为了准备面试,所以在网上搜集一些深度学习面试题,还有自己面试过程中遇到的一些问题吧。
我自己面试的:
1 SVM推导,SVM多分类方法(1对1 ,1对多,多对多),lr loss funtion 推导 ,决策树含义。
2 解决过拟合方法。l1 l2详细介绍,解决梯度爆炸/弥散 方法
3 常用cnn及介绍,每一个经典模型的创新点
4 自己的炼丹(调参)技巧
5 kmeans adaboost
6 lr里面公式为啥用e(lr是指数组分布和广义线性模型推出来的,逻辑回归也自然是一种广义线性模型,所以e就从指数组分布中得来)
http://blog.csdn.net/u011467621/article/details/48197943
7.生成模型借助于联合概率分布才能求解出来,判别模型不需要联合概率分布
8.样本不均衡问题可以通过上采样和下采样来解决,即多的样本通过取其中一部分,少的样本重复利用。或者通过修改loss 函数,修改样本的权值,让少样本的更大权值。
9.决策树怎么做回归。让所有节点求平均值。
10. 拟牛顿法: 对loss函数二阶泰勒展开,让一阶项和二阶项极小化,即函数对所求参数的导数为0,得到迭代公式。
别人总结的:
https://www