机器学习/深度学习问题总结及解答

转载链接

问题总结及资料连接

（1）机器学习部分

1 逻辑回归部分
常问，推导要会html

推导： https://zhuanlan.zhihu.com/p/34325602

2 SVM部分
常问，推导要会，精简版看下面连接，可是写的不是很详细，最好把cs229讲义好好看看面试

推导： https://www.zhihu.com/question/21094489 @靠靠靠谱的回答

3 集成学习
常问，推导要会算法

bagging方法：看周志华教授的西瓜书

boosting方法：看李航的蓝书，特别的对于GBDT，这篇文章写的很清晰，推导相对简单

这里注意一下，GBDT有两种，一种是残差学习，一种是负梯度代替残差的版本（因此有个G啊），为啥用负梯度近似残差也是常问的，其实这个说法就不对，残差只是在loss用最小二乘时候的一个特例,对

求梯度恰好就是

，换成其余loss function就不对了，因此应该反过来讲，残差学习只是一个特例，负梯度才是通用的

stacking方法：没有特别好的讲解，都看看吧，这篇还行

决策树：cart树是最常问的，详见李航蓝书，从推导到剪枝都要会

4 softmax编程

这个相对简单，这篇足够了

5 牛顿法和梯度降低网络

推导以及优劣比较，相对简单，直接看cs229讲义

6 交叉验证app

相对简单，看这篇

7 正则方法机器学习

正则是一大块，原理方法都要懂，能够参考这些文章： 1 2

8 归一化方法函数

基础问题，随便那本书都有

9 SVD分解 PCA ICA 白化
这部分我没有被问到，可是应该会问，毕竟是重点，看cs229讲义学习

（2）深度学习部分

1 过拟合的原由，怎么解决测试

这个没啥好说的，任何讲深度学习的书和课程都有，看哪一个都行

2 batch normalization

这个问题下的回答颇有价值

3 cnn rnn本质

这篇文章总结的很好

4 梯度弥散/爆炸

没有太好的文章，看看这篇讲resnet的吧

5 激活函数，比较

sigmod tanh relu maxout... 好多，这个随便一搜就一堆，放一个不太切题的文章吧，我偶像何之源奆佬的回答，手动滑稽

6 梯度降低优化

这就不少了，lan大神的花书讲的就很好，博客也能够看这个

7 各类网络结构

这个就太多了，cnn的 rnn的，细分还有不少，多看多熟悉吧

（3）传统算法

很奇怪，反而这块很不重视，考的题都很简单
1 阿里在线编程测试
给一个圆，切成n个扇形，涂m种颜色，要求任意两个相邻扇形颜色不一样
思路：首先不考虑首尾位置的扇形是否颜色相同，那么总共是种，

此时两种状况：1）首尾位置扇形颜色相同 2）首尾位置扇形颜色不一样，第二种知足题意，无论，第一种能够把首尾颜色相同的扇形合成一个扇形，这样就成了一个相同要求可是规模是

的问题，这样递推公式就是

，

2 腾讯二面面试官随手问的一个问题
是分水岭算法的一部分，问题能够以下描述：假设有一个单通道图片，背景像素点值为0，中间的物体像素点值为1，求出全部物体像素点到背景的最短距离
思路：dp思想，查看邻点，若是有一个是0，那么距离为1，不然该点的距离是邻点中最短的距离+1，先扫描行，只关心行的不关心列，算出最短距离，再扫描列，只关心列不关心行，更新上一步扫描行后的结果，就是 EDT算法，若是是欧式距离还要扫描斜边

3 腾讯二三面之间的笔试题

有n堆石子，第i堆石子的重量是w[i]，每次合并两堆石子，并计算分数，好比，两堆石子是x,y，合并后是x+y 分数是x y，一直合并下去，直到只剩一堆石子，求最大累积分数
思路： 一眼看到合并就是哈夫曼树呗，区别就是哈夫曼树分数是x+y，这个是x 一眼看到合并就是哈夫曼树呗，区别就是哈夫曼树分数是x+y，这个是x*y，那么每次取两个最大就好了，优先队列，弹出两个最大的相加计算乘积分数，而后结果扔进队列，直到队列只剩一个元素

（4）数字图像处理和模式识别

这部分只被问了这一个问题

1 Sobel、canny 算子边缘检测算子看这个

（5）信息论

信息熵、条件熵、互信息、信息增益等等的计算，腾讯现场笔试考的，具体的题忘了。。。

（6）几率论

1 几率分布的相关计算

2 假设检验

这部分看看本科的课本吧，都有的，几率论的题考的比较活

机器学习/深度学习 问题总结及解答