2022 深度学习 & 计算机视觉 & 感知算法 面经整理 十（81 82 83 84 85 86 87 88 89 90 91 92）

81 讲一下 xgb 与 lgb 的特点与区别

参见《关于XGB和LGB的区别和联系》：
https://blog.csdn.net/weixin_41816654/article/details/87859234

参见《base tree、rf、gbdt、xgb、lgb 面经整理》：
https://zhuanlan.zhihu.com/p/82521899

82 讲一下 xgb 的二阶泰勒展开对于 GBDT 有什么优势

83 介绍 xgboost 和 gbdt 的区别

参见《Adaboost, GBDT 与 XGBoost 的区别》：
https://zhuanlan.zhihu.com/p/42740654

84 adaboost 和随机森林有什么区别

参见《机器学习之-随机森林和ADABOOST》：
https://shuwoom.com/?p=1490

85 LBP 特征和 SIFT 的特征的意义

参见《目标检测的图像特征提取之（二）LBP特征》：
https://blog.csdn.net/zouxy09/article/details/7929531

参见《LBP特征》：
https://blog.csdn.net/lk3030/article/details/84034963

参见《SIFT特征提取分析》：
https://blog.csdn.net/abcjennifer/article/details/7639681

参见《SIFT特征详解》：
https://www.cnblogs.com/wangguchangqing/p/4853263.html

86 颜色校正、白平衡的过程

87 HOG 特征的意义

参见《HOG算法》：
https://blog.csdn.net/qq_21521561/article/details/85194921

参见《目标检测的图像特征提取之（一）HOG特征》：
https://blog.csdn.net/zouxy09/article/details/7929348

参见《HOG特征》：
https://zhuanlan.zhihu.com/p/40960756

88 GBDT 原理

参见《GBDT：梯度提升决策树》：
https://www.jianshu.com/p/005a4e6ac775

89 ROC 含义、AUC 含义

参见《ROC曲线与AUC值》：
https://www.cnblogs.com/gatherstars/p/6084696.html

参见《ROC及AUC计算方法及原理》：
https://blog.csdn.net/yinyu19950811/article/details/81288287

90 XGB 原理，正则化操作

91 L1 与 L2 区别，效果差异

参见《机器学习中正则化项L1和L2的直观理解》：
https://blog.csdn.net/jinping_shi/article/details/52433975

92 卷积计算过程

参见《原来卷积是这么计算的》：
https://zhuanlan.zhihu.com/p/268179286