Die 35 wichtigsten Fragen zum Thema maschinelles Lernen für 2026

Grundlegende Fragen zum Thema maschinelles Lernen für Vorstellungsgespräche

Grundlegende Fragen haben mit Terminologien, Algorithmen und Methoden zu tun. Die Interviewer stellen diese Fragen, um das Fachwissen des Bewerbers zu checken.

Was ist halbüberwachtes maschinelles Lernen?

Halbüberwachtes Lernen ist eine Mischung aus überwachtem und unüberwachtem Lernen. Der Algorithmus wird mit einer Mischung aus beschrifteten und unbeschrifteten Daten trainiert. Normalerweise wird es benutzt, wenn wir einen ganz kleinen Datensatz mit Beschriftungen und einen großen Datensatz ohne Beschriftungen haben. 

Einfach gesagt, wird der unüberwachte Algorithmus benutzt, um Cluster zu bilden und die restlichen unbeschrifteten Daten mit Hilfe der vorhandenen beschrifteten Daten zu beschriften. Ein halbüberwachter Algorithmus geht von der Kontinuitätsannahme, der Clusterannahme und der Mannigfaltigkeitsannahme aus.

Es wird meistens benutzt, um die Kosten für gekennzeichnete Daten zu sparen. Zum Beispiel die Klassifizierung von Proteinsequenzen, automatische Spracherkennung und selbstfahrende Autos.  

Wie entscheidest du, welchen Algorithmus du für einen Datensatz nimmst?

Neben dem Datensatz brauchst du einen Anwendungsfall für dein Unternehmen oder Anwendungsanforderungen. Du kannst überwachtes und unüberwachtes Lernen auf dieselben Daten anwenden. 

Im Allgemeinen:

• Algorithmen für überwachtes Lernen brauchen beschriftete Daten.
• Regressionsalgorithmen brauchen durchgehende numerische Ziele.
• Klassifizierungsalgorithmen brauchen kategoriale Ziele.
• Algorithmen für unüberwachtes Lernen brauchen Daten ohne Beschriftung.
• Halbüberwachtes Lernen braucht die Kombination von beschrifteten und unbeschrifteten Datensätzen. 
• Algorithmen für verstärktes Lernen brauchen Daten über die Umgebung, den Agenten, den Zustand und die Belohnung. 

Bild von thecleverprogrammer

Lerne die Grundlagen des maschinellen Lernens in unserem Kurs. 

Erklär mal den K-Nearest-Neighbor-Algorithmus.

Der K Nearest Neighbor (KNN) ist ein Klassifikator für überwachtes Lernen. Es nutzt die Nähe, um Labels zu sortieren oder die Gruppierung einzelner Datenpunkte vorherzusagen. Wir können es für Regression und Klassifizierung nutzen. Der KNN-Algorithmus ist nicht parametrisch, was bedeutet, dass er keine grundlegenden Annahmen zur Datenverteilung trifft. 

Im KNN-Klassifikator:

• Wir suchen die K-Nachbarn, die dem Weißpunkt am nächsten sind. Im folgenden Beispiel haben wir k=5 genommen. 
• Um die fünf nächsten Nachbarn zu finden, berechnen wir den euklidischen Abstand zwischen dem weißen Punkt und den anderen. Dann haben wir die 5 Punkte ausgewählt, die dem Weißpunkt am nächsten waren. 
• Bei K=5 gibt's drei rote und zwei grüne Punkte. Weil Rot die Mehrheit hat, geben wir ihm ein rotes Etikett. 

Bild aus der Entwicklergeschichte von Codesigner 

Lerne in einem kurzen Kurs alles über überwachte Lernklassifikations- und Regressionsmodelle. 

Was ist die Merkmalsbedeutung beim maschinellen Lernen und wie findet man sie raus?

Die Merkmalsbedeutung ist eine Technik, bei der Eingabemerkmalen eine Punktzahl gegeben wird, je nachdem, wie gut sie eine Zielvariable vorhersagen können. Es ist echt wichtig, um die Struktur der Daten und das Verhalten des Modells zu verstehen und das Modell besser zu verstehen.

Es gibt ein paar Methoden, um die Wichtigkeit von Merkmalen zu bestimmen:

1. Modellbasierte Wichtigkeit: Einige Algorithmen wie Entscheidungsbäume und Zufallswälder haben eingebaute Methoden, um die Wichtigkeit von Merkmalen zu checken. Zum Beispiel berechnen Random Forests die Abnahme der Knotenunreinheit, gewichtet nach der Wahrscheinlichkeit, diesen Knoten zu erreichen, gemittelt über alle Bäume.
2. Bedeutung der Permutation: Dabei werden einzelne Variablen im Validierungssatz durcheinandergewürfelt und die Auswirkungen auf die Modellleistung beobachtet. Ein deutlicher Rückgang der Modellleistung zeigt, dass das echt wichtig ist.
3. SHAP (SHapley Additive exPlanations): Dieser Ansatz nutzt die Spieltheorie, um zu messen, wie viel jedes Merkmal zur Vorhersage in einem komplexen Modell beiträgt. SHAP-Werte geben einen guten Einblick ins Verhalten des Modells und sind besonders nützlich für komplizierte Modelle wie Gradient Boosting Machines oder neuronale Netze.
4. Korrelationskoeffizienten: Einfache statistische Maße wie die Pearson- oder Spearman-Korrelation können Aufschluss über die lineare Beziehung zwischen jedem Merkmal und der Zielvariablen geben.

Das Verständnis der Merkmalsbedeutung ist super wichtig für die Modelloptimierung, weil es Überanpassung durch das Entfernen nicht informativer Merkmale reduziert und die Interpretierbarkeit des Modells verbessert, vor allem in Bereichen, in denen es entscheidend ist, den Entscheidungsprozess des Modells zu verstehen.

Was ist Überanpassung beim maschinellen Lernen und wie kann man sie vermeiden?

Überanpassung passiert, wenn ein Modell bei Trainingsdaten gut läuft, aber bei unbekannten Daten nicht funktioniert, weil es sich die Trainingsdaten gemerkt hat, anstatt die zugrunde liegenden Muster zu lernen. Das kann man vermeiden, indem man:

• Mit Kreuzvalidierungstechniken.
• Regularisierung anwenden (L1, L2).
• Die Komplexität des Modells runterfahren.
• Mehr Trainingsdaten sammeln oder Datenvergrößerung nutzen.

Was ist der Unterschied zwischen überwachtem und unüberwachtem Lernen?

• Überwachtes Lernen: Das Modell wird mit beschrifteten Daten trainiert, bei denen die Zielvariable bekannt ist. Beispiele sind Klassifizierung und Regression.
• Unüberwachtes Lernen: Das Modell wird mit unbeschrifteten Daten trainiert, um Muster oder Gruppierungen zu finden. Beispiele sind Clustering und Dimensionsreduktion.

Was ist eine Verwechslungsmatrix und wozu ist sie gut?

Eine Verwechslungsmatrix ist eine Tabelle, mit der man die Leistung eines Klassifizierungsmodells checkt. Es zeigt die Anzahl der echten positiven, echten negativen, falschen positiven und falschen negativen Ergebnisse. Es ist praktisch, um Metriken wie Genauigkeit, Präzision, Recall und F1-Score zu berechnen.

Was ist der Unterschied zwischen parametrischen und nichtparametrischen Modellen?

Parametrische Modelle: Diese machen Annahmen über die zugrunde liegende Verteilung der Daten und haben eine feste Anzahl von Parametern (z. B. lineare Regression).

Nichtparametrische Modelle: Die machen keine Annahmen über die Datenverteilung und können sich an die Komplexität anpassen, wenn mehr Daten dazukommen (z. B. K-Nearest Neighbors).

Was ist der Bias-Varianz-Kompromiss beim maschinellen Lernen?

Der Bias-Varianz-Kompromiss ist die Balance zwischen der Fähigkeit eines Modells, komplexe Muster zu erfassen (geringer Bias), und seiner Empfindlichkeit gegenüber Schwankungen in den Trainingsdaten (geringe Varianz). Ein gutes Modell schafft ein Gleichgewicht, indem es sowohl Verzerrungen als auch Abweichungen minimiert, um Unteranpassung und Überanpassung zu vermeiden.

Fragen zum Thema maschinelles Lernen für technische Vorstellungsgespräche

Im technischen Vorstellungsgespräch geht's mehr darum, dein Wissen über Prozesse zu checken und zu sehen, wie gut du mit Unsicherheiten umgehen kannst. Der Personalchef wird Fragen zum Thema maschinelles Lernen stellen, die sich um Datenverarbeitung, Modelltraining und -validierung sowie fortgeschrittene Algorithmen drehen.

Stimmt's, dass wir unsere Merkmalswerte skalieren müssen, wenn sie stark variieren?

Ja. Die meisten Algorithmen nutzen die euklidische Distanz zwischen Datenpunkten, und wenn der Merkmalswert stark variiert, fallen die Ergebnisse ziemlich unterschiedlich aus. Meistens sorgen Ausreißer dafür, dass Machine-Learning-Modelle beim Testdatensatz schlechter abschneiden. 

Wir nutzen auch Feature-Skalierung, um die Konvergenzzeit zu verkürzen. Wenn die Merkmale nicht normalisiert sind, dauert es länger, bis der Gradientenabstieg lokale Minima erreicht. 

Gradient ohne und mit Skalierung | Quora

Feature-Engineering-Fähigkeiten sind echt gefragt. Du kannst alles über das Thema lernen, indem du einen DataCamp-Kurs machst, zum Beispiel „Feature Engineering für maschinelles Lernen in Python”.  

Das Modell, das du trainiert hast, hat eine geringe Verzerrung und eine hohe Varianz. Wie würdest du damit umgehen?

Eine geringe Verzerrung tritt auf, wenn das Modell Werte vorhersagt, die nahe am tatsächlichen Wert liegen. Es ahmt den Trainingsdatensatz nach. Das Modell hat keine Generalisierung, was heißt, dass es bei Tests mit unbekannten Daten schlechte Ergebnisse liefert. 

Geringe Verzerrung und hohe Varianz | Autor

Um diese Probleme zu lösen, werden wir Bagging-Algorithmen verwenden, da diese einen Datensatz mithilfe von zufälligen Stichproben in Teilmengen aufteilen. Dann machen wir mit diesen Beispielen und einem einzigen Algorithmus mehrere Modelle. Danach kombinieren wir die Modellvorhersagen mit Hilfe von Voting-Klassifizierung oder Mittelwertbildung.

Bei hoher Varianz können wir Regularisierungstechniken einsetzen. Es hat höhere Modellkoeffizienten bestraft, um die Komplexität des Modells zu verringern. Außerdem können wir die wichtigsten Merkmale aus dem Diagramm zur Merkmalsbedeutung auswählen und das Modell trainieren. 

Was ist Modelldrift und wie erkennt man sie in der Produktion?

Modelldrift passiert, wenn die Leistung eines Modells mit der Zeit schlechter wird, weil sich die Daten aus der echten Welt im Vergleich zu den Trainingsdaten ändern. Es gibt zwei Haupttypen:

• Datenverschiebung (Kovariatenverschiebung): Die Verteilung der Eingabedaten ändert sich (z. B. laden Nutzer Bilder jetzt nachts statt tagsüber hoch). Du erkennst das, indem du den statistischen Abstand (wie die KL-Divergenz) zwischen den Merkmalsverteilungen im Training und in der Produktion beobachtest.
• Begriffsverschiebung: Die Beziehung zwischen Input und Output ändert sich (z. B. ändern sich die Definitionen von „Spam“ mit der Zeit). Du kannst das feststellen, indem du die nachgelagerten Geschäftskennzahlen (wie die Klickrate) oder, falls verfügbar, die Genauigkeit der Grunddaten überwachst.

Welche Kreuzvalidierungstechnik würdest du für einen Zeitreihendatensatz vorschlagen und warum?

Kreuzvalidierung wird benutzt, um die Leistung von Modellen zuverlässig zu checken und eine Überanpassung zu vermeiden. Normalerweise nehmen Kreuzvalidierungstechniken zufällig Proben aus den Daten und teilen sie in Trainings- und Testdatensätze auf. Die Anzahl der Teilungen hängt vom K-Wert ab. 

Wenn zum Beispiel K = 5 ist, gibt's vier Faltungen für den Zug und eine für den Test. Es wird fünfmal wiederholt, um das Modell zu messen, das auf separaten Faltungen durchgeführt wurde.  

Mit einem Zeitreihendatensatz geht das nicht, weil es keinen Sinn macht, den Wert aus der Zukunft zu nehmen, um den Wert aus der Vergangenheit vorherzusagen. Es gibt eine zeitliche Abhängigkeit zwischen den Beobachtungen, und wir können die Daten nur in eine Richtung aufteilen, sodass die Werte des Testdatensatzes nach dem Trainingssatz kommen. 

Das Diagramm zeigt, dass die k-fache Aufteilung der Zeitreihendaten nur in eine Richtung geht. Die blauen Punkte sind das Trainingsset, der rote Punkt ist das Testsatz und die weißen Punkte sind nicht verwendete Daten. Wie wir bei jeder Iteration sehen können, kommen wir mit dem Trainingssatz voran, während der Testsatz vor dem Trainingssatz bleibt und nicht zufällig ausgewählt wird. 

Zeitreihen-Kreuzvalidierung | UC Business Analytics R-Programmierhandbuch

Lerne mit dem Kurs „Zeitreihen mit Python“ alles über die Datenbearbeitung, Analyse, Visualisierung und Modellierung von Zeitreihendaten.

Interviewfragen zum Thema Computer Vision Engineering

Die meisten Jobs im Bereich maschinelles Lernen, die auf LinkedIn, Glassdoor und Indeed angeboten werden, sind auf bestimmte Aufgaben zugeschnitten. Deshalb werden sie sich im Vorstellungsgespräch auf Fragen konzentrieren, die speziell mit der Stelle zu tun haben. Für die Stelle im Bereich Computer Vision Engineering wird sich der Personalverantwortliche auf Fragen zur Bildverarbeitung konzentrieren. 

Warum können die Eingaben bei Computer-Vision-Problemen so riesig werden? Erkläre es anhand eines Beispiels. 

Stell dir ein Bild mit den Maßen 250 x 250 und eine komplett verbundene versteckte erste Schicht mit 1000 versteckten Einheiten vor. Für dieses Bild sind die Eingabefunktionen 250 x 250 x 3 = 187.500, und die Gewichtungsmatrix in der ersten versteckten Schicht ist eine Matrix mit den Maßen 187.500 x 1000. Diese Zahlen sind für die Speicherung und Berechnung echt riesig. Um dieses Problem zu lösen, nutzen wir Faltungsoperationen. 

Lerne Bildverarbeitung mit einem kurzen Kurs zu Bildverarbeitung in Python.

Wenn du einen kleinen Datensatz hast, schlag doch mal vor, wie man ein Convolutional Neural Network trainieren kann.  

Wenn du nicht genug Daten hast, um ein Convolutional Neural Network zu trainieren, kannst du Transfer Learning nutzen, um dein Modell zu trainieren und topmoderne Ergebnisse zu erzielen. Du brauchst ein vortrainiertes Modell, das mit einem allgemeinen, aber größeren Datensatz trainiert wurde. Danach optimierst du es anhand neuerer Daten, indem du die letzten Schichten der Modelle trainierst. 

Mit Transferlernen können Datenwissenschaftler Modelle mit weniger Daten trainieren, indem sie weniger Ressourcen, Rechenleistung und Speicherplatz brauchen. Du kannst ganz einfach vorab trainierte Open-Source-Modelle für verschiedene Anwendungsfälle finden, und die meisten davon haben eine kommerzielle Lizenz, was bedeutet, dass du sie für die Erstellung deiner Anwendung nutzen kannst. 

Transferlernen von Purnasai Gudikandula

Was ist der moderne Objekterkennungsalgorithmus YOLO und wie hat sich seine Architektur in letzter Zeit verändert?

YOLO ist ein Algorithmus zur Objekterkennung, der auf Faltungsneuronalen Netzen basiert und Ergebnisse in Echtzeit liefern kann. Der YOLO-Algorithmus braucht nur einen einzigen Durchlauf durch das CNN, um das Objekt zu erkennen. Es sagt sowohl verschiedene Klassenwahrscheinlichkeiten als auch Begrenzungsrahmen voraus. 

Das Modell wurde trainiert, um verschiedene Objekte zu erkennen, und Firmen nutzen Transferlernen, um es für neue Daten für moderne Anwendungen wie autonomes Fahren, Naturschutz und Sicherheit zu optimieren. 

YOLOv10-Modellarchitektur | researchgate

Fragen für Vorstellungsgespräche im Bereich NLP-Engineering

Die Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) ist eine der Grundlagen moderner KI-Anwendungen. Mach dich auf Fragen gefasst, die die Lücke zwischen Sprachtheorie und praktischer Umsetzung schließen und deine Fähigkeit testen, unstrukturierte Textdaten sowohl mit klassischen Techniken als auch mit modernen Deep-Learning-Ansätzen zu verarbeiten, zu analysieren und ihnen Bedeutung zu entnehmen.

Was ist syntaktische Analyse?

Die syntaktische Analyse, auch bekannt als Syntaxanalyse oder Parsing, ist eine Textanalyse, die uns die logische Bedeutung hinter einem Satz oder einem Teil davon erklärt. Es geht um die Beziehung zwischen Wörtern und der grammatikalischen Struktur von Sätzen. Man kann auch sagen, dass es die Verarbeitung der Analyse der natürlichen Sprache mithilfe grammatikalischer Regeln ist. 

Syntaxanalyse | researchgate

Was sind Stemming und Lemmatisierung?

Stemming und Lemmatisierung sind Techniken, die Wörter in einem Satz standardisieren, um strukturelle Unterschiede zu minimieren. 

Stemming schmeißt die an das Wort angehängten Affixe raus und lässt es in seiner Grundform stehen. Zum Beispiel: Von „Changing“ zu „Chang“. 

Es wird von Suchmaschinen oft für die Speicheroptimierung genutzt. Anstatt alle Formen der Wörter zu speichern, werden nur die Wortstämme gespeichert. 

Die Lemmatisierung macht das Wort zu seiner Grundform. Die Ausgabe ist das Stammwort statt des Wortstamms. Nach der Lemmatisierung kriegen wir das richtige Wort, das was bedeutet. Zum Beispiel: Veränderung, um zu verändern.

Stemming vs. Lemmatisierung | Autor

Was sind moderne Techniken, um die LLM-Inferenzgeschwindigkeit in der Produktion zu optimieren?

Um große Transformatoren zu optimieren, muss man sich sowohl mit Speicherbandbreite als auch mit Rechenengpässen beschäftigen:

• Quantisierung: Reduzierung des Modellgewichts von FP16 (16 Bit) auf INT8 oder INT4 mit minimalem Genauigkeitsverlust. Dadurch passen größere Modelle in den kleineren GPU-Speicher.
• PagedAttention (vLLM): Eine Technik zur Speicherverwaltung, die den KV-Cache (Key-Value) wie virtuelle Speicherseiten behandelt und durch die Vermeidung von Speicherfragmentierung einen 2- bis 4-mal höheren Durchsatz ermöglicht.
• Spekulative Entschlüsselung: Mit einem kleinen „Entwurfsmodell” werden die nächsten paar Token schnell vorhergesagt, die dann parallel vom großen Modell überprüft werden. Das nutzt die Tatsache aus, dass das Lesen/Schreiben von Speicher bei einzelnen Tokens oft langsamer ist als das Rechnen.

Lerne die Grundlagen von NLP, indem du den Lernpfad „Natural Language Processing in Python ” machst. 

Fragen für Vorstellungsgespräche im Bereich Ingenieurwesen (LLM)

Da LLMs die aktuelle KI-Landschaft dominieren, suchen die Leute, die Vorstellungsgespräche führen, vor allem nach Leuten, die wissen, wie man sie effektiv einsetzt. Dieser Abschnitt geht auf einige der größten praktischen technischen Herausforderungen des Jahres 2026 ein.

Was ist ein LLM-Kontextfenster und wie geht man mit Aufgaben um, die mehr Kontext brauchen, als das Modell auf einmal verarbeiten kann?

Das Kontextfenster eines LLM ist die maximale Textmenge (gemessen in Tokens), die das Modell bei der Generierung einer Antwort gleichzeitig berücksichtigen kann, und es begrenzt direkt, wie viel „Arbeitsspeicher“ das Modell effektiv hat.

Auch wenn große Kontextfenster immer häufiger werden, steigen Leistung und Kosten nicht linear: Lange Eingabeaufforderungen erhöhen die Latenz und können immer noch zu Problemen mit der Zuverlässigkeit führen, wenn die relevanten Infos tief im Kontext vergraben sind.

In Interviews würde ich mit praktischen Strategien antworten praktische Strategien für Aufgaben mit langen Dokumenten:

• Te ile die Dokumente in sinnvolle Abschnitte auf und hol dir nur die relevantesten Teile für eine bestimmte Frage.
• Nimm lieber die Retrieval-Augmented Generation (RAG), wenn du Fakten und gezieltes Abrufen brauchst, statt jedes Mal ein ganzes Dokument zu schicken. Das kann Kosten sparen und verhindern, dass was auf der Strecke bleibt.
• Benutz Zusammenfassungen oder hierarchische Notizen (Zusammenfassung von Abschnitten → Zusammenfassung von Zusammenfassungen), wenn du einen Überblick brauchst, und hol dir dann bei Bedarf die Details.

Wie kannst du Halluzinationen in großen Sprachmodellen reduzieren?

Halluzinationen treten auf, wenn ein LLM plausible, aber sachlich falsche Infos generiert. Im Jahr 2026 braucht es für den Klimaschutz einen mehrschichtigen Ansatz:

• Retrieval-Augmented Generation (RAG): Das Modell wird geerdet, indem es gezwungen wird, nur auf der Grundlage von Dokumenten zu antworten, die aus einer vertrauenswürdigen Wissensdatenbank abgerufen wurden.
• Schnelle Entwicklung: Techniken wie Chain-of-Thought (das Modell wird gebeten, seine Überlegungen Schritt für Schritt zu erklären) und Few-Shot Prompting (Bereitstellung verifizierter Beispiele) reduzieren Fehler erheblich.
• Vertrauensbewertung & Selbstkonsistenz: Mehrere Antworten auf dieselbe Eingabe generieren und die konsistenteste auswählen oder das Modell bitten, seine eigene Zuversicht vor der Antwort zu bewerten.
• Guardrails: Nachbearbeitungsschichten (wie NeMo Guardrails) einbauen, um die Ergebnisse anhand von festgelegten Regeln zu überprüfen, bevor sie dem Nutzer gezeigt werden.

Wann solltest du Retrieval-Augmented Generation (RAG) statt Fine-Tuning nehmen?

Das ist echt eine typische „Entweder-oder“-Frage. Die Entscheidung hängt davon ab, wie aktuell die Daten sind und wie spezifisch die Domain ist:

• Wähle RAG, wenn: Du brauchst das Modell, um auf aktuelle Infos (z. B. Aktienkurse, aktuelle Nachrichten) oder private Daten zuzugreifen, die sich oft ändern. RAG ist günstiger und macht weniger Probleme, weil es dem Modell die richtige Antwort im Kontext liefert.
• Wähle „Feinabstimmung“, wenn: Du brauchst das Modell, um ein bestimmtes Verhalten, einen bestimmten Stil oder ein bestimmtes Format zu lernen (z. B. wie ein Pirat zu sprechen oder Code in einer proprietären internen Sprache zu schreiben). Durch Feinabstimmung wird Wissen in die Gewichte eingebaut, aber das Problem der „Wissensbegrenzung” wird dadurch nicht gelöst.
• Hybridansatz: In vielen Produktionssystemen optimiert man ein Modell, damit es die Fachsprache eines bestimmten Bereichs versteht, und nutzt dann RAG, um es mit den neuesten Infos zu füttern.

Die Frage wird in unserem Blogbeitrag „RAG vs. Fine-Tuning“ genauer besprochen.

Fragen zum Thema Reinforcement Learning im Vorstellungsgespräch für Ingenieure

Reinforcement Learning (RL) geht Probleme an, bei denen ein Agent durch Interaktion mit einer Umgebung lernt und nicht durch statische Datensätze. Sei bereit, darüber zu reden, wie RL funktioniert, und wichtige Sachen wie Richtlinien zu erklären.

Wie läuft ein typischer Algorithmus für verstärktes Lernen ab?

Beim Reinforcement Learning geht's darum, durch Ausprobieren ans Ziel zu kommen. Es ist ein zielorientierter Algorithmus, der aus der Umgebung lernt, indem er die richtigen Schritte macht, um die kumulative Belohnung zu maximieren. 

Beim typischen Reinforcement Learning:

1. Am Anfang kriegt der Agent den Zustand Null von der Umgebung.
2. Je nach Situation wird der Agent was unternehmen.
3. Die Situation hat sich geändert, und der Agent ist jetzt an einem neuen Ort in der Umgebung.
4. Der Agent kriegt die Belohnung, wenn er den richtigen Zug gemacht hat.
5. Der Prozess läuft so lange, bis der Agent den besten Weg zum Ziel gefunden hat, indem er die kumulierten Belohnungen maximiert.

Framework für verstärktes Lernen | Autor

Was ist der Unterschied zwischen Off-Policy- und On-Policy-Lernen?

On-Policy-Lernalgorithmen checken und verbessern dieselbe Vorgehensweise, um sie anzuwenden und zu aktualisieren. Also, die Richtlinie, die für die Aktualisierung benutzt wird, und die, die für Maßnahmen benutzt wird, sind die gleichen. 

Zielpolitik == Verhaltenspolitik

On-Policy-Algorithmen sind Sarsa, Monte Carlo für On-Policy, Value Iteration und Policy Iteration.

Off-Policy-Lernalgorithmen sind total anders, weil die aktualisierte Richtlinie anders ist als die Verhaltensrichtlinie. Zum Beispiel lernt der Agent beim Q-Lernen mit Hilfe einer gierigen Strategie aus einer optimalen Strategie und macht dann mit anderen Strategien weiter. 

Zielpolitik ≠ Verhaltenspolitik

On-Policy vs. Fall außerhalb der Richtlinie | Künstliche Intelligenz Stack Exchange

Wieso brauchen wir „Deep“ Q-Lernen?

Einfaches Q-Lernen ist echt super. Es löst das Problem im kleinen Rahmen, aber im großen Rahmen klappt es nicht. 

Stell dir vor, die Umgebung hätte 1000 Zustände und 1000 Aktionen pro Zustand. Wir brauchen eine Q-Tabelle mit Millionen von Zellen. Für Schach und Go braucht man einen noch größeren Tisch. Hier kommt Deep Q-Learning ins Spiel. 

Es nutzt ein neuronales Netzwerk, um die Q-Wert-Funktion zu schätzen. Das Rezept für neuronale Netze gibt als Input den Q-Wert aller möglichen Aktionen an und gibt ihn auch als Output wieder. 

Deep Q-Netzwerk für autonomes Fahren | researchgate

Fragen für FAANG-Maschinelles-Lernen-Ingenieure

Hier sind ein paar Fragen, die dir der Interviewer bei einigen der besten Tech-Firmen stellen könnte: 

Was bedeutet die Fläche unter der ROC-Kurve?

Die Empfänger-Operationscharakteristik (ROC) zeigt den Kompromiss zwischen Sensitivität und Spezifität. 

• Sensitivität: Das ist die Wahrscheinlichkeit, dass das Modell ein positives Ergebnis vorhersagt, wenn der tatsächliche Wert auch positiv ist. 
• Spezifität: Das ist die Wahrscheinlichkeit, dass das Modell ein negatives Ergebnis vorhersagt, wenn der tatsächliche Wert auch negativ ist.

Die Kurve wird anhand der Falsch-Positiv-Rate (FP/(TN + FP)) und der Echt-Positiv-Rate (TP/(TP + FN)) gezeichnet.

Die Fläche unter der Kurve (AUC) zeigt, wie gut das Modell funktioniert. Wenn die Fläche unter der ROC-Kurve 0,5 ist, dann ist unser Modell komplett zufällig. Das Modell mit einem AUC-Wert nahe 1 ist das bessere Modell.

ROC-Kurve von Hadrien Jean

Wie bewertest du generative KI-Modelle, bei denen es keine einheitliche „Grundwahrheit“ gibt?

Anders als bei der Klassifizierung (wo eine Antwort richtig oder falsch ist) braucht man bei GenAI oft menschliche Bewertung oder „LLM-as-a-Judge”-Frameworks:

• Referenzfreie Metriken: Ein stärkeres Modell (wie GPT-4) nutzen, um die Antwort eines kleineren Modells nach Kriterien wie „Hilfreich“, „Sicherheit“ und „Kohärenz“ zu bewerten.
• RAGAS (Retrieval Augmented Generation Assessment): Ein Standard-Framework, das genau die „Treue“ (stammt die Antwort aus dem Kontext?) und die „Relevanz der Antwort“ (beantwortet sie die Frage des Nutzers?) misst.
• Menschliche Bewertung (Elo-Rating): Für die abschließende Überprüfung vergleiche ich die Ergebnisse von zwei Modellen nebeneinander (A/B-Test) und berechne eine Elo-Wertung, ähnlich wie bei der LMArena-Rangliste.

Wie kann man die Dimensionen reduzieren?

Zur Reduzierung der Dimensionalität können wir Methoden zur Merkmalsauswahl oder Merkmalsextraktion nutzen. 

Die Merkmalsauswahl ist ein Prozess, bei dem man die besten Merkmale aussucht und die unwichtigen weglässt. Wir nutzen Filter-, Wrapper- und Embedded-Methoden, um die Wichtigkeit von Merkmalen zu analysieren und weniger wichtige Merkmale zu entfernen, um die Modellleistung zu verbessern. 

Die Merkmalsextraktion verwandelt den Raum mit mehreren Dimensionen in einen Raum mit weniger Dimensionen. Dabei gehen keine Infos verloren und es werden weniger Ressourcen für die Datenverarbeitung gebraucht. Die gängigsten Extraktionstechniken sind die lineare Diskriminanzanalyse (LDA), die Kernel-PCA und die quadratische Diskriminanzanalyse.

Wie findest du Schwellenwerte für einen Klassifikator?

Bei einem Spam-Klassifikator gibt ein logistisches Regressionsmodell die Wahrscheinlichkeit zurück. Wir nehmen entweder die Wahrscheinlichkeit von 0,8999 oder wandeln sie mithilfe eines Schwellenwerts in eine Klasse (Spam/Kein Spam) um. 

Normalerweise ist der Schwellenwert eines Klassifikators 0,5, aber manchmal muss man ihn anpassen, um die Genauigkeit zu verbessern. Der Schwellenwert von 0,5 heißt: Wenn die Wahrscheinlichkeit bei 0,5 oder höher liegt, ist es Spam, und wenn sie niedriger ist, ist es kein Spam.  

Um den Schwellenwert zu finden, können wir Präzisions-Recall-Kurven und ROC-Kurven, Rastersuche und die manuelle Änderung des Werts verwenden, um einen besseren CV zu bekommen.  

Mach dich zum Profi im Bereich maschinelles Lernen, indem du den Lernpfad „Machine Learning Scientist with Python“ abschließt. 

Was sind die Annahmen der linearen Regression?

Lineare Regression hilft dabei, die Beziehung zwischen Merkmalen (X) und Ziel (y) zu verstehen. Bevor wir das Modell trainieren, müssen wir ein paar Voraussetzungen erfüllen:

1. Die Residuen sind unabhängig voneinander. 
2. Es gibt eine lineare Beziehung zwischen der unabhängigen Variable X und der abhängigen Variable Y. 
3. Konstante Restvarianz auf jeder Ebene von X
4. Die Residuen sind normalverteilt. 

Hey, die Residuen in der linearen Regression sind die Differenz zwischen den tatsächlichen und den vorhergesagten Werten. 

Schreib eine Funktion find_bigrams, die eine Zeichenkette nimmt und eine Liste aller Bigramme zurückgibt.

Bei Programmier-Interviews wirst du zu Themen rund um maschinelles Lernen befragt, aber manchmal checken sie auch deine Python-Kenntnisse, indem sie dir allgemeine Programmierfragen stellen. Werde ein Python-Programmierprofi, indem du den Lernpfad „Python-Programmierer“ einschlägst. 

Eine Bigramm-Funktion zu erstellen ist echt einfach. Du musst zwei Schleifen mit der Zip-Funktion verwenden. 

1. Bei der Bigram-Funktion nehmen wir eine Liste der Sätze als Eingabe.
2. Eine Schleife erstellen, um auf einen einzelnen Satz zuzugreifen
3. Den Satz kürzen und in eine Liste von Wörtern aufteilen
4. Mit „ zip “ kannst du das vorherige und das nächste Wort verbinden.
5. Die Ausgabe an das Ergebnis hängen 
6. Die Ergebnisse ausdrucken.

Es ist ziemlich einfach, wenn du das Problem aufteilst und Zip-Funktionen benutzt. 

def bigram(text_list:list):
    result = []
    for ls in text_list:
        words = ls.lower().split()
        for bi in zip(words, words[1:]):
            result.append(bi)
    return result
text = ["Data drives everything", "Get the skills you need for the future of work"]
print(bigram(text))

Ergebnisse: 

[('Data', 'drives'), ('drives', 'everything'), ('Get', 'the'), ('the', 'skills'), ('skills', 'you'), ('you', 'need'), ('need', 'for'), ('for', 'the'), ('the', 'future'), ('future', 'of'), ('of', 'work')]

Was ist die Aktivierungsfunktion im maschinellen Lernen?

Die Aktivierungsfunktion ist eine nichtlineare Transformation in neuronalen Netzen. Wir lassen die Eingabe durch die Aktivierungsfunktion laufen, bevor wir sie an die nächste Schicht weitergeben. 

Der Netzeingangswert kann zwischen -inf und +inf liegen, und das Neuron weiß nicht, wie es die Werte begrenzen soll, sodass es das Auslösemuster nicht bestimmen kann. Die Aktivierungsfunktion entscheidet, ob ein Neuron aktiviert wird oder nicht, um die Netzeingangswerte zu begrenzen.  

Die häufigsten Arten von Aktivierungsfunktionen:

• Stufenfunktion
• Sigmoid-Funktion
• ReLU
• Leaky ReLu 

Wie würdest du eine Restaurantempfehlung auf Facebook erstellen?

Die Antwort liegt ganz bei dir. Bevor du antwortest, solltest du dir überlegen, welches Geschäftsziel du erreichen willst, um eine Leistungskennzahl festzulegen, und wie du die Daten sammeln willst. 

Bei einem typischen Design für maschinelles Lernen machen wir Folgendes:

• Sammle, bereinige und analysiere die Daten.
• Mach Feature Engineering
• Wähle eine Methode, einen Algorithmus oder ein Modell für maschinelles Lernen aus.
• Trainiere und schau dir die Leistung anhand von Test- und Validierungsdatensätzen an.
• Mach die Prozesse einfacher und bring das Modell in der Produktion zum Laufen.

Du solltest dich auf das Design konzentrieren und nicht so sehr auf die Theorie oder die Modellarchitektur. Sag unbedingt, wie die Modellinferenz funktioniert und wie man sie verbessern kann, um die Gesamteinnahmen zu steigern. 

Gib auch einen Überblick darüber, warum du eine bestimmte Methode der anderen vorgezogen hast. 

Lerne mehr über das Erstellen von Empfehlungssystemen, indem du einen Kurs bei DataCamp machst.

Schreib eine Funktion namens can_shift, die zurückgibt, ob A um eine bestimmte Anzahl von Stellen verschoben werden kann, um B zu erhalten, wenn du zwei Strings A und B hast.

Wenn du Programmieraufgaben löst und deine Python-Kenntnisse verbesserst, hast du bessere Chancen, die Programmier-Interviewphase zu meistern. 

Bevor du dich an die Lösung eines Problems machst, musst du die Frage verstehen. Du musst einfach eine boolesche Funktion erstellen, die „True“ zurückgibt, wenn du durch Verschieben der Buchstaben in String B den String A bekommst.  

A = 'abid'
B = 'bida'
can_shift(A, B) == True

• Gib „false“ zurück, wenn die Länge der Zeichenfolge nicht übereinstimmt. 
• Durchlaufe die Länge von String A
• Erstelle mut_a, um verschiedene Kombinationen von Zeichen mit der Zeichenfolge A zu bilden.
• Wenn mut_a während der Schleife gleich String B ist, gibt es True zurück, sonst gibt es False zurück.  

def can_shift(a, b):

    if len(a) != len(b):
        return False

    for i in range(len(a)):
        mut_a = a[i:] + a[:i]
        if mut_a == b:
            return True

    return False


A = 'abid'
B = 'bida'
print(can_shift(A, B))
>>> True

Was ist Ensemble-Lernen?

Beim Ensemble Learning werden die Erkenntnisse aus mehreren Machine-Learning-Modellen zusammengebracht, um die Genauigkeit und die Leistungskennzahlen zu verbessern. 

Einfache Ensemble-Methoden:

• Durchschnitt: Wir machen einen Durchschnitt aus den Vorhersagen von mehreren Modellen, die echt gut funktionieren.
• Gewichteter Durchschnitt: Wir geben den Modellen für maschinelles Lernen je nach Leistung unterschiedliche Gewichte und kombinieren sie dann.  

Fortgeschrittene Ensemble-Methoden:

• Das Bagging wird benutzt, um Abweichungsfehler zu minimieren. Es macht eine zufällige Auswahl der Trainingsdaten und trainiert sie auf den Modellen. Die Kombination der Modelle verringert die Abweichung und macht sie zuverlässiger als ein einzelnes Modell. 
• Boosting wird benutzt, um Verzerrungsfehler zu reduzieren und bessere Vorhersagemodelle zu erstellen. Es ist eine iterative Ensemble-Technik, die die Gewichte basierend auf der letzten Klassifizierung anpasst. Boosting-Algorithmen geben Beobachtungen, die das vorherige Modell nicht richtig vorhergesagt hat, mehr Gewicht.

Verpacken und Verstärken von Fernando López

Lerne mehr über Mittelwertbildung, Bagging, Stacking und Boosting, indem du den Kurs „Ensemble-Methoden in Python” machst. 

Fazit

Zum Abschluss unserer Reihe über wichtige Fragen im Vorstellungsgespräch zum Thema maschinelles Lernen ist klar, dass man für den Erfolg in solchen Gesprächen eine Mischung aus theoretischem Wissen, praktischen Fähigkeiten und einem Bewusstsein für die neuesten Trends und Technologien in diesem Bereich braucht. Von den grundlegenden Konzepten wie halbüberwachtem Lernen und Algorithmusauswahl bis hin zur Auseinandersetzung mit der Komplexität bestimmter Algorithmen wie KNN und der Bewältigung rollenspezifischer Herausforderungen in den Bereichen NLP, Computer Vision oder Reinforcement Learning ist das Spektrum riesig.

Egal, ob du ein Anfänger bist, der in diesem Bereich durchstarten will, oder ein erfahrener Profi, der sich weiterentwickeln möchte – kontinuierliches Lernen und Üben sind der Schlüssel zum Erfolg. DataCamp hat einen coolen Lernpfad für Machine Learning Scientist mit Python, der dir eine strukturierte und gründliche Möglichkeit bietet, deine Fähigkeiten zu verbessern.