人工智能最基本的考核问题（上）

1、深度学习框架TensorFlow中都有哪些优化方法？
答：GradientDescentOptimizer
AdagradOptimizer
Optimizer
优化最小代价函数
2、深度学习框架TensorFlow中常见的激活函数都有哪些？
答：relu，sigmoid,tanh
3、深度学习框架TensorFlow中有哪四种常用交叉熵？
答： tf.nn.weighted_cross_entropy_with_logits
tf.nn.sigmoid_cross_entropy_with_logits
tf.nn.softmax_cross_entropy_with_logits
tf.nn.sparse_softmax_cross_entropy_with_logits
4、什么叫过拟合，避免过拟合都有哪些措施？
答：过拟合：就是在机器学习中，我么测试模型的时候，提高了在训练数据集的表现力时候，
但是在训练集上的表现力反而下降了。
解决方案：
1.正则化
2.在训练模型过程中，调节参数。学习率不要太大.
3.对数据进行交叉验证
4.选择适合训练集合测试集数据的百分比，选取合适的停止训练标准，使对机器的训练在合适
5.在神经网络模型中，我们可以减小权重

6、什么是核函数？
核函数是将线性不可分的特征映射到高维特征空间，从而让支持向量机算法在这个高维空间线性可变。也就是使用核函数可以向高维空间映射并解决非线性的分类问题

7、深度学习框架TensorFlow中常见的核函数都有哪些？
高斯核函数
线性核函数
多项式核函数

8、朴素贝叶斯方法的优势是什么？
源于古典数学理论，有稳定的分类效率
对小规模的数据表现很好，能处理多分类任务
对缺失数据不太敏感，算法简单，常用于文本分类

9、什么是监督学习的标准方法？
监督学习算法是基于一组标记数据进行预测的。通过训练数据集去训练模型，从而得到一个从输入数据到输出期望数据之间的映射函数。这个模型的推断作用是从一个数据集中学习出一种模式，可以让这个模型适应新的数据，也就是说去预测一些没有看到过的数据。

10、在机器学习中，模型的选择是指什么？
根据自己想要的结果来选择最为匹配的机器学习模型，例如：
如果你想要进行降维操作，那么你可以使用主成分分析方法（PCA）；
如果你想要快速进行手写数字预测，那么你可以使用决策树或者逻辑回归；

我平时的经验总结：在一个实际的项目中，我们如何算则模型呢！所谓的模型选择不是我们随便选择一个算法就可以进行的！而是要分析数据，比如说：数据的维度大小，数据的质量和数据的特征属性；你可以利用的计算资源，算出精准率进行对比；还要考虑到项目组对项目的时间预计等，结合这些因素，去对数据尝试很多种不同的算法之，从而选择出来，相比之效比较优秀的模型。

这是我总结的一些问题，后期还会总结一些黄金问题！如有不当，请多指教！