机器学习
机器学习
折竹丶
本人自我评分可以打五十分吧,时而感觉亢奋学习颇有兴趣、时而感觉颓废不堪坐丧成业,起步之初领先于诸同学,然却处处落后,忧心忡忡,未能坚持到底。本人之发展在乎于彻底革命再造自我,寻到兴趣之所在,调取心中之积极,于自身不断完善之。
展开
-
C++数据挖掘大作业生成数据
在已经获得的决策树上面重新生成数据#include <iostream>#include <cstdlib>#include <ctime>#include <cstdio>#include <string>using namespace std;class Date{ private: //string num;//学号 string a;//成绩 string w;//外语水平 string s;/.原创 2020-06-07 06:21:17 · 12621 阅读 · 0 评论 -
假设binary classification problem, training data 为 ,其中,为第n笔training data 的权重系数,首先训练一个error rate 小于0.5的
假设binary classification problem, training data为,其中,为第n笔training data的权重系数,首先训练一个error rate小于0.5的classifier,然后changing the training example weights fromto,使得the performance offor new weights would be random,且已知ifmisclassified by,则,问与的关系式?,且由小于0...原创 2020-05-26 19:21:21 · 12346 阅读 · 0 评论 -
机器学习与ensemble
下面属于ensemble方法的是?A.baggingB. decision treeC.decision stumpD.random forestE. boostingF. stacking答案:A, D, E, F难易程度:中题型:多选题下面关于Ensemble方法描述正确的是?A.多个模型共同作用的方法B.通常由多个属性和作用各不相同的模型构成超级模型C.能发挥单个模型所没法发挥的强大力量D.通过好的方法将多个模型集合起来答案:...原创 2020-05-26 19:16:53 · 12273 阅读 · 0 评论 -
Deep learning和structured learning的关系
unidirectional RNN does not consider the whole sequence, but bidirectional RNN consider the whole sequence. Using Viterbi, structured learning consider the whole sequence. Cost and error in RNN are not always related. Cost in structured learning is the upp原创 2020-05-25 17:16:35 · 12411 阅读 · 0 评论 -
RNN能应用的领域或者task
简述Deep learning和structured learning的关系?unidirectional RNN does not consider the whole sequence, but bidirectional RNN consider the whole sequence. Using Viterbi, structured learning consider the whole sequence. Cost and error in RNN are not always relate原创 2020-05-25 17:12:35 · 12492 阅读 · 0 评论 -
机器学习与梯度
1、下面关于梯度消失和梯度爆炸描述正确的是?A.靠近output layer的hidden layer参数更新相对正常,但靠近input layer的hidden layer参数更新几乎接近于初始化值B.靠近input layer的hidden layer参数更新相对正常,但靠近output layer的hidden layer参数更新几乎接近于初始化值C.误差梯度在更新中累积,变成非常大的梯度,导致网络参数的值NAN值D.初始参数值过大,靠近input layer的hidd...原创 2020-05-25 17:11:23 · 12251 阅读 · 0 评论 -
Long Short-term Memory(LSTM) Recurrent Neural Network (RNN)的4个inputs
4 inputs分别是想要存入memory的input,操控input gate的控制信号input,操控output gate的控制信号input和操控Forget gate的控制信号input原创 2020-05-25 17:07:21 · 12329 阅读 · 1 评论 -
Recurrent Neural Network (RNN)的几种变体
De-noising auto-encoder是在input data引入噪声,并使得output data和input data越接近越好。variation auto encoder是在input data经过降维得到的隐藏层引入噪声,且限制噪声的方差不能太小并使得output data和input data越接近越好。...原创 2020-05-25 16:56:15 · 12164 阅读 · 0 评论 -
机器学习与数据
1、下面关于Transfer learning描述正确的是?A.借助与目标task不直接相关的数据去improve目标task的性能B.借助大量与task不相同但是domain相同的data去improve目标task的性能C.借助机器猫和米老鼠的图片实现现实中猫跟老鼠的照片进行分类识别D.借助网络上的文字去实现病人症状和体征的聚类分析答案:A, B, C, D难易程度:中题型:多选题2、与Task有关的数据称为Target data,Task没有直接相关的数...原创 2020-05-25 16:54:32 · 12336 阅读 · 0 评论 -
简述De-noising auto-encoder 和variation auto encoder的区别?
简述De-noising auto-encoder和variation auto encoder的区别?De-noising auto-encoder是在input data引入噪声,并使得output data和input data越接近越好。variation auto encoder是在input data经过降维得到的隐藏层引入噪声,且限制噪声的方差不能太小并使得output data和input data越接近越好。...原创 2020-05-25 16:48:08 · 12515 阅读 · 0 评论 -
机器学习与word
1、下面关于vector representations for words描述正确的是?A.基于words总数N将每一个word映射到一个N维vector,即1-of-N EncodingB.同样性质的word用相同的word class vector表示即word clusterC.每一个word映射到高维空间的dimension reduction过程,即word embeddingD.可以通过auto encoder隐藏层来表示答案:A, B, C难易程度:中题...原创 2020-05-25 16:47:08 · 12292 阅读 · 0 评论 -
假设深度卷积神经网络的输入是一幅6×6维黑白图像,其中1→ink, 0→no ink。在Convolutional layer里每一个filter等效于全连接层(Fully connected Fee
1、假设深度卷积神经网络的输入是一幅6×6维黑白图像,其中1→ink, 0→no ink。在Convolutional layer里每一个filter等效于全连接层(Fully connected Feedforward network)中的neuron,有一个3×3维filter为,求已知图像经过该滤波器的输出。解析假设filter移动步长stride=1,记输入图像为I, filter为F,图像经过滤波器的输出为O,则O(1,1)=[I[1:3,1:3], F]=I(1,1)×F(1,1)+ .原创 2020-05-24 13:54:17 · 12642 阅读 · 0 评论 -
机器学习自测题(二)
1、与Deep Neuron network(DNN)相比,Convolutional Neuron network(CNN)为什么可能用更少的参数进行图像处理?A、 第一层hidden layer用于检测图像的pattern,而大部分patter通常比整张图像的大小要小,对于一个neuron来说不用去看整张图像来检测patternB、 同样pattern可能出现在图像的不同区域,而这些pattern代表同样的含义,可以共用同一个neuron同一组参数C、 一幅图像可以做subsampling.原创 2020-05-24 13:51:24 · 12460 阅读 · 0 评论 -
机器学习与CNN
1、下面关于CNN应用于speech描述正确的是?A、 滤波器沿着spectrogram频率方向移动B、 滤波器沿着spectrogram时间方向移动C、 滤波器沿着spectrogram频率与时间方向移动D、 滤波器沿着spectrogram自定义方向移动正确答案: A2、下面关CNN应用于Text文字处理描述正确的是?A、 滤波器沿着sequence matrix 的word sequence方向移动B、 滤波器沿着sequence matrix 的word embe..原创 2020-05-24 13:45:50 · 12327 阅读 · 0 评论 -
机器学习与决策树
一、多选题1、下面有关overfitting(过拟合)和underfitting(欠拟合)表述正确的是?A、 overfitting指模型在training data set上效果差,但是在testing data set上效果差B、 overfitting指模型在training data set上效果好,但是在testing data set上效果差C、 参数多的模型在testing data set上的效果劣于参数少的模型,则参数多的模型一定过拟合D、 underfitting指.原创 2020-05-24 13:03:43 · 12562 阅读 · 0 评论 -
机器学习与概率论(基础自测题目)
一、单选题1、某商店有100台相同型号的冰箱待售,其中60台是甲厂生产的,25台是乙厂生产的,15台是丙厂生产的。已知这3个厂生产的冰箱质量不同,它们的不合格率分别为0.1,0.4,0.2。一位顾客从这批冰箱中随机抽取了一台。试求顾客取到乙厂冰箱的概率是:A、 0.25B、 0.6C、 0.15D、 0.1正确答案:A2、某商店有100台相同型号的冰箱待售,其中60台是甲厂生产的,25台是乙厂生产的,15台是丙厂生产的。已知这3个厂生产的冰箱质量不同,它们的不合格率分别为0...原创 2020-05-23 00:25:07 · 13619 阅读 · 0 评论 -
输入一幅分辨率为16×16的图像,它是一个手写的数字,输出是输入图像对应的数字。基于deep learning model辨别该数字是0~9的哪个数字
输入一幅分辨率为16×16的图像,它是一个手写的数字,输出是输入图像对应的数字。基于deep learning model辨别该数字是0~9的哪个数字。输入为一个维数为256的矢量,输出为一个维数为10的矢量,其中每一个element表征图片对应0~9中一个数字的概率。目标矢量同样为维数为10的矢量。Deep learning model除去输入层和输出层外的隐藏层的层数与每层包含的神经元个数以及隐藏层间连接方式需要人为设定。某一组training date 对应的交叉熵为。则Deep learnin.原创 2020-05-23 00:22:52 · 12438 阅读 · 0 评论 -
已知79只水系C1和61只一般系C2的pokemon属性特征值(如强度、生命力、攻击力、防御力、特殊攻击力、特殊防御力)训练样本空间,基于logistic regression model 对任意一只
已知79只水系C1和61只一般系C2的pokemon属性特征值(如强度、生命力、攻击力、防御力、特殊攻击力、特殊防御力)训练样本空间,基于logistic regression model对任意一只不属于训练样本空间的pokemon(给定强度、生命力、攻击力、防御力、特殊攻击力、特殊防御力)的属性进行水系和一般系的二分类判定。正确答案:给定一只pokemon,记其防御力为x1,则根据logistic regression model其属于水系C1的概率表达式为,其损失函数则为则目标函数为或其变...原创 2020-05-23 00:21:10 · 12170 阅读 · 0 评论 -
已知79只水系和61只一般系的pokemon属性特征值(如强度、生命力、攻击力、防御力、特殊攻击力、特殊防御力)训练样本空间,基于generative model 对任意一只不属于训练样本空间的pok
已知79只水系和61只一般系的pokemon属性特征值(如强度、生命力、攻击力、防御力、特殊攻击力、特殊防御力)训练样本空间,基于generative model 对任意一只不属于训练样本空间的pokemon(给定强度、生命力、攻击力、防御力、特殊攻击力、特殊防御力)的属性进行水系和一般系的二分类判定。记C1={pokemon属性是水系},C2={pokemon属性是一般系},则P(C1)=79/(79+61)=79/140, P(C2)=61/(79+61)=61/140,假设C1里挑出一只poke.原创 2020-05-23 00:07:47 · 12319 阅读 · 0 评论