百面机器学习和百面深度学习-测试1

11
1.特征归一化：
数据的量纲和大小不同会导致数据对模型的影响程度不同，每个特征对模型造成的影响不同。
2.怎么处理类别特征：
（类似于男女之类的类别）one-hot编码
3.什么是组合特征，怎么处理高维组合特征
多个特征组合到一起，高维组合特征进行特征降维为低维特征
4.怎么有效的找到组合特征：
构造决策树来寻找组合特征
5.如何缓解图像分类任务数据量不足？
数据增强，生成对抗网络生成数据
22
1.准确率的局限性：
正负样本数据比重不同时准确率会不准
2.精确率和召回率：
精确率：预测为正是正确的。召回率：预测为正是正确的总的。
PR曲线，以及F1分数
3.平方根误差的意外
RMSE能够很好地反应回归模型预测值与真实值的偏离程度，受到了异常值的影响。
4.在线A/B测试
离线和在线遇到的问题不同，处理可能离线遇不到的问题。
5.过拟合和欠拟合：
过拟合：模型复杂，在训练数据好测试数据不好
欠拟合：在训练和测试数据上都表现不好
6.ROC曲线：
横坐标是假阳性率（假的阳性占真正假的），纵坐标是真阳性率（真的阳性占真正的真的）。
7.计算AUC：
ROC的面积大小，该值能够量化地反应基于ROC曲线衡量出的模型的性能。
8.余弦相似度：
因为欧式距离在某些情况下不能正确的评判。
机器学习中特征使用向量表示。
余弦定理并不是一个真正的距离计算公式。
9.模型评估中的验证方法：
交叉验证：时间比较久
自助法
10.将低过拟合和欠拟合：
过拟合：降低模型的复杂度，数据增强，dropout，正则化
欠拟合：修改模型，数据增强
11.ROC和PR
ROC是假阳性率和真阳性率
PR是召回率和准确率。
12.超参数调优：
网格搜索，随机搜索，贝叶斯优化算法

33
1.逻辑回归和线性回归
一个是分类一个是回归。损失函数不一样逻辑回归是交叉熵损失，并且是线性回归后加了一个激活函数
2决策树的启发函数
ID3最大信息增益、C4.5最大信息增益比、CART最大基尼指数
4.使用逻辑回归处理多标签
可以使用多个分类器
5.决策树剪枝：
预剪枝和后剪枝

百面深度学习

1.简述卷积的基本操作，并分析其与全连接层的区别
卷积或的特征图的更高层的语义特征。全连接层输出单元和每个输入单元都相连接。卷积局部连接，用一个卷积核权值共享。
2.在卷积神经网络中如何计算各层的感受野的大小：
感受野的大小核步长与卷积核的大小有关。以及上一层的感受野的大小有关
3.分组卷积及其应用场景：
输出通道核输入通道全部相连接，但是分组卷积将它们分开了。在不同计算机上进行训练，对计算机的算力要求较低。
4.空洞卷积的设计思路
在卷积核中加几个空洞，但是增大了感受野。
5.转置卷积
转置卷积主要用于进行上采样
6.可变变形卷积
检测的物体的形状不够规整
7.批归一化。
解决神经网络在参数更新以后原有的数据特征不一致，一般放在激活函数之前或者之后没有一个明确的说法。
8.用于分类的网络的最后几层：
一般是全连接层，但是由于近几年全卷积，使得图片的输入大小可以不同
9.Alexnet第一CNN
Resnet加入了残差网络

66
1.强化学习？使用马尔可夫描述强化学习
强化学习主要是智能体和环境之间的关系。
策略，收益，动作，状态以及状态转移矩阵
2.时序差分和蒙特卡洛强化学习。
前者不是遍历所有状态才更新，是边走边更新后者要全部经历才能更新。
3.策略迭代是找到一个收益最大的策略，价值迭代是维护一个价值表，没有显式的策略
4.Q-learning
维护一个价值表

9
1.单步检测和双步检测
单步快，双步慢，双步对于box要进行对此回归校正，精度高
2.增强小物体的检测
图像增强，增大网络模型的深度，增大感受野
3.