該樓層疑似違規(guī)已被系統(tǒng)折疊 隱藏此樓查看此樓

1、深度學(xué)習(xí)框架TensorFlow中有哪四種常用交叉熵？

答： tf.nn.weighted_cross_entropy_with_logits

tf.nn.sigmoid_cross_entropy_with_logits

tf.nn.softmax_cross_entropy_with_logits

tf.nn.sparse_softmax_cross_entropy_with_logits

2、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(xué)習(xí)中，我么測試模型的時候，提高了在訓(xùn)練數(shù)據(jù)集的表現(xiàn)力時候，

但是在訓(xùn)練集上的表現(xiàn)力反而下降了。

解決方案：

1.正則化 ；

2.在訓(xùn)練模型過程中，調(diào)節(jié)參數(shù)。學(xué)習(xí)率不要太大；

3.對數(shù)據(jù)進行交叉驗證；

4.選擇適合訓(xùn)練集合測試集數(shù)據(jù)的百分比，選取合適的停止訓(xùn)練標準，使對機器的訓(xùn)練在合適；

5.在神經(jīng)網(wǎng)絡(luò)模型中，我們可以減小權(quán)重；

3、什么是核函數(shù)？

核函數(shù)是將線性不可分的特征隱射到高位特征空間，從而讓支持向量機在這個高維空間線性可分，也就是使用核函數(shù)可以向高維空間映射并解決非線性的分類問題。包括線性核函數(shù)，多項式核函數(shù)，高斯核函數(shù)等，其中高斯核函數(shù)最為常用。

4、深度學(xué)習(xí)框架TensorFlow中常見的核函數(shù)都有哪些？

SVM高斯核函數(shù)，應(yīng)為如果想要分割非線性數(shù)據(jù)集，改變線性分類器隱射到數(shù)據(jù)集，就要改變SVM損失函數(shù)中的核函數(shù)

線性核函數(shù)

多項式核函數(shù)

5、樸素貝葉斯方法的優(yōu)勢是什么？

樸素貝葉斯有穩(wěn)定的分類效率

對于小規(guī)模的數(shù)據(jù)表現(xiàn)很好，能處理多分類問題，可以再數(shù)據(jù)超出內(nèi)存時，去增量訓(xùn)練

對缺失數(shù)據(jù)不太敏感，算法比較簡單，常用于文本分類。

6、什么是監(jiān)督學(xué)習(xí)的標準方法？

所有的回歸算法和分類算法都屬于監(jiān)督學(xué)習(xí)并且明確的給給出初始值在訓(xùn)練集中有特征和標簽，并且通過訓(xùn)練獲得一個模型，在面對只有特征而沒有標簽的數(shù)據(jù)時，能進行預(yù)測。

7、在機器學(xué)習(xí)中，模型的選擇是指什么？

根據(jù)一組不同復(fù)雜度的模型表現(xiàn)，從某個模型中挑選最好的模型。選擇一個最好模型后，在新的數(shù)據(jù)上來評價其預(yù)測誤差等評價和指標。

8、圖形數(shù)據(jù)庫Neo4J的優(yōu)劣勢？

優(yōu)勢：1.更快的數(shù)據(jù)庫操作，前提是數(shù)據(jù)量足夠大。

2. 數(shù)據(jù)更加直觀，相應(yīng)的SQL語句更加好寫。

3.更靈活，不管有什么新的數(shù)據(jù)需要儲存，都是一律的節(jié)點，只需要考慮節(jié)點屬性和邊屬性。

4.數(shù)據(jù)庫的操作不會隨著數(shù)據(jù)庫的增大有明顯的降低。

劣勢：1.極慢的插入速度。

2.超大的節(jié)點。當一個節(jié)點的邊非常多，

有關(guān)這個節(jié)點的操作速度就會大大下降

9、LR和SVM的聯(lián)系與區(qū)別是什么？

都是分類算法

如果不考慮核函數(shù)，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(jiān)督學(xué)習(xí)算法

LR和SVM的損失函數(shù)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。

總結(jié)

以上是生活随笔為你收集整理的python人工智能面试题_人工智能面试题分享（含答案）的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。