https://blog.csdn.net/sinat_35512245/article/details/78796328

41.线性分类器与非线性分类器的区别以及优劣 如果模型是参数的线性函数,并且存在线性分类面,那么就是线性分类器,否则不是.常见的线性分类器有:LR,贝叶斯分类,单层感知机.线性回归常见的非线性分类器:决策树.RF.GBDT.多层感知机SVM两种都有(看线性核还是高斯核)线性分类器速度快.编程方便,但是可能拟合效果不会很好非线性分类器编程复杂,但是效果拟合能力强 42.数据的逻辑存储结构(如数组,队列,树等)对于软件开发具有十分重要的影响,试对你所了解的各种存储结构从运行速度.存储效率和适用场合等

本文总结ML面试常见的问题集 转载来源:https://blog.csdn.net/v_july_v/article/details/78121924 71.看你是搞视觉的,熟悉哪些CV框架,顺带聊聊CV最近五年的发展史如何? 原英文:adeshpande3.github.io作者:Adit Deshpande,UCLA CS研究生译者:新智元闻菲.胡祥杰译文链接:https://mp.weixin.qq.com/s?__biz=MzI3MTA0MTk1MA==&mid=2651986617&am

本文总结ML面试常见的问题集 转载来源:https://blog.csdn.net/v_july_v/article/details/78121924 1.简要介绍SVM 全称是support vector machine,中文名叫支持向量机.SVM是一个面向数据的分类算法,它的目标是为确定一个分类超平面,从而将不同的数据分隔开. 扩展:这里有篇文章详尽介绍了SVM的原理.推导,<支持向量机通俗导论(理解SVM的三层境界)>.此外,这里有个视频也是关于SVM的推导:<纯白板手推SVM&g

本文总结ML面试常见的问题集 转载来源:https://blog.csdn.net/v_july_v/article/details/78121924 91 简单说说RNN的原理?我们升学到高三准备高考时,此时的知识是由高二及高二之前所学的知识加上高三所学的知识合成得来,即我们的知识是由前序铺垫,是有记忆的,好比当电影字幕上出现:“我是”时,你会很自然的联想到:“我是中国人”.关于RNN,这里有课程详细讲RNN,包括RNN条件生成.attention,以及LSTM等等均有细致讲解:深度学习 [同

本文总结ML面试常见的问题集 转载来源:https://blog.csdn.net/v_july_v/article/details/78121924 81.已知一组数据的协方差矩阵P,下面关于主分量说法错误的是()A.主分量分析的最佳准则是对一组数据进行按一组正交基分解, 在只取相同数量分量的条件下,以均方误差计算截尾误差最小 B.在经主分量分解后,协方差矩阵成为对角矩阵 C.主分量分析就是K-L变换 D.主分量是通过求协方差矩阵的特征值得到正确答案: C@BlackEyes_SGC:K-L变

本文总结ML面试常见的问题集 转载来源:https://blog.csdn.net/v_july_v/article/details/78121924 51.简单说下sigmoid激活函数 常用的非线性激活函数有sigmoid.tanh.relu等等,前两者sigmoid/tanh比较常见于全连接层,后者relu常见于卷积层.这里先简要介绍下最基础的sigmoid函数(btw,在本博客中SVM那篇文章开头有提过). sigmoid的函数表达式如下 其中z是一个线性组合,比如z可以等于:b + *

本文总结ML面试常见的问题集 转载来源:https://blog.csdn.net/v_july_v/article/details/78121924 31.下列哪个不属于CRF模型对于HMM和MEMM模型的优势(B ) A. 特征灵活  B. 速度快  C. 可容纳较多上下文信息  D. 全局最优首先,CRF,HMM(隐马模型),MEMM(最大熵隐马模型)都常用来做序列标注的建模.隐马模型一个最大的缺点就是由于其输出独立性假设,导致其不能考虑上下文的特征,限制了特征的选择最大熵隐马模型则解决了

本文总结ML面试常见的问题集 转载来源:https://blog.csdn.net/v_july_v/article/details/78121924 21.请简要说说EM算法. @tornadomeet,本题解析来源:http://www.cnblogs.com/tornadomeet/p/3395593.html有时候因为样本的产生和隐含变量有关(隐含变量是不能观察的),而求模型的参数时一般采用最大似然估计,由于含有了隐含变量,所以对似然函数参数求导是求不出来的,这时可以采用EM算法来求模型

本文总结ML面试常见的问题集 转载来源:https://blog.csdn.net/v_july_v/article/details/78121924 61.说说共轭梯度法? @wtq1993,http://blog.csdn.net/wtq1993/article/details/51607040    共轭梯度法是介于梯度下降法(最速下降法)与牛顿法之间的一个方法,它仅需利用一阶导数信息,但克服了梯度下降法收敛慢的缺点,又避免了牛顿法需要存储和计算Hessian矩阵并求逆的缺点,共轭梯度法不