1.過(guò)擬合的解決辦法
2.L1/L2正則化
3.特征如何降維 （pca lda）
4.pca和lda的區(qū)別
5.GBDT灰嫉，XGBOOST，RF嗓奢，對(duì)XGB參數(shù)的理解
（LR,SVM,XGBOOST,這三個(gè)模型中哪個(gè)處理數(shù)據(jù)不平衡的Cover能力最強(qiáng)讼撒，答案：XGBoost,號(hào)稱能處理10：1的數(shù)據(jù)不平衡）
6.SSD,Faster-rcnn,Mask-Rcnn
faster rcnn的rpn和anchor機(jī)制和ROI pooling,SSD在哪方面比YOLOv1檢測(cè)小物體更有效，損失函數(shù)為何用交叉熵不用平方損失
7.檢測(cè)單階段和兩階段的優(yōu)缺點(diǎn)
8.神經(jīng)網(wǎng)絡(luò)的反向傳播機(jī)制股耽，pooling和卷積
7.邏輯回歸與SVM的區(qū)別根盒，logistic和SVM要弄得很清楚，大數(shù)據(jù)量的情況下邏輯回歸和SVM哪個(gè)好
LR計(jì)算比較方便物蝙，SVM高維kernel計(jì)算復(fù)雜炎滞，但是準(zhǔn)確。如果數(shù)據(jù)多茬末，要求實(shí)時(shí)得到預(yù)測(cè)結(jié)果，用LR;如果數(shù)據(jù)不多，要求準(zhǔn)確率丽惭，可以選擇SVM
8.范數(shù)击奶，滿秩和正定的聯(lián)系？
9.svd中間項(xiàng)的秩
10.kmeans聚類和EM聚類
11.smooth L1為什么是L1不是L2
12.梯度下降法和牛頓法
13.momentum
14.核范數(shù)的計(jì)算和意義和優(yōu)化责掏，1/2范數(shù)
15.SIFT,HOG和LBP柜砾，Hough直線檢測(cè)的原理
16.聚類求視頻中的人
17.譜聚類圖切（譜聚類了解一下）
18.SVD怎么做的，和特征值分解的區(qū)別和聯(lián)系
（矩陣作用在向量上就是等于對(duì)該向量進(jìn)行了變換）
19.svm的核函數(shù)换衬？（一個(gè)低維空間向高維空間的映射痰驱，這個(gè)映射可以把低維空間線性不可分的變成線性可分的，可能面臨維度災(zāi)難瞳浦，使用對(duì)偶和核技巧可以避免顯式的特征變換）
SVM的離群點(diǎn)（軟間隔）
20.形態(tài)學(xué)操作
開(kāi)運(yùn)算：先腐蝕后膨脹 ：過(guò)濾噪聲的同時(shí)不對(duì)物體的形狀担映，輪廓造成明顯的影響
閉運(yùn)算：先膨脹后腐蝕，能夠彌合狹窄的間斷叫潦，填充小的孔洞蝇完。
21.邊緣檢測(cè)算法
sobel prewitt roberts log canny dog
22.深度學(xué)習(xí)為什么在圖像領(lǐng)域效果這么好
23.光流算法
24.1*1卷積的作用
25.depth wise convolution?
26.為什么mobile net 精度下降
27.優(yōu)化算法再仔細(xì)看一遍
28.CNN的核心，卷積操作矗蕊，卷積反向傳播短蜕，tensorflow中卷積操作是怎樣實(shí)現(xiàn)的，池化是怎樣的操作傻咖，反向傳播過(guò)程中池化層怎么接受后面?zhèn)鬟^(guò)來(lái)的損失朋魔？
29.研究一下tensorflow框架
30.手寫B(tài)P，用SGD寫
31.目標(biāo)檢測(cè)在提升小目標(biāo)檢測(cè)上的改進(jìn)
32.濾波器尺寸一般設(shè)計(jì)成奇數(shù)卿操？
33.dropout:train和test不一樣,test把a(bǔ)ctive function的輸出都乘以P警检，這樣就把train和test的輸出期望都scale到了一個(gè)range
34.BN:降低了樣本之間的差異,scale到（alpha，beta）;降低了層層之間的依賴硬纤，主要體現(xiàn)在前一層的輸出是下一層的輸入解滓，那么我們把所有數(shù)據(jù)都scale到（alpha，beta）的分布筝家，那么就降低了層層之間的依賴關(guān)系洼裤，從而使數(shù)據(jù)更加準(zhǔn)確
35.感受野：
36.pooling：maxpooling:提取最具代表性的特征，average pooling:提取比較general的特征溪王；global average pooling:用來(lái)分類的腮鞍，因?yàn)楹竺娴木W(wǎng)絡(luò)加深，full connected layer 參數(shù)太多了莹菱，不容易訓(xùn)練移国，為了快速準(zhǔn)確得到結(jié)果，采用global average pooling 道伟，沒(méi)有參數(shù)迹缀，但是得到的分類結(jié)果效果跟FC差不多使碾。
37.積分圖像
38.一些評(píng)價(jià)指標(biāo)AUC,ROC
絕境逆生
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
- 文/潘曉璐 我一進(jìn)店門，熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái)摩梧，“玉大人物延，你說(shuō)我怎么就攤上這事≌媳荆” “怎么了教届？”我有些...
- 文/不壞的土叔 我叫張陵，是天一觀的道長(zhǎng)驾霜。 經(jīng)常有香客問(wèn)我案训，道長(zhǎng)，這世上最難降的妖魔是什么粪糙？ 我笑而不...
- 正文 為了忘掉前任强霎，我火速辦了婚禮，結(jié)果婚禮上蓉冈，老公的妹妹穿的比我還像新娘城舞。我一直安慰自己，他們只是感情好寞酿，可當(dāng)我...
- 文/花漫 我一把揭開(kāi)白布家夺。 她就那樣靜靜地躺著，像睡著了一般伐弹。 火紅的嫁衣襯著肌膚如雪拉馋。 梳的紋絲不亂的頭發(fā)上，一...
- 那天惨好，我揣著相機(jī)與錄音煌茴，去河邊找鬼。 笑死日川，一個(gè)胖子當(dāng)著我的面吹牛蔓腐，可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播龄句，決...
- 文/蒼蘭香墨 我猛地睜開(kāi)眼回论，長(zhǎng)吁一口氣：“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼散罕！你這毒婦竟也來(lái)了？” 一聲冷哼從身側(cè)響起傀蓉，我...
- 序言：老撾萬(wàn)榮一對(duì)情侶失蹤笨使，失蹤者是張志新（化名）和其女友劉穎，沒(méi)想到半個(gè)月后僚害，有當(dāng)?shù)厝嗽跇?shù)林里發(fā)現(xiàn)了一具尸體，經(jīng)...
- 正文 獨(dú)居荒郊野嶺守林人離奇死亡繁调，尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
- 正文 我和宋清朗相戀三年萨蚕，在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片蹄胰。...
- 正文 年R本政府宣布宾袜，位于F島的核電站捻艳，受9級(jí)特大地震影響，放射性物質(zhì)發(fā)生泄漏庆猫。R本人自食惡果不足惜认轨，卻給世界環(huán)境...
- 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望月培。 院中可真熱鬧嘁字，春花似錦、人聲如沸杉畜。這莊子的主人今日做“春日...
- 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)此叠。三九已至纯续，卻和暖如春，著一層夾襖步出監(jiān)牢的瞬間拌蜘，已是汗流浹背杆烁。 一陣腳步聲響...
- 正文 我出身青樓，卻偏偏與公主長(zhǎng)得像举娩，于是被迫代替她去往敵國(guó)和親析校。 傳聞我的和親對(duì)象是個(gè)殘疾皇子构罗，可洞房花燭夜當(dāng)晚...
推薦閱讀更多精彩內(nèi)容
- 機(jī)器學(xué)習(xí)是做NLP和計(jì)算機(jī)視覺(jué)這類應(yīng)用算法的基礎(chǔ)，雖然現(xiàn)在深度學(xué)習(xí)模型大行其道智玻，但是懂一些傳統(tǒng)算法的原理和它們之間...
- LR和SVM的區(qū)別 相同點(diǎn)：1遂唧、都是監(jiān)督、分類算法吊奢，且一般處理二分類問(wèn)題2盖彭、兩個(gè)方法都可以增加不同的正則化項(xiàng)，如l...
- 101.深度學(xué)習(xí)（CNN RNN Attention）解決大規(guī)模文本分類問(wèn)題页滚。 用深度學(xué)習(xí)（CNN RNN Att...
- 和好容易召边，如初太難，破鏡不能重圓裹驰，也許隧熙，生命中你會(huì)碰到一些人，從陌生到熟悉幻林，從熟悉到陌生的人贞盯。當(dāng)你被傷的傷痕累累，...
- 第一次聽(tīng)到林俊杰的歌是在初中父丰，那時(shí)走在大街小巷都能聽(tīng)到那首《小酒窩》，可以毫不夸張地說(shuō)掘宪，林俊杰的歌曲蛾扇，陪伴了我一整...
