![](https://img-blog.csdnimg.cn/20201014180756757.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
算法工程师面经
文章平均质量分 93
今天写bug了嘛
这个作者很懒,什么都没留下…
展开
-
深度学习-part3(反向传播、GAN)
对于生成器,我们的目的是使得其能够生成真实的图片,换句话说,我们是希望生成的图片能够骗过D。我们可以这样做:我们通过随机向量(噪声数据)经由生成网络产生一组假图片,我们将这些假图片都标记为 1(也就是说,人为的把假的图片当作真实的),然后将这些假图片输入到判别器中,判别器在对这些图片进行判别的时候,会发现这些图片是假的图片,然后给出低分,这样就产生了误差(因为标记的为1,但是判别器给了低分)。判别器的训练目的是能够区分生成器的输出与来自训练集的真实图像,生成器的训练目的是欺骗判别器。训练阶段在监督下完成。原创 2024-03-19 00:26:40 · 1372 阅读 · 0 评论 -
深度学习-面经(part1、常规问题)
1 神经网络深度学习是算法工程师面试必定绕不开的一个话题,有关于他的面试题目和知识点层出不穷,所以这里依靠一些经验结合自己的面试经历,总结出下面的深度学习面试点,其中共有8个章节,目前更新章节3、4;RNN与LSTM网络原创 2024-03-08 23:32:54 · 1703 阅读 · 0 评论 -
深度学习面经-part3(RNN、LSTM)
1 神经网络深度学习是算法工程师面试必定绕不开的一个话题,有关于他的面试题目和知识点层出不穷,所以这里依靠一些经验结合自己的面试经历,总结出下面的深度学习面试点,其中共有8个章节,目前更新章节3、4,分别为RNN和LSTM原创 2024-03-18 23:52:58 · 1608 阅读 · 0 评论 -
深度学习-面经(part2、CNN)
详细介绍了深度学习算法面试问题与答案,在关于卷积神经网络可能问到的相关题目,如结构、如何搭建、经典CNN分类、卷积层参数、池化参数、卷积核、空洞卷积等等,希望能帮助到大家!原创 2024-03-17 21:24:11 · 1284 阅读 · 0 评论 -
机器学习-面经(part8、贝叶斯和其他知识点)
本章节描述了机器学习中关于贝叶斯优化的相关问题,如为什么朴素、优缺点、条件独立性假设、如何采样、先验概率和后验概率、生成模式和判别模式、偏差方差等各类问题,希望能帮助到面试机器学习算法的同学们!原创 2024-03-07 22:51:35 · 1339 阅读 · 1 评论 -
机器学习-面经(part7、无监督学习)
关于无监督学习的相关面试题目合集与解答,K-Means、KNN等相关内容,降维的相关题目如PCA、LDA等,共二十余道最常见的面试题目,希望能帮助到大家!原创 2024-03-06 23:04:04 · 1374 阅读 · 0 评论 -
机器学习-面经(part6、集成学习)
该篇文章讲述了集成学习在机器学习面试中会遇到的各类问题,包括了GBDT、AdaBoost、XGBoost、LightGBM、CatBoost、随机森林等各类机器学习知识,进万字的总结与输出,希望能帮助大家!原创 2024-03-05 23:27:19 · 1300 阅读 · 1 评论 -
机器学习-面经(part5、KNN和SVM)
决策树作为机器学习模型中的重要分支,应用非常广泛,同时也是面试询问的重要方向,本篇文章对KNN、SVM进行讲解,共22个面试题目与解答,希望能够帮助到大家!原创 2024-03-04 23:15:09 · 1397 阅读 · 0 评论 -
机器学习-面经(part4、决策树)
决策树作为机器学习模型中的重要分支,应用非常广泛,同时也是面试询问的重要方向,本篇文章从ID算法、C4.5算法、CART算法、决策树的构建过程、优缺点、剪枝策略、方式、步骤、决策树的分类、回归等内容,希望能帮助到大家!原创 2024-03-03 23:16:31 · 1228 阅读 · 0 评论 -
机器学习-面经(part3)
此章节包含两部分,分别为正则化、特征工程,详细介绍说明了此类知识点在算法面试中可能遇到的面试题目以及详情解答,希望能帮助大家。正则化问题:定义、如何理解、L0,L1,L2正则化的定义理解与区别、L1产生稀疏化的原因、为何对数据归一化、归一化种类、与标准化区别、需要归一化的算法有哪些、树形结构为什么不需要归一化。特征工程:特征选择定义、技术、原因;特征提取,特征选择 vs 特征提取、为什么要处理类别特征、组合特征、如何有效找到组合特征、如何处理高维组合特征、如何处理数据不平衡问题、数据中有原创 2024-03-02 22:01:31 · 1011 阅读 · 0 评论 -
机器学习-面经
在机器学习面经中,常见的问题包括但不限于:机器学习的定义和基本概念、监督学习和无监督学习的区别、常用的机器学习算法(如线性回归、逻辑回归、决策树、支持向量机、聚类算法等)、模型评估指标(如准确率、精确率、召回率、F1值等)、过拟合和欠拟合问题、特征选择和特征工程方法、模型调优技巧等。通过熟悉和掌握机器学习面经中的问题和解答,面试者可以更好地展示自己在机器学习领域的知识和实践能力,提高面试的成功率。同时,整理机器学习面经也有助于面试者对自己的知识体系进行梳理和巩固,加深对机器学习原理和应用的理解。原创 2024-02-29 23:12:36 · 2862 阅读 · 0 评论