机器学习笔试题汇总

已于 2022-08-28 11:39:54 修改
阅读量6.3k 收藏 69
点赞数 4
分类专栏： 面试题 文章标签： 机器学习 集成学习 算法
于 2020-11-25 21:19:19 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/u011204487/article/details/105882851
版权

文章目录


为什么将回归问题转化成分类问题？
解空间变小。
softmax和sigmoid的区别？
为什么用多项分布，多项分布能天然刻画值域变化趋势的。
有序回归不适合上下关系传导的。
softmax是建模多项分布，可以天然刻画值域变化趋势的。这种多项分布能够很好的进行传递到下游。而有序回归，不适合上下游关系的传导。

梯度空洞问题。

树

1、在以下集成学习模型的调参中，哪个算法没有用到学习率learning rate？ B
A.XGboost
B.随机森林Random Forest
C.LightGBM
D.Adaboost
分析：其他三个都是基于梯度的算法，有梯度基本都有学习率，详细的可以去看看他们的更新公式。

2、在集成学习两大类策略中，boosting和bagging如何影响模型的偏差(bias)和方差(variance)?C
A. boosting和bagging均使得方差减小
B. boosting和bagging均使得偏差减小
C. boosting使得偏差减小，bagging使得方差减小
D. boosting使得方差减小，bagging使得偏差减小

3、梯度提升决策树(GBDT)是在工业界和竞赛里最常用的模型之一，Xgboost和Lightgbm均是改进版的GBDT模型。关于调整参数缓解过拟合，以下说法正确的是：C
1、增大正则化参数
2、减小树数量tree numbers
3、减小子采样比例subsample
4、增大树深度max_depth
A.1、2、3
B.1、2、4
C.1、3、4
D.2、3、4
分析：树越多越不会过拟合；树的深度，越深代表模型越复杂，越容易过拟合；减小子采样比例subsample，类似神经网络里面的dropout，能缓解过拟合。

2叉和3叉的区别
1、稳定不一样，二叉树鲁棒性更强
2、3叉高阶组合少了，二叉树表达能力更强
3、男女这种特证做三叉树不好做

xgboost相对于GBDT的改进？

lt相对于xgboost的改进？

特征工程

1、特征选择(Feature selection)对于机器学习任务是十分重要的，是解决维度灾难的有效方法。以下关于特征选择算法的说法不正确的是？ D
A. 过滤式方法(Filter)通常是独立地选择特征，这可能会忽略特征组合之间的相关性。
B. 封装式方法(Wrapper)可能所选特征效果好，但是时间复杂度通常非常高。
C. 方差选择法、相关系数法、假设检验法、互信息法均属于过滤式方法。
D. 在嵌入式方法(Embedded )中，特征选择与模型训练是独立的过程。

连续特征的离散化：在什么情况下将连续的特征离散化之后可以获得更好的效果？
有人说：在工业界，很少直接将连续值作为逻辑回归模型的特征输入，而是将连续特征离散化为一系列0、1特征交给逻辑回归模型。
1.计算速度：稀疏向量内积乘法运算速度快，计算结果方便存储，容易扩展；
2.鲁棒性：离散化后的特征对异常数据有很强的鲁棒性：比如一个特征是年龄>30是1，否则0。如果特征没有离散化，一个异常数据“年龄300岁”会给模型造成很大的干扰；
4. 表达能力：离散化后可以进行特征交叉，由M+N个变量变为M*N个变量，进一步引入非线性，提升表达能力；
5.稳定性：特征离散化后，模型会更稳定，比如如果对用户年龄离散化，20-30作为一个区间，不会因为一个用户年龄长了一岁就变成一个完全不同的人。当然处于区间相邻处的样本会刚好相反，所以怎么划分区间是门学问；
6.过拟合：特征离散化以后，起到了简化了逻辑回归模型的作用，降低了模型过拟合的风险。

李沐也曾经说过：模型是使用离散特征还是连续特征，其实是一个“海量离散特征+简单模型”同“少量连续特征+复杂模型”的权衡。既可以离散化用线性模型，也可以用连续特征加深度学习。就看是喜欢折腾特征还是折腾模型了。通常来说，前者容易，而且可以n个人一起并行做，有成功经验；后者目前看很赞，能走多远还须拭目以待。

为什么要将数字（一个完全有效的模型输入）拆分为分类值？请注意，该分类将单个输入数字分成了一个四元素矢量。因此，模型现在可以学习四个单独的权重，而非仅仅一个；相比一个权重，四个权重能够创建一个内容更丰富的模型。更重要的是，借助分桶，模型能够清楚地区分不同年份类别，因为仅设置了一个元素 (1)，其他三个元素则被清除 (0)。当我们仅将单个数字（年份）用作输入时，模型只能学习线性关系。因此，分桶为模型提供了可用于学习的额外灵活性。

连续变离散特征怎么划分：
1、naive的可以通过人为先验知识划分
2、通过训练单特征的决策树桩，根据Information Gain/Gini系数等来有监督的划分。
注：https://www.zhihu.com/question/31989952

one hot后有什么优点
1、起到了扩充特征的作用
2、逻辑回归属于广义线性模型，表达能力受限；单变量离散化为N个特征后，每个变量有单独的权重，相当于为模型引入了非线性，能够提升模型表达能力，加大拟合。
LR是广义线性模型，因此如果特征“年龄”不做离散化直接输入，那么只能得到“年龄”和魅力指数的一个线性关系。但是这种线性关系是不准确的，并非年龄越大魅力指一定越大；如果将年龄划分为M段，则可以针对每段有一个对应的权重；这种分段的能力为模型带来类似“折线”的能力，也就是所谓的非线性。

什么情况需要one hot
将离散型特征进行one-hot编码的作用，是为了让距离计算更合理，但如果特征是离散的，并且不用one-hot编码就可以很合理的计算出距离，那么就没必要进行one-hot编码。 有些基于树的算法在处理变量时，并不是基于向量空间度量，数值只是个类别符号，即没有偏序关系，所以不用进行独热编码。 Tree Model不太需要one-hot编码，对于决策树来说，one-hot的本质是增加树的深度。
总的来说，要是one hot encoding的类别数目不太多，建议优先考虑。

样本处理

1、用于样本划分的函数
randomSplit(weigh , seed)，作用于spark RDD
参数：
weights: 是一个数组。根据 weight 将一个RDD划分成多个RDD,权重越高划分得到的元素较多的几率就越大，数组的长度即为划分成RDD的数量。如rdd1 = rdd.randomSplit([0.25,0.25,0.25,0.25])，作用是把原本的RDD尽可能的划分成4个相同大小的RDD，需要注意的是weight数组内数据的加和应为1。
seed: 是可选参数 ，作为random的种子。根据种子构造出一个Random类。在电脑中实际上是无法产生真正的随机数的，都是根据给定的种子，通过一个固定的计算公式来得到下一个随机数。seed就是要求使用固定的种子来开始生成随机数，在给定相同的种子下，生成的随机数序列总是相同的。
返回值：
返回一个rdd数组
例子：

rdd = sc.parallelize(range(20))
rdd.colect()
# [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19]
rdd1 = rdd.randomSplit([0.25,0.25,0.25,0.25])
rdd1[0].collect()
# [1, 13]
rdd1[1].collect()
# [3, 6, 8, 10, 11]
rdd1[2].collect()
# [5, 9, 12, 14, 16]
rdd1[3].collect()
# [0, 2, 4, 7, 15, 17, 18, 19]

sklearn的train_test_split：train_test_split函数用于将矩阵随机划分为训练子集和测试子集，并返回划分好的训练集测试集样本和训练集测试集标签。
X_train,X_test, y_train, y_test =cross_validation.train_test_split(train_data,train_target,test_size=0.3, random_state=0)
参数：
train_data：被划分的样本特征集
train_target：被划分的样本标签
test_size：如果是浮点数，在0-1之间，表示样本占比；如果是整数的话就是样本的数量。
random_state：是随机数的种子。随机数种子填0或不填，每次随机的数都会不一样。

import numpy as np
from sklearn.model_selection import train_test_split
X, y = np.arange(10).reshape((5, 2)), range(5)
'''
X array([[0, 1],
       [2, 3],
       [4, 5],
       [6, 7],
       [8, 9]])
'''
list(y)
#[0, 1, 2, 3, 4]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33, random_state=42)
'''
X_train:array([[4, 5],
       [0, 1],
       [6, 7]])
y_train:[2, 0, 3]
X_test :array([[2, 3],
       [8, 9]])
y_test:[1, 4]
'''

分层抽样：根据给定的比例获取DataFrame的分层抽样。
sampleBy(col, fractions, seed=None)
参数:
col ——— 按该列进行分层
fractions ——– 抽样比例
seed ——– 抽样种子
注：当抽样比例为0.8时，抽到的样本数在80%左右；当抽样比例为1.0时，抽到的样本数是全量。

from pyspark.sql.functions import lit
list = [(2147481832,23355149,1),(2147481832,973010692,1),(2147481832,2134870842,1),(2147481832,541023347,1),(2147481832,1682206630,1),(2147481832,1138211459,1),(2147481832,852202566,1),(2147481832,201375938,1),(2147481832,486538879,1),(2147481832,919187908,1),(214748183,919187908,1),(214748183,91187908,1)]
df = spark.createDataFrame(list, ["x1","x2","x3"])
df.show()
# +----------+----------+---+
# |        x1|        x2| x3|
# +----------+----------+---+
# |2147481832|  23355149|  1|
# |2147481832| 973010692|  1|
# |2147481832|2134870842|  1|
# |2147481832| 541023347|  1|
# |2147481832|1682206630|  1|
# |2147481832|1138211459|  1|
# |2147481832| 852202566|  1|
# |2147481832| 201375938|  1|
# |2147481832| 486538879|  1|
# |2147481832| 919187908|  1|
# | 214748183| 919187908|  1|
# | 214748183|  91187908|  1|
# +----------+----------+---+

df.groupBy("x1").count().show()
# +----------+-----+
# |        x1|count|
# +----------+-----+
# |2147481832|   10|
# | 214748183|    2|
# +----------+-----+

seed = 12
fractions = df.select("x1").distinct().withColumn("fraction", lit(0.8)).rdd.collectAsMap()
print(fractions)                                                            
# {2147481832: 0.8, 214748183: 0.8}

sampled_df = df.stat.sampleBy("x1", fractions, seed)
sampled_df.show()
# +----------+---------+---+
# |        x1|       x2| x3|
# +----------+---------+---+
# |2147481832| 23355149|  1|
# |2147481832|973010692|  1|
# |2147481832|541023347|  1|
# |2147481832|852202566|  1|
# |2147481832|201375938|  1|
# |2147481832|486538879|  1|
# |2147481832|919187908|  1|
# | 214748183|919187908|  1|
# | 214748183| 91187908|  1|
# +----------+---------+---+

sampled_df.groupBy("x1").count().show()
# +----------+-----+
# |        x1|count|
# +----------+-----+
# |2147481832|    7|
# | 214748183|    2|
# +----------+-----+

sampleByKey：

df = sc.parallelize([ (1,1234,282),(1,1234,282),(1,1234,282),(1,1234,282),(1,1396,179),(2,8620,178),(3,1620,191),(3,8820,828) ] ).toDF(["ID","X","Y"])
df.show()
+---+----+---+
| ID|   X|  Y|
+---+----+---+
|  1|1234|282|
|  1|1396|179|
|  2|8620|178|
|  3|1620|191|
|  3|8820|828|
+---+----+---+
fractions = df.rdd.map(lambda x: (x[0],x[1])).distinct().map(lambda x: (x,0.3)).collectAsMap()
kb = df.rdd.keyBy(lambda x: (x[0],x[1]))
sampleddf = kb.sampleByKey(False,fractions).map(lambda x: x[1]).toDF(df.columns)
sampleddf.show()
+---+----+---+
| ID|   X|  Y|
+---+----+---+
|  1|1234|282|
|  1|1396|179|
|  3|1620|191|
+---+----+---+

kb.sampleByKey(False,fractions).map(lambda x: x[1]).toDF(df.columns).show()
+---+----+---+
| ID|   X|  Y|
+---+----+---+
|  2|8620|178|
+---+----+---+

kb.sampleByKey(False,fractions).map(lambda x: x[1]).toDF(df.columns).show()
+---+----+---+
| ID|   X|  Y|
+---+----+---+
|  1|1234|282+

K近邻

1、在K-NN最近邻算法中，一般采用哪种方法来计算类别特征的距离？ D
A.欧式距离(Euclidean distance)
B.曼哈顿距离(Manhattan distance)
C.明可夫斯基距离（Minkowski distance）
D.汉明 g距离(Hamming distance)
分析：欧式距离和曼哈顿距离可以一起来看，二者的性质是一样的。

2、在K-NN最近邻算法中，如果为了减少噪声样本的影响，应该如何调整k值？ A
A. 增大k
B. 减少k
C. 与k无关
分析：k太小会导致过拟合，很容易将一些噪声学习到模型中，而忽略了数据真实的分布。

**3、在K-NN最近邻算法中, k值增大，会导致模型的偏差(bias)和方差(variance)有什么变化？ **
A. 偏差增大，方差增大
B. 偏差增大，方差减小
C. 偏差减小，方差增大
D. 偏差减小，方差减小
分析：KNN中的k值，表示所取近邻样本的个数。首先我们看两个极端，当k值取1时，为最近邻算法，新样本S的预测分类，取决于与它相似度最高的那一个样本所属的类别；当k取N时（N为样本数量），新样本的预测分类，取决于样本数据中哪一个类别的样本数量最多，已经跟样本记录间的相似度没有关系了。
当k取1时，根据最相似的一个样本判断分类，很有可能预测准确，为低bias，但是不同数据集中，与新样本S相似度最高的那个样本可能属于不同分类，那么预测结果则各不相同，为高variance。
当k取N时，完全根据样本数据的分布进行预测，不管新样本什么样，全部都会预测成样本数据中样本数量最多的那个类别。例如，有100个样本，60个属于A类，30个属于B累，10个属于C类，那么所有的新样本都会被预测为A类。此时为高bias，高variance。
当k值在1到N之间变化时，一定存在一个最优的k值，使得bias和variance最低，当大于或小于这个最优k值时，都会造成bias和variance变大。

聚类

1、影响聚类算法结果的主要因素有（B、C、D ）。
A.已知类别的样本质量；
B.分类准则；
C.特征选取；
D.模式相似性测度
分析：聚类不需要类别标签。

2、影响基本K-均值算法的主要因素有(ABD）。
A.样本输入顺序；
B.模式相似性测度；
C.聚类准则；
D.初始类中心的选取

3、kmeans的复杂度
在这里插入图片描述
时间复杂度：O(tKmn)，其中，t为迭代次数，K为簇的数目，m为记录数，n为维数。
空间复杂度：O((m+K)n)，其中，K为簇的数目，m为记录数，n为维数。

深度学习

输入图片大小为200×200，依次经过一层卷积（kernel size 5×5，padding 1，stride 2），pooling（kernel size 3×3，padding 0，stride 1），又一层卷积（kernel size 3×3，padding 1，stride 1）之后，输出特征图大小为： C
A、95
B、96
C、97
D、98
E、99
F、100
分析：计算尺寸不被整除只在GoogLeNet中遇到过。卷积向下取整，池化向上取整。
本题 （200-5+21）/2+1 为99.5，取99
（99-3）/1+1 为97
（97-3+21）/1+1 为97
研究过网络的话看到stride为1的时候，当kernel为3 padding为1或者kernel为5 padding为2，一看就是卷积前后尺寸不变。

tf.keras 和 keras有什么区别？
keras是François Chollet于2014-2015年开始编写的开源高层深度学习API,所谓“高层”，是相对于“底层”运算而言（例如add，matmul，transpose，conv2d）。keras把这些底层运算封装成一些常用的神经网络模块类型（例如Dense,Conv2D,LSTM等），再加上像Model、Optimizer等的一些的抽象，来增强API的易用性和代码的可读性，提高深度学习开发者编写模型的效率。keras本身并不具备底层运算的能力，所以它需要和一个具备这种底层运算能力的backend（后端）协同工作。
keras最初发行的时候，tensorflow还没有开源（fchollet开始写keras的时候还未加入Google）。那时的keras主要使用的是Theano后端。2015年底TensorFlow开源后，keras才开始搭建TensorFlow后端。今天TensorFlow是keras最常用的后端。
keras的代码被逐渐吸收进入tensorflow的代码库，那时fchollet也加入了Google Brain组。所以就产生了tf.keras：一个不强调后端可互换性、和tensorflow更紧密整合、得到tensorflow其他组建更好支持、且符合keras标准的高层次API。
keras和tf.keras的主要共同点：

  • 基于同一个API：如果不使用tf.keras的特有特性的话，模型搭建、训练、和推断的代码应该是可以互换的。把import keras 换成from tensorflow import keras，所有功能都应该可以工作。反之则未必，因为tf.keras有一些keras不支持的特性。
  • 相同的JSON和HDF5模型序列化格式和语义。从一方用model.to_json()或model.save()保存的模型，可以在另一方加载并以同一语义运行。TensorFlow的生态里面那些支持HDF5或JSON格式的其他库，比如TensorFlow.js，也同等支持keras和tf.keras保存的模型。
    其他深度学习模型tf keras Theano PyTorch caffe

为什么CNN中的卷积核大小一般是奇数？
1x1的卷积核有什么用呢？
NN的卷积核和n1的卷积核？

分类

以下哪些方法不可以直接来对文本分类？A
A、Kmeans
B、决策树
C、支持向量机
D、KNN
分析：分类不同于聚类。A：Kmeans是聚类方法，典型的无监督学习方法。分类是监督学习方法，BCD都是常见的分类方法。

常见的生成式模型和判别式模型有哪些？
生成式模型：HMM、朴素贝叶斯
判别式模型：svm、最大熵模型、决策树、神经网络、条件随机场。

常见的分类算法有哪些？
SVM、神经网络、随机森林、逻辑回归、KNN、贝叶斯

常见的监督学习算法有哪些？
感知机、svm、人工神经网络、决策树、逻辑回归

距离、相似度

模式识别中，马式距离较之于欧式距离的优点是（C、D）。
A.平移不变性；
B.旋转不变性；
C.尺度不变性；
D.考虑了模式的分布
分析：
尺度不变性：在进行特征描述的时候，将尺度统一就可以实现尺度不变性了。例如量纲、图像的缩放。
平移不变性：在卷积神经网络里，卷积+最大池化约等于平移不变性。当将图片平移时，对图片的识别不受影响。
https://www.cnblogs.com/Terrypython/p/11147490.html

欧式距离具有（A B）；马式距离具有（A B C D）。
A. 平移不变性；
B. 旋转不变性；
C. 尺度缩放不变性；
D. 不受量纲影响的特性

指标性能评价

下面有关分类算法的准确率，召回率，F1值的描述，错误的是？ C
A．准确率是检索出相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率
B．召回率是指检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率
C. 正确率、召回率和F值取值都在0和1之间，数值越接近0，查准率或查全率就越高
D. 为了解决准确率和召回率冲突问题，引入了F1分数
分析：数值越接近于1越好。

HMM

HMM中，如果已知观察序列和产生观察序列的状态序列，那么可用以下哪种方法直接进行参数估计() D
EM算法
维特比算法
前向后向算法
极大似然估计
分析：
EM算法： 只有观测序列，无状态序列时来学习模型参数，即Baum-Welch算法
维特比算法： 用动态规划解决HMM的预测问题，不是参数估计。
前向后向：用来算概率。
极大似然估计：即观测序列和相应的状态序列都存在时的监督学习算法，用来估计参数。

数学

怎么理解最大似然函数
PCA的原理

BlackEyes_SY
关注
  • 4
    点赞
  • 踩
  • 69
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
机器学习期末题库
Destiny_159的博客
06-14 2万+
1.属于监督学习的机器学习算法是：贝叶斯分类器2.属于⽆监督学习的机器学习算法是：层次聚类3.⼆项式分布的共轭分布是：Beta分布4.多项式分布的共轭分布是：Dirichlet分布5.朴素贝叶斯分类器的特点是：假设样本各维属性独⽴6.下列⽅法没有考虑先验分布的是：最⼤似然估计7.对于正态密度的贝叶斯分类器，各类协⽅差矩阵相同时，决策函数为：线性决策函数8.下列属于线性分类⽅法的是：感知机9.下列⽅法不受数据归⼀化影响的是：决策树10.下列分类⽅法中不会⽤到梯度下降法的是：最⼩距离分类器11.下列⽅法使⽤最⼤
数据分析面试【机器学习】总结之-----主要的常见面试题整理（一）
天阑之蓝的博客
08-14 1565
阅读之前看这里????：博主是正在学习数据分析的一员，博客记录的是在学习过程中一些总结，也希望和大家一起进步，在记录之时，未免存在很多疏漏和不全，如有问题，还请私聊博主指正。 博客地址：天阑之蓝的博客，学习过程中不免有困难和迷茫，希望大家都能在这学习的过程中肯定自己，超越自己，最终创造自己。 目录1、过拟合和欠拟合的现象2.造成过拟合和欠拟合的原因，如何解决？3.什么是正则化，L1和L2正则化的区别3.1 L1正则化与L2正则化3.2 L1和L2正则化的作用：3.3 小结4.过拟合的其它解决方案5.超参数
机器学习期末考试题库【最全考试题库】
qq_62660798的博客
01-25 4484
本文有特别详细的机器学习这门课期末考试会考到的相关的概念，并配有相关的习题，大家把这一块学明白了，考试可以有很大的助力，喜欢的朋友点一下关注吧，持续关注我，我会后面陆续更新更多的资源哟~（づ￣3￣）づ╭❤～
机器学习小概论，面试题目与答案
最新发布
m0_60635176的博客
04-13 667
机器学习人类一直试图让机器具有智能，也就是人工智能（Artificial Intelligence）。从上世纪50年代，人工智能的发展经历了“推理期”，通过赋予机器逻辑推理能力使机器获得智能，当时的AI程序能够证明一些著名的数学定理，但由于机器缺乏知识，远不能实现真正的智能。因此，70年代，人工智能的发展进入“知识期”，即将人类的知识总结出来教给机器，使机器获得智能。在这一时期，大量的专家系统问世，在很多领域取得大量成果，但由于人类知识量巨大，故出现“知识工程瓶颈”。
机器学习-机器学习试题(一)
热门推荐
菜菜的博客
04-21 3万+
前言在网上找的一些试题及延伸的一些问题，以选择题为主，主要是关于基础理论知识，同时给出自己联想到的一些问题。当然基础问题应当包含算法本身的过程和某些推导过程。比如：LR、SVM的推导。试题试题1： 已知坐标轴中两点A(2,−2)B(−1,2)，求这两点的曼哈顿距离（L1距离）。 答案：7 。向量AB(-3,4),L1 是向量中非零元素的绝对值和。问题延伸：机器学习算法中哪些应用了L1，哪些应用了L...
国科大 - 模式识别与机器学习（黄庆明等）- 期末复习 - 试卷
My Blogs
01-04 1万+
文章目录历年考点题型选择题练习真题链接 历年考点 2015 2016 2017 2018 2019 2020 偏差方差分解 EM 求解 GMM EM 求解 GMM EM 算法求解 GMM & K-means 异同 聚类算法选择 聚类选择 势函数 势函数 线性判别：系数 Fisher 原理逻辑回归 Fisher 原理LR 原理 Fisher 和 Bayes 的等价 AdaBoost AdaBoost err AdaBoost Ad
2018校招12家企业（开发、测试、算法、数据分析、运维等）笔试真题汇总.zip
07-15
4. **数据分析**：数据分析涉及统计学基础、数据清洗、数据预处理、数据可视化和机器学习。工具方面，Excel、SQL用于数据提取和处理，Python（Pandas、Numpy、Matplotlib）或R语言进行数据分析，而Tableau、Power BI...
百度google笔试题汇总
03-18
这份“百度google笔试题汇总”压缩包文件提供了丰富的资源，帮助那些准备实习或全职工作的应聘者提升自己的技术水平和解决问题的能力。 首先，我们来看看“Google笔试题.doc”和“Google笔试题 (1).doc”。这些文档...
机器学习算法岗面试知识.pdf
08-14
作者于2018年夏秋开始备战机器学习算法岗，总结汇总了如此的面试和笔试经验，希望能够对众多童鞋有用。
编程语言java笔试题汇总.pdf
10-01
总的来说，Java笔试题涵盖了Java语言的基础概念，包括语法、类和对象、接口、数组、方法、运算符、构造器以及程序执行流程等多个方面，这些都是学习和理解Java编程所必需的知识点。通过这些题目，可以检验和巩固对...
研究生_机器学习试题1
08-03
（5 分）（5 分）2， （10 分）在线性回归模型中，给定训练样本集合与模型参数1） 求损失函数的海森矩阵（5 分）2） 给出牛顿法求解最小二乘问题的第一次迭
机器学习试卷
03-14
机器学习的试卷和答案，包括华盛顿大学、MIT等世界顶级机器学习课程的试卷，适合期末复习等使用方式，其中包括各种人工智能算法的解析，对于想对机器学习、人工智能方面有更多了解的朋友很有帮助
嵌入式笔试面试题汇总
05-07
这份“嵌入式笔试面试题汇总”集合了多方面的知识，包括华为等知名企业的笔试题目，是学习和准备嵌入式面试的宝贵资源。以下是基于这些题目可能涵盖的一些核心知识点的详细解释： 1. **基础知识**：嵌入式系统的...
传统算法与神经网络算法,神经网络运用的算法有
神经网络爱好者
08-23 421
BP神经网络的传递函数一般采用sigmiod函数，学习算法一般采用最小梯度下降法；下面是具体的程序例子：例1采用动量梯度下降算法训练BP网络。训练样本定义如下：输入矢量为p=[-1-231-115-3]目标矢量为t=[-1-111]解：本例的MATLAB程序如下：closeallclearechoonclc%NEWFF——生成一个新的前向神经网络%TRAIN——对BP神经网络进行训练%SIM——对BP神经网络进行仿真pause%敲任意键开始clc%定义训练样本%P为输入矢量P=[-1,-2,3,1;-1,1
机器学习期末复习试卷
zhouyan2000的博客
01-09 2万+
【机器学习】经典的机器学习200道面试题（附参考答案）
fengdu78的博客
09-16 1107
来 源：https://blog.csdn.net/sinat_35512245/article/details/78796328本文总结了往年BAT机器学习面试题，干货满满，值得收藏。想要入职大厂可谓是千军万马过独木桥。为了通过层层考验，刷题肯定是必不可少的。这份刷题宝典拿好哦！1.请简要介绍下SVM。SVM，全称是support vector machine，中文名叫支持向量机。SVM是一个...
2021年机器学习期末考试重点考试题型及答案
kaakllhjkhjalv的博客
06-27 1万+
知乎专栏 —机器学习笔试题精选试题总结（一）
PasPerCon
07-31 2703
参考网址：http://redstonewill.com/category/written-interview/ 机器学习笔试题精选试题一 1. 在线性回归问题中，利用R平方（R-Squared）来判断拟合度：数值越大说明模型拟合的越好。数值在[0 1]之间。 随着样本数量的增加，R平方的数值必然也会增加，无法定量地说明新增的特征有无意义。对于新增的特征，R平方的值可能变大也可能不变，两者不...
机器学习面试题pdf
08-18
机器学习面试题pdf是一份包含机器学习相关问题的文档，通常用于准备机器学习职位的面试。这类面试题包括理论和实践两方面的内容。 在理论方面，机器学习面试题可能会涉及基本概念、模型选择与评估、特征工程、模型调参等方面的问题。例如，常见的问题包括机器学习的基本定义、监督学习与无监督学习的区别、过拟合与欠拟合问题的解决方法等等。这些问题考察了应聘者对于机器学习算法和模型的理解程度。 在实践方面，机器学习面试题可能会要求应聘者运用机器学习算法来解决实际问题。这种类型的问题可能涉及数据预处理、特征选择与提取、建模、模型评估等多个步骤。应聘者需要运用所学的机器学习知识，选择适当的算法和工具，处理和分析给定的数据，并给出合理的解决方案。 对于准备机器学习面试的应聘者来说，机器学习面试题pdf是一个宝贵的资源。应聘者可以通过研究和解答这些问题，巩固和扩展自己的机器学习知识，并了解常见的面试考点和答题思路。此外，应聘者还可以利用机器学习面试题pdf进行自我评估和练习，提高应对面试问题的能力。 总的来说，机器学习面试题pdf对于机器学习职位的应聘者来说是一份重要的学习和准备资料。通过认真研究和解答这些问题，应聘者可以提高自己的机器学习理论水平和实践能力，增加面试成功的机会。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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
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