصنوعی استفاده می کند.
سوال 3- انواع مختلف هوش مصنوعی کدامند؟
هوش مصنوعی ماشین های واکنشی: براساس اقدامات فعلی عمل می کند و نمی تواند از تجربیات قبلی برای تصمیم گیری های فعلی و به روزرسانی همزمان حافظه، استفاده کند. مثال: Deep Blue هوش مصنوعی حافظه محدود: در اتومبیل های خودران استفاده می شود. آنها به طور مداوم حرکت وسایل نقلیه را در اطراف خود تشخیص داده و آن را به حافظه خود اضافه می کنند. هوش مصنوعی نظریه ذهن: هوش مصنوعی پیشرفته ای که توانایی درک احساسات، آدم ها و سایر موارد در دنیای واقعی را دارد. هوش مصنوعی خودآگاه: هوش مصنوعی ای که دارای هوشیاری و واکنش های مشابه انسان است. چنین ماشین هایی توانایی شکل دهی کنش های خود محور را دارند. هوش باریک مصنوعی (ANI): هوش مصنوعی عمومی با کاربرد عمومی در ساخت دستیارهای مجازی مانند Siri. هوش عمومی مصنوعی (AGI): همچنین با نام هوش مصنوعی قوی شناخته می شود. به عنوان مثال ربات Pillo است که به سوالات مربوط به سلامتی پاسخ می دهد. هوش فوق بشری مصنوعی (ASI): هوش مصنوعی ای که توانایی انجام هر کاری که انسان می تواند انجام دهد و حتی بیش از آن را دارد. به عنوان مثال Alpha 2 که اولین ربات انسان نما ASI است.
سوال 4- حوزه های مختلف هوش مصنوعی را توضیح دهید.
حوزه های هوش مصنوعی
یادگیری ماشین: علمی است که درآن با تغذیه داده ها به کامپیوترها،آنها را واداربه عمل می کند بدین ترتیب می توانند چند ترفند را به تنهایی و بدون برنامه ریزی صریح برای این کار یاد بگیرند. شبکه های عصبی: آنها مجموعه ای از الگوریتم ها و تکنیک ها هستند که متناسب با مغز انسان مدل سازی شده اند. شبکه های عصبی برای حل مشکلات پیچیده و پیشرفته یادگیری ماشین طراحی شده اند. رباتیک: رباتیک زیرمجموعه ای از هوش مصنوعی است که شاخه ها و کاربردهای مختلف ربات ها را شامل می شود. این ربات ها عوامل مصنوعی هستند که در یک محیط واقعی زندگی عمل می کنند. یک ربات هوش مصنوعی با دستکاری اشیا موجود در اطرافش، با درک، حرکت و اقدامات مربوطه کار می کند. سیستم های خبره: سیستم خبره یک سیستم رایانه ای است که توانایی تصمیم گیری انسان را تقلید می کند. این یک برنامه رایانه ای است که با استفاده از فناوری های هوش مصنوعی (AI) قضاوت و رفتار انسان یا سازمانی را که دارای دانش و تجربه تخصصی در یک زمینه خاص است را شبیه سازی می کند. سیستم های منطق فازی: منطق فازی روشی است که به جای تکیه بر منطق بولی "درست یا غلط" (1 یا 0) معمولی که رایانه مدرن بر اساس آن بنا شده است، برپایه "درجات درستی" در محاسبات عمل می کند. منطق فازی سیستم ها می توانند اطلاعات ورودی نادرست ، تحریف شده و پر سر و صدا را بگیرند. پردازش زبان طبیعی: پردازش زبان طبیعی (NLP) به روش هوش مصنوعی اشاره دارد که زبان طبیعی انسان را تجزیه و تحلیل می کند تا از بینش های مفید برای حل مشکلات استفاده کند.
سوال 5-یادگیری ماشین چگونه با هوش مصنوعی ارتباط دارد؟
هوش مصنوعی تکنیکی است که ماشین ها را قادر می سازد رفتار انسان را تقلید کنند. در حالی که ، یادگیری ماشین زیرمجموعه ای از هوش مصنوعی است. یادگیری ماشین علمی است که درآن با تغذیه داده ها به کامپیوترها،آنها را واداربه عمل می کند بدین ترتیب می توانند چند ترفند را به تنهایی و بدون برنامه ریزی صریح برای این کار یاد بگیرند. بنابراین یادگیری ماشین تکنیکی است که برای پیاده سازی هوش مصنوعی استفاده می شود.
مقایسه هوش مصنوعی و یادگیری ماشین
سوال 6- انواع مختلف یادگیری ماشین چیست؟
انواع یادگیری ماشین
سوال 7- Q-learning چیست؟
Q-learning، یک الگوریتم یادگیری تقویتی است که در آن یک عامل سعی می کند از طریق تجربیات گذشته خود با محیط، روش بهینه را یاد بگیرد. تجارب گذشته یک عامل، دنباله ای از حالت - اقدام - پاداش می باشد:
هوش مصنوعی چیست؟
در نمودار حالت فوق، عامل (a0) در حالت (s0) و در حال انجام یک اقدام (a0) بود، که منجر به دریافت پاداش (r1) و در نتیجه به روز شدن به حالت (s1) شد.
سوال 8- یادگیری عمیق چیست؟
یادگیری عمیق عملکرد مغز ما را تقلید می کند، یعنی از تجربیات می آموزد. یاد گیری عمیق از مفاهیم شبکه های عصبی برای حل مشکلات پیچیده استفاده می کند.
یادگیری عمیق چیست؟
هر شبکه عصبی عمیق از سه نوع لایه تشکیل شده است:
لایه ورودی: این لایه، کلیه ورودی ها را دریافت کرده و برای تجزیه و تحلیل به لایه مخفی ارسال می کند.
لایه مخفی: در این لایه محاسبات مختلفی انجام می شود و نتیجه به لایه خروجی منتقل می شود. بسته به مسئله ای که می خواهید حل کنید، ممکن است n لایه پنهان وجود داشته باشد.
لایه خروجی: این لایه وظیفه انتقال اطلاعات از شبکه عصبی به جهان خارج را بر عهده دارد.
سوال 9- نحوه عملکرد یادگیری عمیق را توضیح دهید.
نورون های بیولوژیکی
• عنصر پایه در یادگیری عمیق، واحد اصلی مغز به نام سلول مغز یا نورون می باشد. با الهام از یک نورون، یک نورون مصنوعی یا یک پرسپترون ساخته شد.
• یک نورون بیولوژیکی دندریت دارد که برای دریافت ورودی استفاده می شود.
• به طور مشابه ، یک پرسپترون ورودی های متعددی را دریافت و پس از اعمال تغییرات و توابع مختلف یک خروجی فراهم می کند.
• دقیقا همانند مغز که شامل چندین نورون متصل به نام شبکه عصبی است، می توان شبکه ای از نورون های مصنوعی به نام پرسپترون داشت که یک شبکه عصبی عمیق ایجاد می کنند.
شبکه عصبی عمیق
• نورون مصنوعی یا پرسپترون در حقیقت مدل یک نورون است که دارای مجموعه ای از ورودی ها بوده که به هر یک وزن خاصی اختصاص داده شده است. سپس نورون برخی توابع را بر روی این ورودی های وزن داده شده اعمال کرده و خروجی را محاسبه و تحویل می دهد.
سوال 10- شبکه های عصبی مصنوعی که به طور معمول مورد استفاده قرار می گیرند را توضیح دهید.
شبکه عصبی کنترل اولیه (Feedforward)• ساده ترین شکل شبکه عصبی مصنوعی می باشد، که در آن داده ها یا ورودی ها در یک جهت حرکت می کنند.
• داده ها از گره های ورودی عبور کرده و از گره های خروجی خارج می شوند. این شبکه عصبی ممکن است لایه های مخفی داشته باشد یا نداشته باشد. شبکه عصبی کانولوشن
• در اینجا، ویژگی های ورودی بصورت دسته ای گرفته می شوند (مانند یک فیلتر). این کار به شبکه کمک می کند تا تصاویر را در بخش های مختلف به خاطر بسپارد و بتواند عملیات ها را محاسبه کند.
• عمدتا برای پردازش سیگنال و پردازش تصویر استفاده می شود.
شبکه عصبی تکرارشونده (RNN) - حافظه کوتاه مدت • اساس کار ذخیره کردن خروجی یک لایه و تغذیه مجدد آن به ورودی برای کمک به پیش بینی نتیجه لایه می باشد.
• در اینجا، شما به شبکه عصبی اجازه می دهید تا روی انتشار جلویی (front propagation) کار کند و به خاطر داشته باشد که چه اطلاعاتی برای استفاده بعدی لازم است.
• به این ترتیب هر نورون اطلاعاتی را که در مرحله زمانی قبلی داشته به خاطر خواهد آورد.
رمزگذاران خودکار
• مدلهای یادگیری بدون نظارت هستند که دارای یک لایه ورودی، یک لایه خروجی و یک یا چند لایه مخفی هستند که آنها را بهم متصل می کند.
• لایه خروجی همان تعداد واحد ورودی را دارد. هدف آن بازسازی ورودی های خود است.
• به طور معمول به منظور کاهش ابعاد و یادگیری مدل های بازتولیدکننده داده ها به کار می رود.
سوال 11- شبکه های مبتنی بر قانون Bayesian چیست؟
"شبکه Bayesian یک مدل آماری است که مجموعه ای از متغیرها و وابستگی های شرطی آنها را در قالب یک نمودار دایره حلقوی هدایت شده نشان می دهد. در هنگام وقوع یک رویداد، می توان از شبکه های Bayesian برای پیش بینی احتمال وجود هر یک از علل شناخته شده احتمالی استفاده کرد."
شبکه Bayesian
سوال 12- روش ارزیابی ای که برای آزمایش هوش ماشین استفاده می شود را توضیح دهید.
در هوش مصنوعی (AI)، آزمون تورینگ روشی است برای تعیین اینکه آیا کامپیوتر توانایی فکر کردن مانند انسان را دارد یا خیر.
آزمون تورینگ
منبع:edureka.co
به روز شده در تاریخ 29 ژانویه 2021
