人工智能、深度学习、机器学习常见面试题221~240

已于 2022-08-17 21:32:04 修改
阅读量508 收藏
点赞数 2
分类专栏： ★求职1:深度学习/FPGA/机器视觉/算法手撕代码 文章标签： 机器学习 人工智能 深度学习 机器学习面试 人工智能面试
于 2022-08-17 21:31:37 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ccsss22/article/details/126394249
版权
本文介绍了22个关于机器学习、深度学习和人工智能的面试问题，涵盖逻辑回归、Sigmoid函数、损失函数、随机森林、LightGBM等重要概念。内容包括这些算法的原理、优缺点及其应用，如逻辑回归的Sigmoid转换、随机森林的分类效果和处理缺失值的方法、LightGBM的直方图差加速等。同时讨论了模型剪枝、决策树与SVM的区别及应用。
摘要由CSDN通过智能技术生成

目录

221.什么是逻辑回归？

222.什么是Sigmoid函数？

223.损失函数是什么？ 

224.逻辑回归有什么优点？

225.逻辑回归有哪些应用？

226.逻辑斯特回归为什么要对特征进行离散化

227.什么是随机森林？

228.随机森林分类效果的影响因素？

229.随机森林有什么优缺点？

230.随机森林如何处理缺失值？

231.LightGBM是什么？

232.直方图差加速

233.决策树如何剪枝

234.分类决策树和回归决策树的区别？

235.树形结构为什么不需要归一化?

236.决策树如何剪枝？

237.SVM具体有哪些应用？

238.加入松弛变量的SVM的训练误差可以为0吗？

239.带核的SVM为什么能分类非线性问题？

240.LR和SVM的联系与区别

221.什么是逻辑回归？

逻辑回归是用来做分类算法的，大家都熟悉线性回归，一般形式是Y=aX+b，y的取值范围是[-∞, +∞]，有这么多取值，怎么进行分类呢？不用担心，伟大的数学家已经为我们找到了一个方法。

也就是把Y的结果带入一个非线性变换的**Sigmoid函数**中，即可得到[0,1]之间取值范围的数S，S可以把它看成是一个概率值，如果我们设置概率阈值为0.5，那么S大于0.5可以看成是正样本，小于0.5看成是负样本，就可以进行分类了。
 

222.什么是Sigmoid函数？

 函数中t无论取什么值，其结果都在[0,-1]的区间内ÿ

了解本专栏 订阅专栏 解锁全文
fpga和matlab
关注
专栏目录
订阅专栏
人工智能、深度学习、机器学习常见面试题121~140
FPGA/MATLAB学习教程/源码/项目合作开发
08-15 1921
kNN算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。...
人工智能、深度学习、机器学习常见面试题241~260
FPGA/MATLAB学习教程/源码/项目合作开发
08-17 621
假设你有许多小明同学一天内不同时段的照片，从小明提裤子起床到脱裤子睡觉各个时间段都有（小明是照片控！）。现在的任务是对这些照片进行分类。比如有的照片是吃饭，那就给它打上吃饭的标签；有的照片是跑步时拍的，那就打上跑步的标签；有的照片是开会时拍的，那就打上开会的标签。问题来了，你准备怎么干？一个简单直观的办法就是，不管这些照片之间的时间顺序，想办法训练出一个多元分类器。就是用一些打好标签的照片作为训练数据，训练出一个模型，直接根据照片的特征来分类。...
人工智能、深度学习、机器学习常见面试题56~70
FPGA/MATLAB学习教程/源码/项目合作开发
08-13 926
生成对抗网络的一个简单解释如下：假设有两个模型，一个是生成模型（Generative Model，下文简写G），一个是判别模型（Discriminative Model，下文简写D），判别模型（D）的任务就是判断一个实例是真实的还是由模型生成的，生成模型（G）的任务是生成一个实例来骗过判别模型（D），两个模型互相对抗，发展下去就会达到一个平衡，生成模型生成的实例与真实的没有区别，判别模型无法区分自然的还是模型生成的。当梯度下降过程中，模型的目标函数取得了较高的误差时，梯度将被送到远离决策面的位置。...
人工智能、深度学习、机器学习常见面试题281~300
FPGA/MATLAB学习教程/源码/项目合作开发
08-18 708
智能客服产生的背景：为什么要有智能客服这样的一个产品，或者说研究方向呢？主要有以下这几个原因：- 我们日常生活中会遇到大量的客服问题，比如说你打电话给联通、移动等，或者说在淘宝上买东西，这些问题大部分都是一些重复的问题，而且频率也特别高，非常的耗人工；- 对于一个客服密集型的企业来说，大量的人工客服，造成了企业的客服成本非常的高；- 人工客服是没有办法做到 24 小时全天候的服务；- 在客户和客服的对话的过程中产生了大量的有价值的数据，这些数据也没有被很好的利用起来。...
人工智能、深度学习、机器学习常见面试题83~100
FPGA/MATLAB学习教程/源码/项目合作开发
08-13 1120
随着路径的不断延伸，机器人在建图过程中会存在一些累计误差，除了利用局部优化、全局优化等来调整之外，还可以利用回环检测来优化位姿。回环检测，又称闭环检测，是指机器人识别曾到达某场景，使得地图闭环的能力。说的简单点，就是机器人在左转一下，右转一下建图的时候能意识到某个地方是“我”曾经来过的，然后把此刻生成的地图与刚刚生成的地图做匹配。回环检测之所以能成为一个难点，是因为：如果回环检测成功，可以显著地减小累积误差，帮助机器人更精准、快速的进行避障导航工作。而错误的检测结果可能使地图变得很糟糕。...
人工智能、深度学习、机器学习常见面试题21~40
FPGA/MATLAB学习教程/源码/项目合作开发
08-13 1001
目录21.如何进行特征选择？22.为什么会产生过拟合，有哪些方法可以预防或克服过拟合？23.用 EM 算法推导解释 Kmeans24.常见聚类算法比较25.聚类算法中的距离度量有哪些26.频率学派和贝叶斯派的本质区别27.优化方法（随机梯度下降、拟牛顿法等优化算法）28.特征比数据量还大时，选择什么样的分类器29.L1 和 L2 正则的区别，如何选择 L1 和 L2 正则？L1 在 0 处不 可导，怎么处理30.特征向量的缺失值处理31.决策树的停止条件32.SVM、LR、决策树的对比？33.GBDT 和随
人工智能、深度学习、机器学习常见面试题141~160
FPGA/MATLAB学习教程/源码/项目合作开发
08-16 609
答案：误差梯度是神经网络训练过程中计算的方向和数量，用于以正确的方向和合适的量更新网络权重。在深层网络或循环神经网络中，误差梯度可在更新中累积，变成非常大的梯度，然后导致网络权重的大幅更新，并因此使网络变得不稳定。在极端情况下，权重的值变得非常大，以至于溢出，导致 NaN 值。网络层之间的梯度（值大于 1.0）重复相乘导致的指数级增长会产生梯度爆炸。...
人工智能、深度学习、机器学习常见面试题101~120
FPGA/MATLAB学习教程/源码/项目合作开发
08-15 755
mAP: mean Average Precision, 即各类别AP的平均值- AP: PR曲线下面积，后文会详细讲解- PR曲线: Precision-Recall曲线- TP: IoU>0.5的检测框数量（同一Ground Truth只计算一次）- FP: IoU
人工智能、深度学习、机器学习常见面试题71~82
FPGA/MATLAB学习教程/源码/项目合作开发
08-13 748
以FaceBook DeepFace 为例，DeepFace 先进行了两次全卷积＋一次池化，提取了低层次的边缘／纹理等特征。后接了3个Local-Conv层，这里是用Local-Conv的原因是，人脸在不同的区域存在不同的特征（眼睛／鼻子／嘴的分布位置相对固定），当不存在全局的局部特征分布时，Local-Conv更适合特征的提取。误差梯度是神经网络训练过程中计算的方向和数量，用于以正确的方向和合适的量更新网络权重。...
机器学习笔记 - week6 -（十一、机器学习系统的设计）
qq_24428851的博客
09-27 806
值，假设我们使用一种需要大量参数的学习算法，比如有很多特征的逻辑回归或线性回归，或者用带有许多隐藏单元的神经网络，那又是另外一种带有很多参数的学习算法，这些都是非常强大的学习算法，它们有很多参数，这些参数可以拟合非常复杂的函数，因此我要调用这些，我将把这些算法想象成低偏差算法，因为我们能够拟合非常复杂的函数，而且因为我们有非常强大的学习算法，这些学习算法能够拟合非常复杂的函数。于是他们把诸如这样的机器学习问题，当做一类监督学习问题，并尝试将其分类，什么样的词，在一个英文句子特定的位置，才是合适的。
李宏毅机器学习2022-HW8-Anomaly Detection
Tunny_one
09-27 636
李宏毅机器学习2022-HW8-Anomaly Detection
第十四周：机器学习笔记
Zcymatics的博客
09-29 808
本周周报在机器学习的理论内容中，概述了Transformer里面Decoder的内容，其中包括Decoder的结构、autoregressive decoder（自回归解码器）以及non-autoregressive decoder（非自回归解码器），此外还讲述了Transformer 的训练过程，并在最后提供了序列到序列模型训练常用的Tips。在Pytorch代码学习中，本周报详细的讲述了训练模型的一些常用手段和流程，并通过代码实现了包括数据收集、模型搭建、模型训练、结果展示等过程。
大数据分析案例-基于逻辑回归算法构建抑郁非抑郁推文识别模型
最新发布
m0_64336780的博客
10-04 2547
本项目基于逻辑回归算法构建抑郁非抑郁推文识别模型具有重要的研究背景和应用价值。通过该模型的研究和应用，我们可以更好地理解和预测社交媒体中用户的心理健康状况，为抑郁症等心理疾病的防治提供有力的支持。在本次实验中，我们探索了使用不同的机器学习算法——逻辑回归、决策树和XGBoost——来构建抑郁非抑郁推文识别模型。经过严格的模型训练和验证过程，我们对比了三种模型的性能，并发现逻辑回归模型在准确率上达到了91%，超过了决策树和XGBoost模型。因此，我们最终选择了逻辑回归模型作为本次实验的最终模型。
240929-CGAN条件生成对抗网络
weixin_66378701的博客
09-29 843
前面我们学习了GAN（）和DCGAN（），接下来继续来看CGAN（Conditional GAN）条件生成对抗网络。
机器学习和深度学习的区别
dhdjjfhdghh的博客
09-26 1512
深度学习是机器学习的一个子集，它基于人工神经网络的概念，特别是那些具有多个非线性变换的层（即深度）。深度学习模型能够自动从原始数据中提取复杂的特征，而无需人为干预。层次结构：深度学习模型由多个层次的神经元组成，每一层都对输入数据进行转换和抽象，从而捕捉数据的复杂特征。自动特征提取：与传统机器学习方法相比，深度学习能够自动从原始数据中学习特征，减少了对人工特征工程的依赖。计算密集型：深度学习模型通常需要大量的计算资源，包括高性能的GPU，以训练大规模的数据集和复杂的模型结构。代表性模型。
0基础跟德姆（dom）一起学AI 机器学习01-机器学习概述
chrisfanallin的博客
09-28 1255
AI全流程带你玩 0基础带你学人工智能相关软件，讲解机器学习、深度学习、大模型等人工智能领域核心知识。 帮助想了解，或者正在AI赛道成长的你。
【机器学习】音乐生成——AI如何创作个性化音乐与配乐
2202_76097976的博客
09-26 3623
AI音乐生成技术通过算法和数据驱动的方式模仿作曲过程，提升创作效率。主要有两条技术路径：基于规则的生成依赖于预定义音乐理论，而机器学习驱动的生成则利用深度学习、生成对抗网络（GAN）、长短期记忆网络（LSTM）等算法，从大量音乐数据中学习模式生成新音乐。AI在广告、电影、游戏配乐等领域广泛应用，个性化音乐推荐也通过分析用户习惯生成定制化音乐，推动音乐行业创新和变革。
✨机器学习笔记（六）—— ReLU、多分类问题、Softmax、Adam、反向传播
qq_53569667的博客
10-01 943
吴恩达机器学习笔记，本节介绍了ReLU激活函数、多分类问题、Softmax处理多分类、Adam梯度下降优化算法以及计算图中的反向传播的简单概念，希望便于理解。
AI面试必备：深度学习与机器学习常见问题解析
"AI机器学习深度学习面试百题.pdf" 在AI、机器学习和深度学习领域，面试中常会涉及到一系列关键概念和技术。以下是一些关键知识点的详细解释： 1. **组合特征**：组合特征是指通过将一个或多个原始特征结合创建新...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

fpga和matlab

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值