yoklateknik mülakat
GelişimGeçmiş

ML Engineer Fe Text Highcardinality Features Mülakat Soruları

75 doğrulanmış ML Engineer Fe Text Highcardinality Features mülakat sorusu — cevaplarıyla çöz, açıklamalarıyla öğren, gerçek simülasyonda kendini test et.

Gerçek simülasyonu dene →

Örnek sorular

Fe Text Highcardinality FeaturesZorluk 3
scikit-learn 1.6 ile:

from sklearn.feature_extraction.text import CountVectorizer
v = CountVectorizer(tokenizer=str.split)
print(v.fit(['Buy A now', 'buy a NOW']).get_feature_names_out())


Aynı iki belge varsayılan bir CountVectorizer altında ['buy' 'now'] bildiriyor. Burada ekrana ne basılır?
  • a['buy' 'now'] — verilen tokenizer parçalarını yine token desenine teslim eder, desen tek harflik olanı atar.
  • b['a' 'buy' 'now'] — token deseni devre dışıdır; zira küçük harfe çevirme takastan sağ çıkar, uzunluk filtresi çıkmaz.✓
  • c['A' 'Buy' 'NOW' 'a' 'buy' 'now'] — verilen tokenizer metin işleme zincirinin tamamını, büyük-küçük harf dahil devralır.
  • d['Buy A now' 'buy a NOW'] — str.split'e korpus verilir, böylece her belge bütün hâlde tek bir token olur.
Açıklama:Özel bir tokenizer yalnız regex adımının yerine geçer ve scikit-learn token_pattern'in kullanılmayacağını uyarı olarak bile bildirir; diğer tüm aşamalar yerinde kalır. Ön işleme belgeyi callable görmeden önce küçük harfe çevirmeye devam eder, bir durak listesi de callable'ın döndürdüğüne yine uygulanırdı; görünen tek değişiklik tek karakterlik parçanın artık elenmemesidir.
Fe Text Highcardinality FeaturesZorluk 2
Bir ekip 'dog bites man' ve 'man bites dog' cümlelerini varsayılan bir CountVectorizer ile indeksliyor ve hiçbir sınıflandırıcının ikisini ayıramamasına şaşırıyor. Sayım matrisi bu iki satır için gerçekte ne içerir?
  • aİkisi de [1, 1, 1] olan özdeş iki satır: unigram sayımı konum bilgisi tutmaz.✓
  • bTek sütunda ayrışan iki satır; çünkü vectorizer her token'ın ilk konumunu da saklar.
  • cYalnızca binary=True verildiğinde özdeş iki satır; ham sayımlarda satırlar farklı olurdu.
  • dFarklı sütun kümeleri üzerinde iki satır; çünkü sözlük her belge için yeniden kurulur.
Açıklama:Bag-of-words temsili her sözlük teriminin kaç kez geçtiğini kaydeder, başka hiçbir şey tutmaz; bu yüzden aynı token'ların her permütasyonu aynı vektöre düşer. Komşuluğu geri kazanmak için tek token'dan geniş, birden fazla token'ı kapsayan feature'lar gerekir.
Fe Text Highcardinality FeaturesZorluk 2
scikit-learn 1.6 ile:

from sklearn.feature_extraction.text import CountVectorizer
v = CountVectorizer(ngram_range=(1, 2))
X = v.fit_transform(['red blue red'])
print(X.shape, X.toarray())


Ekrana ne basılır?
  • a(1, 2) [[2 1]] — yalnız unigram üretilir; bigram için ayrı bir analyzer ayarı gerekir.
  • b(1, 3) [[1 2 1]] — tekrar eden token, komşu çiftlerden birini kendi içinde eritir.
  • c(1, 4) [[1 1 2 1]] — iki unigram artı iki farklı komşu çift.✓
  • d(1, 5) [[1 1 2 1 1]] — iki geçişten 'red red' de bir bigram olarak üretilir.
Açıklama:(1, 2) aralığı unigram ve bigram'ları birlikte üretir. Burada unigram'lar 'blue' ve 'red', komşu çiftler ise 'red blue' ve 'blue red'; alfabetik sıralandığında dört sütun 'blue', 'blue red', 'red', 'red blue' olur ve yalnız 'red' iki kez sayılır.
Fe Text Highcardinality FeaturesZorluk 2
'buy now buy now buy' belgesi iki kez vektörleştiriliyor: bir kez CountVectorizer(), bir kez CountVectorizer(binary=True) ile. Varsayılan çalıştırma [3, 2] satırını üretiyor. İkincisi ne üretir ve neden?
  • a[1, 1] — mevcut olan her terim, kaç kez geçtiğine bakılmaksızın 1 olarak kaydedilir.✓
  • b[0.6, 0.4] — birden büyük sayımlar belgenin token uzunluğuna bölünür.
  • cYine [3, 2] — binary yalnızca saklanan dtype'ı tamsayıdan boolean'a çevirir, değerler aynı kalır.
  • d[3, 0] — yalnız en yüksek sayıma sahip terim tutulur, kalanlar sıfırlanır.
Açıklama:binary bayrağı tokenizasyondan sonra sıfır olmayan her sayımı bire kırpar, böylece satır frekansı değil varlığı taşır. Sözlük ve sütun yerleşimi hiç değişmez; yalnız saklanan değerler değişir, bu yüzden matris hâlâ iki sütunludur.
Fe Text Highcardinality FeaturesZorluk 3
Bir mühendis 'A-1', 'B-2', 'C-7' gibi kısa ürün kodlarından oluşan bir sütunu varsayılan bir CountVectorizer'a veriyor ve ValueError: empty vocabulary alıyor. Varsayılan tokenizer'ın hangi özelliği bunu açıklar?
  • aVarsayılan analyzer, sözlük kurulmadan önce üç token'dan kısa belgeleri eler.
  • bTire işareti belge ayırıcı sayılır, böylece her kod iki boş belge olarak okunur.
  • cÖn işlemede rakamlar atılır ve geriye kalan tek harfler gömülü durak kelime listesine düşer.
  • dVarsayılan token deseni en az iki kelime karakteri ister, tek karakterlik her parça elenir.✓
Açıklama:CountVectorizer'ın varsayılan token_pattern değeri (?u)\b\w\w+\b'dir ve yalnız iki ya da daha fazla kelime karakterinden oluşan dizileri eşler. Tire her kodu tek harf ile tek rakama böler, ikisi de eşleşemeyecek kadar kısadır; tokenizasyondan hiçbir şey çıkmaz ve sözlük boş kalır.
Fe Text Highcardinality FeaturesZorluk 1
Bir ürün kataloğunda aynı marka 'Apple', 'apple' ve 'APPLE' olarak yazılmış. Üzerinde varsayılan bir CountVectorizer fit ediliyor. Bu üç yazım kaç sözlük girdisi üretir?
  • aÜç tane — büyük-küçük harf token'ın parçasıdır, yalnız aksan temizleme birleştirebilirdi.
  • bBir tane; küçük harfe çevirme varsayılan olarak açıktır ve üçünü aynı token'a indirir.✓
  • cİki tane; tümü büyük yazım baş harfi büyük biçime katlanır, küçük yazım ayrı girdi kalır.
  • dBir tane, ama yalnız binary=True da verilirse; aksi hâlde her yazım kendi sütununu alır.
Açıklama:Varsayılan ön işleme adımı, token deseni uygulanmadan önce belgeyi küçük harfe çevirir; böylece üç varyant aynı dizgeye dönüşür ve tek sütunu paylaşır. lowercase=False verilseydi ayrı kalırlar ve üç ayrı sözlük girdisi oluştururlardı.

Uzmanlığa göre

Classical ML 450Deep Learning 450Feature Engineering 450

Kıdeme göre

ML Engineer JuniorML Engineer MidML Engineer Senior

Diğer alanlar

BackendFrontendFullstackDevOps / CloudAI EngineerVeritabanıMobilGüvenlikQA / Test OtomasyonuData EngineerOyun Geliştirme

1950 soruluk ML Engineer bankasında kendini sına.

Mülakata başla