计算机视觉+人工智能面试笔试总结——机器学习基础概念

目录

1.深度学习和机器学习的关系

2.机器学习中的 Bias（偏差）、Error（误差）、Variance（方差）有什么区别和联系？

3.解释下均方误差和方差、标准差

4.条件概率

5.先验概率 

6.后验概率

7.交叉验证

8.函数归一化 

9.分维度归一化

10.排序归一化

---

1.深度学习和机器学习的关系

深度学习是机器学习的一个特定分支，要想充分理解深度学习，就必须对机器学习的基本原理有深刻的理解。机器学习的本质属于应用统计学，其更多地关注如何用计算机统计地估计复杂函数，而不太关注为这些函数提供置信区间，大部分机器学习算法可以分成监督学习和无监督学习两类；通过组合不同的算法部分，例如优化算法、代价函数、模型和数据集可以建立一个完整的机器学习算法。
 

2.机器学习中的 Bias（偏差）、Error（误差）、Variance（方差）有什么区别和联系？

Error = Bias + Variance

Error是整个模型的准确度，Bias反映的是模型在样本上的输出与真实值之间的误差，即模型本身的精准度。

Variance是模型每一次输出结果与模型输出期望之间的误差，即模型的稳定性。