人工智能面试题

1.什么是核函数
核函数一般是为了解决维度过高导致的计算能力不足的缺陷，实质就是特征向量内积的平方
机器学习中，对于线性可分的情况研究的比较透彻，可以采用SVM/LR感知机等成熟的机器学习模型，但是很多情况是我们希望我们的模型学习非线性的模型。通常的做法就是选择一个函数φ(x)将X映射到另一个空间中，这里的核心就是如何选择φ(x).一般有三种做法
1.通过核函数，比如RBF。如果 具有足够高的维数,我们总是有足够的能力来拟合训练集,但是对于测试集的泛化往往不佳。非常通用的特征映射通常只基于局部光滑的原则,并且没有将足够的先验信息进行编码来解决高级问题。
2.另一种选择是手动地设计 φ，在深度学习以前，这种方法对于每个单独的任务都需要人们数十年的努力,从业者各自擅长特定的领域(如语音识别或计算机视觉),并且不同领域之间很难迁移 (transfer)。
3.深度学习方式是去学习这个函数φ(x)
2、深度学习框架TensorFlow中常见的核函数都有哪些？
（1）Linear Kernel 线性核是最简单的核函数。（2）Polynomial Kernel多项式核实一种非标准核函数，它非常适合于正交归一化后的数据。（3）Gaussian Kernel这里说一种经典的鲁棒径向基核，即高斯核函数，鲁棒径向基核对于数据中的噪音有着较好的抗干扰能力，其参数决定了函数作用范围，超过了这个范围，数据的作用就“基本消失”。高斯核函数是这一族核函数的优秀代表，也是必须尝试的核函数。（4）Exponential Kernel。 （5） Laplacian Kernel 。（6） ANOVA Kernel。（7）Sigmoid Kernel。（8）Wa