人工智能、深度学习、机器学习常见面试题201~220

目录

201.什么是迁移学习？

202.为什么需要迁移学习？

203.迁移学习的基本问题有哪些？

204.迁移学习有哪些常用概念？

205.迁移学习与传统机器学习有什么区别？

206.迁移学习的核心及度量准则？

207.什么情况下可以使用迁移学习？

208.什么是finetune？

209.什么是深度网络自适应

210. GAN在迁移学习中的应用

211.什么是强化学习？

212.强化学习和监督学习、无监督学习的区别

213.什么是多任务学习

214.训练误差和泛化误差

215.在机器学习中该如何选择模型

216.什么是 K 折交叉验证？

217.拟合和过拟合

218.mini-batch梯度下降的优缺点

219.调节 Batch_Size 对训练效果影响到底如何？

220.有哪些改善模型的思路

---

201.什么是迁移学习？

       迁移学习(Transfer Learning)是一种机器学习方法，就是把为任务 A 开发的模型作为初始点，重新使用在为任务 B 开发模型的过程中。迁移学习是通过从已学习的相关任务中转移知识来改进学习的新任务，虽然大多数机器学习算法都是为了解决单个任务而设计的，但是促进迁移学习的算法的开发是机器学习社区持续关注的话题。 迁移学习对人类来说很常见，例如，我们可能会发现学习识别苹果可能有助于识别梨，或者学习弹奏电子琴可能有助于学习钢琴。找到目标问题的相似性，迁移学习任务就是从相似性出发，将旧领域(domain)学习过的模型应用在新领域上。

202.为什么需要迁移学习？

1. **大数据与少标注的矛盾**：虽然有大量的数据，但往往都是没有标注的，无法训练机器学习模型。人工进行数据标定太耗时。
2. **大数据与弱计算的矛盾**：普通人无法拥有庞大的数据量与计算资源。因