2017年11月_Learn_ZhangK

11月 04月 03月 02月

翻译摘录机器学习的基本知识以及学习路线

每当提到机器学习，大家总是被其中的各种各样的算法和方法搞晕，觉得无从下手。确实，机器学习的各种套路确实不少，但是如果掌握了正确的路径和方法，其实还是有迹可循的，这里我推荐SAS的Li Hui的这篇博客，讲述了如何选择机器学习的各种方法。另外，Scikit-learn 也提供了一幅清晰的路线图给大家选择：其实机器学习的基本算法都很简单，下面我们就利用二

2017-11-24 09:35:20 402

翻译机器学习面试系列七

151.在下面哪种情况下，一阶梯度下降不一定正确工作（可能会卡住）？　　答案：（B）　　这是鞍点（Saddle Point）的梯度下降的经典例子。另，本题来源于：https://www.analyticsvidhya.com/blog/2017/01/must-know-questions-deep-learning/。152.下图显示了训练过的3层卷积

2017-11-20 14:16:10 2428

翻译机器学习面试系列六

101.深度学习（CNN RNN Attention）解决大规模文本分类问题 https://zhuanlan.zhihu.com/p/25928551102.如何解决RNN梯度爆炸和弥散的问题的？本题解析来源：http://blog.csdn.net/han_xiaoyang/article/details/51932536 为了解决梯

2017-11-20 14:12:32 782

翻译机器学习面试系列五

81.Nave Bayes是一种特殊的Bayes分类器,特征变量是X,类别标签是C,它的一个假定是:(C) A.各类别的先验概率P(C)是相等的 B.以0为均值，sqr(2)/2为标准差的正态分布 C.特征变量X的各个维度是类别条件独立随机变量 D.P(X|C)是高斯分布 @BlackEyes_SGC：朴素贝叶斯的条件就是每个变量相互独立。82.

2017-11-20 14:09:32 1283

翻译机器学习面试系列四

61.说说梯度下降法 @LeftNotEasy，本题解析来源：http://www.cnblogs.com/LeftNotEasy/archive/2010/12/05/mathmatic_in_machine_learning_1_regression_and_gradient_descent.html 下面是一个典型的机器学习的过程，首先给出一个输入数据，我们的算法会通过一

2017-11-20 14:07:20 1987

翻译机器学习面试系列三

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

2017-11-20 13:52:40 747

翻译机器学习面试系列二

21.请大致对比下plsa和LDA的区别 pLSA中，主题分布和词分布确定后，以一定的概率（、）分别选取具体的主题和词项，生成好文档。而后根据生成好的文档反推其主题分布、词分布时，最终用EM算法（极大似然估计思想）求解出了两个未知但固定的参数的值：（由转换而来）和（由转换而来）。文档d产生主题z的概率，主题z产生单词w的概率都是两个固定的值。举个文档d产生主题z的

2017-11-20 13:51:05 1074

翻译机器学习面试系列一

1.请简要介绍下SVM 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，http://blog.csdn.net/v_july_v/article/details/7624837。此外，这里有个视频

2017-11-20 13:48:48 603