秋招人工智能笔试题
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(jù)簡歷，問我的項目細節(jié)，問我使用的哪個卷積神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)訓練方法有什么區(qū)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(jīng)網(wǎng)絡(luò)是個模型，深度學習方法呢可以有效解決層數(shù)多的神經(jīng)網(wǎng)絡(luò)不好學習的問題，為了讓層數(shù)較多的多層神經(jīng)網(wǎng)絡(luò)可以訓練，能夠起作用并演化出來的一系列的 新的結(jié)構(gòu)和新的方法；
結(jié)構(gòu)：一般分為兩大陣營，CNN,RNN，感覺這里欠妥，請指正。
方法：權(quán)重初始化方法（逐層初始化，XAVIER等），損失函數(shù)，防止過擬合方法（Dropout, BN等）。
這些方面主要都是為了解決傳統(tǒng)的多層神經(jīng)網(wǎng)絡(luò)的一些不足：梯度消失，過擬合等。
-
分類問題常用的損失函數(shù)：
（1）交叉熵損失函數(shù)，也稱作softmax損失函數(shù)，可用于解決多分類問題，通過指數(shù)化將輸出轉(zhuǎn)換成概率的形式；
（2）合頁損失函數(shù)，一般情況下，交叉熵損失函數(shù)的效果優(yōu)于合頁損失函數(shù)；
（3）坡道損失函數(shù)，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(shù)，對誤差較大的區(qū)域會進行截斷；
（4）大間隔損失函數(shù)，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(wǎng)絡(luò)發(fā)生過擬合；
（5）中心損失函數(shù)，保證能夠正確分類的同時，還滿足減少類內(nèi)的差異，提升了特征的分辨能力； -
回歸問題常用的損失函數(shù)：
（1）l1損失函數(shù)，衡量的是預(yù)測值與真實值之間的偏差；
（2）l2損失函數(shù)，效果 優(yōu)于l1；
（3）tukey‘s biweight損失函數(shù)，是一種具有魯棒性的損失函數(shù)； -
其他任務(wù)的損失函數(shù)：
KL散度損失函數(shù)，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(jīng)網(wǎng)絡(luò)？請說明卷積的意義
分開看就明確了，“卷積” 和 “神經(jīng)網(wǎng)絡(luò)”.
卷積也就是說神經(jīng)網(wǎng)絡(luò)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(qū)域進行處理, 這種做法加強了圖片信息的連續(xù)性. 使得神經(jīng)網(wǎng)絡(luò)能看到圖形, 而非一個點. 這種做法同時也加深了神經(jīng)網(wǎng)絡(luò)對圖片的理解.
具體來說, 卷積神經(jīng)網(wǎng)絡(luò)有一個批量過濾器, 持續(xù)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(qū)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(xiàn), 比如這時的神經(jīng)網(wǎng)絡(luò)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(chǎn)生的這些邊緣信息, 神經(jīng)網(wǎng)絡(luò)從這些邊緣信息里面總結(jié)出更高層的信息結(jié)構(gòu),比如說總結(jié)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(shù)（如：單位響應(yīng)）在另一個函數(shù)（如：輸入信號）上的加權(quán)疊加，這就是卷積的意義：加權(quán)疊加，不同的卷積核提供了不同的加權(quán)方式，從而得到魯棒的特征，進行參數(shù)共享，大大減少了參數(shù)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(jù)語義經(jīng)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(xiàn)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(guī)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(xiàn)象。但漢語語法籠統(tǒng)，復(fù)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(tǒng)計的分詞法：根據(jù)字符串在語料中出現(xiàn)的統(tǒng)計詞頻來判斷其是否構(gòu)成一個詞。詞是字的組合，相鄰的字同時出現(xiàn)的次數(shù)越多越有可能成為一個詞。該種方法因精度高，效果穩(wěn)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(xiàn)在深度學習在nlp領(lǐng)域有哪些應(yīng)用？ 請具體說明
5. 傳統(tǒng)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(zhuǎn)、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(guān)鍵點，最后利用關(guān)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(shù)據(jù)集的表現(xiàn)力時候，但是在訓練集上的表現(xiàn)力反而下降了。
解決方案：
7. LR和SVM的聯(lián)系與區(qū)別是什么？
8. 給你一個有1000列和1百萬行的訓練數(shù)據(jù)集，這個數(shù)據(jù)集是基于分類問題的。經(jīng)理要求你來降低該數(shù)據(jù)集的維度以減少模型計算時間，但你的機器內(nèi)存有限。你會怎么做？（你可以自由做各種實際操作假設(shè)。）
9. 給你一個數(shù)據(jù)集，這個數(shù)據(jù)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(nèi)。百分之多少的數(shù)據(jù)不會受到影響？為什么？
約有32%的數(shù)據(jù)將不受缺失值的影響。
因為，由于數(shù)據(jù)分布在中位數(shù)附近，讓我們先假設(shè)這是一個正態(tài)分布。我們知道，在一個正態(tài)分布中，約有68%的數(shù)據(jù)位于跟平均數(shù)（或眾數(shù)、中位數(shù)）1個標準差范圍內(nèi)，那么剩下的約32%的數(shù)據(jù)是不受影響的。因此，約有32%的數(shù)據(jù)將不受缺失值的影響。
10. 真陽性率和召回有什么關(guān)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(shù)據(jù)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(zhuǎn)載和疑問聲明
如果你有什么疑問或者想要轉(zhuǎn)載，沒有允許是不能轉(zhuǎn)載的哈
贊賞一下能不能轉(zhuǎn)？哈哈，聯(lián)系我啊，我告訴你呢 ~~
歡迎聯(lián)系我哈，我會給大家慢慢解答啦~~~怎么聯(lián)系我？ 笨啊~ ~~ 你留言也行
你關(guān)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(fā)送 “我要加群”，聯(lián)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(jié)
- 上一篇： 计算机文管二级试题,计算机文管二级试题
- 下一篇： ionic开发记账软件《易跟金》