NLP ve Hugging Face
Tokenization, embeddings, BERT, GPT, Hugging Face Transformers, fine-tuning, pipelines, inference
1Doğal dil işlemede tokenization'ın ana işlevi nedir?
Doğal dil işlemede tokenization'ın ana işlevi nedir?
Cevap
Tokenization, ham metni token adı verilen daha küçük birimlere böler. Bunlar kelimeler, alt kelimeler veya karakterler olabilir. Bu adım, dil modellerinin ham metni doğrudan işleyememesi nedeniyle zorunludur. Her token daha sonra modelin işleyebileceği sayısal bir tanımlayıcıya dönüştürülür.
2BPE (Byte Pair Encoding) algoritmasının kelime düzeyinde tokenization'a göre temel avantajı nedir?
BPE (Byte Pair Encoding) algoritmasının kelime düzeyinde tokenization'a göre temel avantajı nedir?
Cevap
BPE, bilinmeyen kelimeleri (out-of-vocabulary) bilinen alt birimlere ayırarak işler. Bilinmeyen kelimeleri özel [UNK] token'ı ile değiştiren kelime düzeyinde tokenization'ın aksine, BPE herhangi bir kelimeyi kelime dağarcığında bulunan alt kelimelerin bir kombinasyonu olarak temsil edebilir ve eğitim sırasında hiç görülmemiş kelimelere genellemeyi mümkün kılar.
3Kelime dağarcığı oluşturma açısından WordPiece ile BPE arasındaki temel fark nedir?
Kelime dağarcığı oluşturma açısından WordPiece ile BPE arasındaki temel fark nedir?
Cevap
BPE en sık karşılaşılan token çiftlerini birleştirirken, WordPiece eğitim korpusunun olabilirliğini maksimize eden birleştirmeleri seçer. Böylece WordPiece, sadece frekansa dayalı olmayan olasılıksal bir kriter kullanır ve nihai dil modeline potansiyel olarak daha uygun, biraz farklı bölmeler üretebilir.
Statik word embeddings (Word2Vec) ile bağlamsal embeddings (BERT) arasındaki ana fark nedir?
BERT tarafından kullanılan iki pre-training görevi nedir?
+21 mülakat soruları
Diğer Data Science & ML mülakat konuları
Python Temelleri
Python Nesne Yönelimli Programlama
Python Veri Yapıları
Git Temelleri
SQL Temelleri
NumPy Temelleri
Pandas Temelleri
Jupyter & Google Colab
SQL Joins ve Gelişmiş Sorgular
İleri Pandas
Matplotlib & Seaborn ile Görselleştirme
Plotly ile Etkileşimli Görselleştirmeler
Tanımlayıcı İstatistik
Çıkarımsal İstatistik
Web Scraping
BigQuery & Cloud Data
Feature Engineering
Denetimli ML: Regresyon
Denetimli ML: Sınıflandırma
Karar Ağaçları ve Topluluk Yöntemleri
Denetimsiz ML
ML Pipeline'ları & Doğrulama
Zaman Serileri & Tahminleme
Deep Learning Temelleri
TensorFlow & Keras
CNN ve görüntü sınıflandırma
RNN ve Diziler
Transformers ve Attention
GenAI ve LangChain
MLOps ve Dağıtım
Bir sonraki mülakatın için Data Science & ML'de uzmanlaş
Tüm sorulara, flashcards'a, teknik testlere, code review alıştırmalarına ve mülakat simülatörlerine eriş.
Ücretsiz başla