آموزش دوره آمادگی مصاحبه یادگیری عمیق | ۱۰۰ پرسش و پاسخ تخصصی - آخرین آپدیت

آمادگی مصاحبه یادگیری عمیق Deep Learning Interview Preparation

• سؤال ۱: یادگیری عمیق چیست؟ Q1 - What is Deep Learning

• سؤال ۲: یادگیری عمیق چه تفاوتی با یادگیری ماشین سنتی دارد؟ Q2 - How does Deep Learning differ from traditional Machine Learning?

• سؤال ۳: شبکه عصبی چیست؟ Q3 - What is a Neural Network?

• سؤال ۴: مفهوم نورون در یادگیری عمیق را توضیح دهید. Q4 - Explain the concept of a neuron in Deep Learning.

• سؤال ۵: معماری شبکه‌های عصبی را به زبان ساده توضیح دهید. Q5 - Explain architecture of Neural Networks in simple way

• سؤال ۶: تابع فعال‌ساز در شبکه عصبی چیست؟ Q6 - What is an activation function in a Neural Network?

• سؤال ۷: چند مورد از توابع فعال‌ساز محبوب را نام برده و شرح دهید. Q7 - Name few popular activation functions and describe them

• سؤال ۸: اگر از هیچ تابع فعال‌سازی در شبکه عصبی استفاده نکنید چه اتفاقی می‌افتد؟ Q8 - What happens if you do not use any activation functions in a NN?

• سؤال ۹: نحوه آموزش شبکه‌های عصبی پایه را شرح دهید. Q9 - Describe how training of basic Neural Networks works

• سؤال ۱۰: گرادینت دیسند (Gradient Descent) چیست؟ Q10 - What is Gradient Descent?

• سؤال ۱۱: نقش بهینه‌ساز (Optimizer) در یادگیری عمیق چیست؟ Q11 - What is the function of an optimizer in Deep Learning?

• سؤال ۱۲: پس‌انتشار (Backpropagation) چیست و چرا در یادگیری عمیق اهمیت دارد؟ Q12 - What is backpropagation, and why is it important in Deep Learning?

• سؤال ۱۳: پس‌انتشار چه تفاوتی با گرادینت دیسند دارد؟ Q13 - How is backpropagation different from gradient descent?

• سؤال ۱۴: مشکل محو شدن گرادینت (Vanishing Gradient) و تاثیر آن بر شبکه عصبی را شرح دهید. Q14 - Describe what Vanishing Gradient Problem is and it’s impact on NN

• سؤال ۱۵: مشکل انفجار گرادینت (Exploding Gradients) و تاثیر آن بر شبکه عصبی را شرح دهید. Q15 - Describe what Exploding Gradients Problem is and it’s impact on NN

• سؤال ۱۶: اگر یک نورون منجر به خطای بزرگی در پس‌انتشار شود، دلیل آن چیست؟ Q16 - There is a neuron results in a large error in backpropagation. Reason?

• سؤال ۱۷: گراف محاسباتی (Computational Graph) را چگونه درک می‌کنید؟ Q17 - What do you understand by a computational graph?

• سؤال ۱۸: تابع زیان (Loss Function) چیست و چه توابع زیانی در یادگیری عمیق استفاده می‌شود؟ Q18 - What is Loss Function and what are various Loss functions used in DL?

• سؤال ۱۹: تابع زیان Cross Entropy چیست و در صنعت با چه نامی شناخته می‌شود؟ Q19 - What is Cross Entropy loss function and how is it called in industry?

• سؤال ۲۰: چرا Cross Entropy در طبقه‌بندی چندکلاسی ترجیح داده می‌شود؟ Q20 - Why is Cross-entropy favored in multi-class classification?

• سؤال ۲۱: SGD چیست و چرا در آموزش شبکه‌های عصبی استفاده می‌شود؟ Q21 - What is SGD and why it’s used in training Neural Networks?

• سؤال ۲۲: چرا گرادینت دیسند تصادفی (SGD) در نزدیکی مینیمم‌های محلی نوسان می‌کند؟ Q22 - Why does stochastic gradient descent oscillate towards local minima?

• سؤال ۲۳: تفاوت GD با SGD در چیست؟ Q23 - How is GD different from SGD?

• سؤال ۲۴: روش‌های بهینه‌سازی مانند GD چگونه می‌توانند بهبود یابند؟ Q24 - How can optimization methods like GD be improved?

• سؤال ۲۵: مقایسه Batch GD، Minibatch GD و SGD. Q25 - Compare batch GD, minibatch GD, and SGD.

• سؤال ۲۶: اندازه دسته (Batch Size) در یادگیری عمیق چگونه تعیین می‌شود؟ Q26 - How to decide batch size in deep learning?

• سؤال ۲۷: اندازه دسته چه تاثیری بر عملکرد مدل یادگیری عمیق دارد؟ Q27 - How does the batch size impact the performance of a deep learning model?

• سؤال ۲۸: ماتریس هسین (Hessian) چیست و چگونه برای آموزش سریع‌تر استفاده می‌شود؟ Q28 - What is Hessian, and how can it be used for faster training?

• سؤال ۲۹: RMSProp چیست و چگونه کار می‌کند؟ Q29 - What is RMSProp and how does it work?

• سؤال ۳۰: مفهوم نرخ یادگیری تطبیقی (Adaptive Learning Rate) را بررسی کنید. Q30 - Discuss the concept of an adaptive learning rate.

• سؤال ۳۱: Adam چیست و چرا در بیشتر شبکه‌های عصبی استفاده می‌شود؟ Q31 - What is Adam and why is it used most of the time in NNs?

• سؤال ۳۲: AdamW چیست و چرا نسبت به Adam ترجیح داده می‌شود؟ Q32 - What is AdamW and why it’s preferred over Adam?

• سؤال ۳۳: نرمال‌سازی دسته‌ای (Batch Normalization) چیست و چرا در شبکه عصبی استفاده می‌شود؟ Q33 - What is Batch Normalization and why it’s used in NN?

• سؤال ۳۴: نرمال‌سازی لایه‌ای (Layer Normalization) چیست و چرا در شبکه عصبی استفاده می‌شود؟ Q34 - What is Layer Normalization, and why it’s used in NN?

• سؤال ۳۵: اتصالات باقی‌مانده (Residual Connections) و نقش آن‌ها در شبکه عصبی چیست؟ Q35 - What are Residual Connections and their function in NN?

• سؤال ۳۶: برش گرادینت (Gradient Clipping) چیست و چه تاثیری بر شبکه عصبی دارد؟ Q36 - What is Gradient clipping and their impact on NN?

• سؤال ۳۷: مقداردهی اولیه Xaivier چیست و چرا در شبکه عصبی استفاده می‌شود؟ Q37 - What is Xavier Initialization and why it’s used in NN?

• سؤال ۳۸: روش‌های مختلف برای حل مشکل محو شدن گرادینت چیست؟ Q38 - What are different ways to solve Vanishing gradients?

• سؤال ۳۹: راه‌های حل مشکل انفجار گرادینت چیست؟ Q39 - What are ways to solve Exploding Gradients?

• سؤال ۴۰: تاثیر بیش‌برازش (Overfitting) در شبکه‌های عصبی با وزن‌های بزرگ چیست؟ Q40 - What's the impact of overfitting in neural networks with large weights?

• سؤال ۴۱: Dropout چیست و چگونه کار می‌کند؟ Q41 - What is Dropout and how does it work?

• سؤال ۴۲: Dropout چگونه از بیش‌برازش در شبکه عصبی جلوگیری می‌کند؟ Q42 - How does Dropout prevent overfitting in NN?

• سؤال ۴۳: آیا Dropout مشابه Random Forest است؟ Q43 - Is Dropout like Random Forest?

• سؤال ۴۴: تاثیر Dropout بر آموزش در مقابل تست چیست؟ Q44 - What is the impact of Drop Out on the training vs testing?

• سؤال ۴۵: منظم‌سازهای L1 و L2 چیستند و چگونه از بیش‌برازش در شبکه عصبی جلوگیری می‌کنند؟ Q45 - What are L2/L1 Regularizations and how do they prevent overfitting in NN?

• سؤال ۴۶: تفاوت بین منظم‌سازی L1 و L2 در شبکه عصبی چیست؟ Q46 - What is the difference between L1 and L2 regularizations in NN?

• سؤال ۴۷: منظم‌سازی L1 در مقابل L2 چه تاثیری بر وزن‌های شبکه عصبی دارد؟ Q47 - How do L1 vs L2 Regularization impact the Weights in a NN?

• سؤال ۴۸: نفرین ابعاد (Curse of Dimensionality) در یادگیری ماشین یا AI چیست؟ Q48 - What is the curse of dimensionality in ML or AI?

• سؤال ۴۹: مدل‌های یادگیری عمیق چگونه با نفرین ابعاد مقابله می‌کنند؟ Q49 - How deep learning models tackle the curse of dimensionality?

• سؤال ۵۰: مدل‌های مولد (Generative Models) چیستند؟ مثال بزنید. Q50 - What are Generative Models, give examples?

• سؤال ۵۱: مدل‌های تمایزگر (Discriminative Models) چیستند؟ مثال بزنید. Q51 - What are Discriminative Models, give examples?

• سؤال ۵۲: تفاوت بین مدل‌های مولد و تمایزگر چیست؟ Q52 - What is the difference between generative and discriminative models?

• سؤال ۵۳: اتو-انکودرها (Autoencoders) چیستند و چگونه کار می‌کنند؟ Q53 - What are Autoencoders and How Do They Work?

• سؤال ۵۴: تفاوت بین اتو-انکودرها و سایر شبکه‌های عصبی چیست؟ Q54 - What is the Difference Between Autoencoders and Other Neural Networks?

• سؤال ۵۵: چند مورد از اتو-انکودرهای محبوب را نام ببرید. Q55 - What are some popular autoencoders, mention few?

• سؤال ۵۶: نقش تابع زیان در اتو-انکودرها چیست؟ Q56 - What is the role of the Loss function in Autoencoders

• سؤال ۵۷: اتو-انکودرها چه تفاوتی با PCA دارند؟ Q57 - How do autoencoders differ from (PCA)?

• سؤال ۵۸: برای بازسازی، کدام یک بهتر است: اتو-انکودر خطی یا PCA؟ Q58 - Which one is better for reconstruction linear autoencoder or PCA?

• سؤال ۵۹: چگونه می‌توان PCA را با شبکه‌های عصبی بازسازی کرد؟ Q59 - How can you recreate PCA with neural networks?

• سؤال ۶۰: توضیح دهید که چگونه اتو-انکودرها می‌توانند برای تشخیص ناهنجاری (Anomaly Detection) استفاده شوند؟ Q60 - Can You Explain How Autoencoders Can be Used for Anomaly Detection?

• سؤال ۶۱: برخی از کاربردهای اتو-انکودرها چیست؟ Q61 - What are some applications of AutoEncoders?

• سؤال ۶۲: چگونه می‌توان عدم قطعیت (Uncertainty) را به اتو-انکودرها وارد کرد؟ Q62 - How can uncertainty be introduced into Autoencoders?

• سؤال ۶۳: VAE چیست و فرآیند آموزش آن را شرح دهید؟ Q63 - Can you explain what VAE is and describe its training process?

• سؤال ۶۴: واگرایی کولبک-لیبلر (KL divergence) را توضیح دهید. Q64 - Explain what Kullback-Leibler (KL) divergence is

• سؤال ۶۵: زیان بازسازی (Reconstruction Loss) چیست و نقش آن در VAEها چیست؟ Q65 - Can you explain what reconstruction loss is & it’s function in VAEs?

• سؤال ۶۶: ELBO چیست و موازنه بین کیفیت بازسازی در اینجا چگونه است؟ Q66 - What is ELBO & What is this trade-off between reconstruction quality?

• سؤال ۶۷: فرآیند آموزش و بهینه‌سازی VAEها را توضیح دهید. Q67 - Can you explain the training & optimization process of VAEs?

• سؤال ۶۸: ایجاد تعادل بین بازسازی VAE و فضای نهفته (Latent Space) چگونه است؟ Q68 - Balancing VAE reconstruction and latent space?

• سؤال ۶۹: ترفند پارامترسازی مجدد (Reparametrization trick) چیست و چرا اهمیت دارد؟ Q69 - What is Reparametrization trick and why is it important?

• سؤال ۷۰: DGG چیست: خوشه‌بندی عمیق با VAE مخلوط گاوسی و جاسازی گراف؟ Q70 - What is DGG: Deep Clustering with Gaussian-mixture VAE and Graph Embedding

• سؤال ۷۱: مقایسه شبکه عصبی در مقابل رگرسیون لجستیک؟ Q71 - Neural net vs. logistic regression comparison?

• سؤال ۷۲: آیا تمام گرادینت‌ها در رگرسیون لجستیک هم‌گرا می‌شوند؟ Q72 - Do all gradients converge in logistic regression?

• سؤال ۷۳: شبکه عصبی کانولوشنال (CNN) چیست؟ Q73 - What is a Convolutional Neural Network?

• سؤال ۷۴: Padding چیست و چرا در شبکه‌های عصبی کانولوشنال استفاده می‌شود؟ Q74 - What is padding and why it’s used in Convolutional Neural Networks (CNNs)?

• سؤال ۷۵: کانولوشن‌های Padding شده: Valid و Same Padding چه هستند؟ Q75 - Padded Convolutions: What are Valid and Same Paddings?

• سؤال ۷۶: Stride در CNN چیست و چرا استفاده می‌شود؟ Q76 - What is stride in CNN and why is it used?

• سؤال ۷۷: تاثیر اندازه Stride بر CNNها چیست؟ Q77 - What is the impact of Stride size on CNNs?

• سؤال ۷۸: Pooling چیست، شهود پشت آن چیست و چرا در CNN استفاده می‌شود؟ Q78 - What is Pooling, what is the intuition behind it and why is it used in CNN

• سؤال ۷۹: انواع رایج Pooling در CNN چیست؟ Q79 - What are common types of pooling in CNN?

• سؤال ۸۰: چرا از Min Pooling استفاده نمی‌شود؟ Q80 - Why min pooling is not used?

• سؤال ۸۱: ناوردا بودن نسبت به انتقال (Translation Invariance) چیست و چرا مهم است؟ Q81 - What is translation invariance and why is it important?

• سؤال ۸۲: یک شبکه عصبی کانولوشنال یک‌بعدی (1D CNN) چگونه کار می‌کند؟ Q82 - How does a 1D Convolutional Neural Network (CNN) work?

• سؤال ۸۳: شبکه‌های عصبی بازگشتی (RNN) چیستند؟ Q83 - What are Recurrent Neural Networks?

• سؤال ۸۴: معایب اصلی RNNها چیست؟ Q84 - What are the main disadvantages of RNNs?

• سؤال ۸۵: برخی از کاربردهای RNN چیست؟ Q85 - What are some applications of RNN?

• سؤال ۸۶: مشکل محو شدن گرادینت در RNNها را چگونه حل می‌کنید؟ Q86 - How do you fix Vanishing Gradient in RNNs?

• سؤال ۸۷: LSTMها چیستند و اجزای کلیدی آن‌ها کدامند؟ Q87 - What are LSTMs and their key components?

• سؤال ۸۸: LSTMها کدام محدودیت‌های RNN را برطرف می‌کنند و چگونه؟ Q88 - What limitations of RNN that LSTMs do and don’t address and how?

• سؤال ۸۹: واحد بازگشتی گیت‌دار (GRU) چیست و چه تفاوتی با LSTM دارد؟ Q89 - What is a gated recurrent unit (GRU) and how is it different from LSTMs?

• سؤال ۹۰: GANها و اجزای آن‌ها چگونه کار می‌کنند؟ Q90 - How do GANs and their components work?

• سؤال ۹۱: شرح دهید که چگونه از GANها برای تبدیل تصویر (Image Translation) استفاده می‌کنید. Q91 - Describe how you would use GANs for image translation

• سؤال ۹۲: مشکل فروپاشی مود (Mode Collapse) و محو شدن گرادینت را در GAN چگونه حل می‌کنید؟ Q92 - How would you address mode collapse and vanishing gradients in GAN?

• سؤال ۹۳: توکن امبدینگ‌ها (Token Embeddings) چیستند و نقش آن‌ها چیست؟ Q94 - What are token embeddings and what is their function?

• سؤال ۹۴: مکانیزم خود-توجهی (Self Attention) چیست؟ Q95 - What is the self-attention mechanism?

• سؤال ۹۵: Multi-Head Self Attention چیست؟ Q96 - What is Multi-Head Self-Attention?

• سؤال ۹۶: ترنسفورمرها در مقابل محدودیت‌های RNN/LSTM؟ Q97 - Transformers vs. RNN/LSTM limitations?

• سؤال ۹۷: معماری ترنسفورمرها را مرحله به مرحله توضیح دهید. Q98 - Walk me through the architecture of transformers.

• سؤال ۹۸: کدگذاری‌های موقعیتی (Positional Encodings) چیستند و چگونه محاسبه می‌شوند؟ Q99 - What are positional encodings and how are they calculated?

• سؤال ۹۹: هدف از کدگذاری‌های موقعیتی در ترنسفورمرها چیست؟ Q100 - Purpose of positional encodings in Transformers?

بخش جایزه Bonus Section

• یادگیری بیشتر به صورت رایگان Learning More for free

• کتاب جامع مبانی یادگیری ماشین Machine Learning Fundamentals - Complete Handbook

• مبانی یادگیری عمیق Deep Learning Fundamentals