前言:
眼前我们对“cv算法面试题”大致比较注意,同学们都想要剖析一些“cv算法面试题”的相关内容。那么小编在网络上汇集了一些对于“cv算法面试题””的相关资讯,希望兄弟们能喜欢,咱们快快来学习一下吧!算法工程师面试题
LDA(线性判别分析) 和 PCA 的区别与联系
K-均值算法收敛性的证明
如何确定 LDA (隐狄利克雷模型) 中主题的个数
随机梯度下降法的一些改进算法
L1正则化产生稀疏性的原因
如何对贝叶斯网络进行采样
从方差、偏差角度解释 Boosting 和 Bagging
LSTM是如何实现长短期记忆功能的
WGAN解决了原始 GAN 中的什么问题
深度学习通用面试题
什么是深度学习?为什么它会如此受欢迎?
深度学习与机器学习有什么区别?
深度学习的先决条件是什么?
选择哪些工具/语言构建深度学习模型?
为什么构建深度学习模型需要使用GPU?
何时(何处)应用神经网络?
是否需要大量数据来训练深度学习模型?
一般在哪里找一些基本的深度学习项目用来练习?
前馈神经网络和递归神经网络之间有什么区别?
什么是优化函数?说出几个常见的优化函数。
机器学习工程师面试题
你会在时间序列数据集上使用什么交叉验证技术?是用k倍或LOOCV?
你是怎么理解偏差方差的平衡的?
给你一个有1000列和1百万行的训练数据集,这个数据集是基于分类问题的。经理要求你来降低该数据集的维度以减少模型计算时间,但你的机器内存有限。你会怎么做?
全球平均温度的上升导致世界各地的海盗数量减少。这是否意味着海盗的数量减少引起气候变化?
给你一个数据集,这个数据集有缺失值,且这些缺失值分布在离中值有1个标准偏差的范围内。百分之多少的数据不会受到影响?为什么?
你意识到你的模型受到低偏差和高方差问题的困扰。那么,应该使用哪种算法来解决问题呢?为什么?
协方差和相关性有什么区别?
真阳性率和召回有什么关系?写出方程式。
Gradient boosting算法(GBM)和随机森林都是基于树的算法,它们有什么区别?
你认为把分类变量当成连续型变量会更得到一个更好的预测模型吗?
“买了这个的客户,也买了......”亚马逊的建议是哪种算法的结果?
在k-means或kNN,我们是用欧氏距离来计算最近的邻居之间的距离。为什么不用曼哈顿距离?
我知道校正R2或者F值是用来评估线性回归模型的。那用什么来评估逻辑回归模型?
为什么朴素贝叶斯如此“朴素”?
标签: #cv算法面试题 #算法收敛性可以证明什么