秋招人工智能筆試題

---

面試是在陽臺上進行的，中午剛睡醒，然后就是開始自我介紹，然后就是簡單的寒暄。
然后根據簡歷，問我的項目細節，問我使用的哪個卷積神經網絡模型，為什么選擇這個模型，通常都有哪些模型。

1. 深度學習和過往的神經網絡訓練方法有什么區別？列舉幾種深度學習的loss function，并說明意義

---

深度學習是一種方法，神經網絡是個模型，深度學習方法呢可以有效解決層數多的神經網絡不好學習的問題，為了讓層數較多的多層神經網絡可以訓練，能夠起作用并演化出來的一系列的 新的結構和新的方法；

結構：一般分為兩大陣營，CNN,RNN，感覺這里欠妥，請指正。
方法：權重初始化方法（逐層初始化，XAVIER等），損失函數，防止過擬合方法（Dropout, BN等）。
這些方面主要都是為了解決傳統的多層神經網絡的一些不足：梯度消失，過擬合等。

• 分類問題常用的損失函數：
  （1）交叉熵損失函數，也稱作softmax損失函數，可用于解決多分類問題，通過指數化將輸出轉換成概率的形式；
  （2）合頁損失函數，一般情況下，交叉熵損失函數的效果優于合頁損失函數；
  （3）坡道損失函數，對離群點或者噪聲的抗干擾能力強，是一種魯棒性的損失函數，對誤差較大的區域會進行截斷；
  （4）大間隔損失函數，保證能夠正確分類的同時，還滿足增大類間的差異，提升了特征的分辨能力，防止網絡發生過擬合；
  （5）中心損失函數，保證能夠正確分類的同時，還滿足減少類內的差異，提升了特征的分辨能力；

• 回歸問題常用的損失函數：
  （1）l1損失函數，衡量的是預測值與真實值之間的偏差；
  （2）l2損失函數，效果 優于l1；
  （3）tukey‘s biweight損失函數，是一種具有魯棒性的損失函數；

• 其他任務的損失函數：
  KL散度損失函數，衡量的是樣本標記分布與真是標記分布的差異，可用于年齡估計等。

---

2. 什么是卷積神經網絡？請說明卷積的意義

分開看就明確了，“卷積” 和 “神經網絡”.
卷積也就是說神經網絡不再是對每個像素的輸入信息做處理了,而是圖片上每一小塊像素區域進行處理, 這種做法加強了圖片信息的連續性. 使得神經網絡能看到圖形, 而非一個點. 這種做法同時也加深了神經網絡對圖片的理解.

具體來說, 卷積神經網絡有一個批量過濾器, 持續不斷的在圖片上滾動收集圖片里的信息,每一次收集的時候都只是收集一小塊像素區域, 然后把收集來的信息進行整理, 這時候整理出來的信息有了一些實際上的呈現, 比如這時的神經網絡能看到一些邊緣的圖片信息, 然后在以同樣的步驟, 用類似的批量過濾器掃過產生的這些邊緣信息, 神經網絡從這些邊緣信息里面總結出更高層的信息結構,比如說總結的邊緣能夠畫出眼睛,鼻子等等.

卷積的重要的物理意義是：一個函數（如：單位響應）在另一個函數（如：輸入信號）上的加權疊加，這就是卷積的意義：加權疊加，不同的卷積核提供了不同的加權方式，從而得到魯棒的特征，進行參數共享，大大減少了參數量，避免過擬合；

---

3. 什么是中文分詞？ 列舉出幾種你所知的分詞方法

中文分詞就是將中文按語義分出詞語來，與英文不同，中文詞語之間沒有空格，需要根據語義經驗等知識來將一組漢字序列進行切分出一個個詞語

中文分詞主要分為三種：
1）機械分詞法：是一種基于詞典的方法，是將文檔中的字符串與詞典中的詞條一一匹配，如果在詞典中找到了某個字符串，則匹配成功，可以切分，否則不予切分。該方法實現簡單，使用性強，但對于詞典的完備性要求很高。
2）基于語法和規則的分詞方法：是在分詞的同時進行句法和語義分析，通過句法和語義信息來標注詞性，以解決分詞歧義的現象。但漢語語法籠統，復雜，所以該種方法的精度不盡人意，目前仍處于試驗階段。
3）基于統計的分詞法：根據字符串在語料中出現的統計詞頻來判斷其是否構成一個詞。詞是字的組合，相鄰的字同時出現的次數越多越有可能成為一個詞。該種方法因精度高，效果穩定，成為目前最流行的一種方法，常見的分詞模型有HMM, CRF, biLSTM+CRF等

---

4. 現在深度學習在nlp領域有哪些應用？ 請具體說明

機器翻譯，or神經機器翻譯（NMT）在翻譯中提供了統計方式之外的另一種方式，同時也更加簡便。

知識問答，問答機器人，可以用深度學習模型，從語料中學習獲得一些問題的答案。

自然語言生成，能夠根據一些關鍵信息及其在機器內部的表達形式，經過一個規劃過程，來自動生成一段高質量的自然語言文本。

---

5. 傳統圖像處理提取的sift特征是什么意思？

sift指的是scale invarient feature transform，即尺度不變特征變換。
sift特征是一種對縮放、旋轉、光照變化等不敏感的局部圖像特征，其提取過程是先生成圖像的尺度空間，然后在尺度空間中檢測極值點作為關鍵點，最后利用關鍵點鄰域的梯度信息生成特征描述符。

6. 什么叫過擬合，避免過擬合都有哪些措施？

答：過擬合：就是在機器學習中，我么測試模型的時候，提高了在訓練數據集的表現力時候，但是在訓練集上的表現力反而下降了。

解決方案：

正則化

在訓練模型過程中，調節參數。學習率不要太大.

對數據進行交叉驗證

選擇適合訓練集合測試集數據的百分比，選取合適的停止訓練標準，使對機器的訓練在合適

在神經網絡模型中，我們可以減小權重

7. LR和SVM的聯系與區別是什么？

都是分類算法

如果不考慮核函數，LR和SVM都是線性分類算法，也就是說他們的分類決策面都是線性的

LR和SVM都是監督學習算法

LR和SVM的損失函數不同

SVM只考慮局部的邊界線附近的點 ，LR考慮全局，遠離的點對邊界線的確定也起作用

8. 給你一個有1000列和1百萬行的訓練數據集，這個數據集是基于分類問題的。經理要求你來降低該數據集的維度以減少模型計算時間，但你的機器內存有限。你會怎么做？（你可以自由做各種實際操作假設。）

由于我們的RAM很小，首先要關閉機器上正在運行的其他程序，包括網頁瀏覽器等，以確保大部分內存可以使用。

我們可以隨機采樣數據集。這意味著，我們可以創建一個較小的數據集，比如有1000個變量和30萬行，然后做計算。

為了降低維度，我們可以把數值變量和分類變量分開，同時刪掉相關聯的變量。對于數值變量，我們將使用相關性分析；對于分類變量，我們可以用卡方檢驗。

另外，我們還可以使用PCA（主成分分析），并挑選可以解釋在數據集中有最大偏差的成分。

利用在線學習算法，如VowpalWabbit（在Python中可用）是一個不錯的選擇。

利用Stochastic GradientDescent（隨機梯度下降法）建立線性模型也很有幫助。

我們也可以用我們對業務的理解來估計各預測變量對響應變量的影響的大小。但是，這是一個主觀的方法，如果沒有找出有用的預測變量可能會導致信息的顯著丟失。

9. 給你一個數據集，這個數據集有缺失值，且這些缺失值分布在離中值有1個標準偏差的范圍內。百分之多少的數據不會受到影響？為什么？

約有32%的數據將不受缺失值的影響。
因為，由于數據分布在中位數附近，讓我們先假設這是一個正態分布。我們知道，在一個正態分布中，約有68%的數據位于跟平均數（或眾數、中位數）1個標準差范圍內，那么剩下的約32%的數據是不受影響的。因此，約有32%的數據將不受缺失值的影響。

10. 真陽性率和召回有什么關系？寫出方程式。

真陽性率=召回。它們有相同的公式（TP / TP + FN）。

11. 在k-means或kNN，我們是用歐氏距離來計算最近的鄰居之間的距離。為什么不用曼哈頓距離？

我們不用曼哈頓距離，因為它只計算水平或垂直距離，有維度的限制。另一方面，歐氏距離可用于任何空間的距離計算問題。

因為，數據點可以存在于任何空間，歐氏距離是更可行的選擇。
例如：想象一下國際象棋棋盤，象或車所做的移動是由曼哈頓距離計算的，因為它們是在各自的水平和垂直方向做的運動。

---

轉載和疑問聲明

如果你有什么疑問或者想要轉載，沒有允許是不能轉載的哈
贊賞一下能不能轉？哈哈，聯系我啊，我告訴你呢 ~~
歡迎聯系我哈，我會給大家慢慢解答啦~~~怎么聯系我？ 笨啊~ ~~ 你留言也行

你關注微信公眾號1.機器學習算法工程師：2.或者掃那個二維碼，后臺發送 “我要加群”，聯系我也行啦！

（愛心.gif） 么么噠 ~么么噠 ~么么噠
碼字不易啊啊啊，如果你覺得本文有幫助，三毛也是愛！

我祝各位帥哥，和美女，你們永遠十八歲，嗨嘿嘿~~~

---

參考鏈接

https://morvanzhou.github.io/tutorials/machine-learning/tensorflow/5-03-A-CNN/
https://www.zhihu.com/question/22298352/answer/34267457
https://www.nowcoder.com/questionTerminal/42fe838421a84e279a67a0a16b874d29?source=relative
http://www.elecfans.com/d/540309.html

---

總結

以上是生活随笔為你收集整理的秋招人工智能笔试题的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。