作者：原果

鏈接：https://www.nowcoder.com/discuss/71482

來源：牛客網

問題總結及資料鏈接

（1）機器學習部分

1 邏輯回歸部分
常問，推導要會

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

2 SVM部分
常問，推導要會，精簡版看下面鏈接，但是寫的不是很詳細，最好把cs229講義好好看看

推導：https://www.zhihu.com/question/21094489 @靠靠靠譜 的回答

3 集成學習
常問，推導要會

bagging方法：看周志華教授的西瓜書
boosting方法：看李航的藍書，特別的對于GBDT，這篇文章寫的很清晰，推導相對簡單 這里注意一下，GBDT有兩種，一種是殘差學習，一種是負梯度代替殘差的版本（所以有個G啊），為啥用負梯度近似殘差也是常問的，其實這個說法就不對，殘差只是在loss用最小二乘時候的一個特例,對求梯度剛好就是，換成其他loss function就不對了，所以應該反過來說，殘差學習只是一個特例，負梯度才是通用的
stacking方法：沒有特別好的講解，都看看吧，這篇還行
決策樹：cart樹是最常問的，詳見李航藍書，從推導到剪枝都要會

4 softmax

這個相對簡單，這篇足夠了

5 牛頓法和梯度下降

推導以及優劣比較，相對簡單，直接看cs229講義

6 交叉驗證

相對簡單，看這篇

7 正則方法

正則是一大塊，原理方法都要懂，可以參考這些文章 ：1 2

8 歸一化方法

基礎問題，隨便那本書都有

9 SVD分解 PCA ICA 白化
這部分我沒有被問到，但是應該會問，畢竟是重點，看cs229講義

（2）深度學習部分

1 過擬合的起因，怎么解決

這個沒啥好說的，任何講深度學習的書和課程都有，看哪個都行

2 batch normalization

這個問題下的回答很有價值

3 cnn rnn本質

這篇文章總結的很好

4 梯度彌散/爆炸

沒有太好的文章，看看這篇講resnet的吧

5 激活函數，比較

sigmod tanh relu maxout... 好多，這個隨便一搜就一堆，放一個不太切題的文章吧，我偶像何之源奆佬的回答，手動滑稽

6 梯度下降優化

這就很多了，lan大神的花書講的就很好，博客也可以看這個

7 各種網絡結構

這個就太多了，cnn的 rnn的，細分還有很多，多看多熟悉吧

（3）傳統算法

很奇怪，反而這塊很不重視，考的題都很簡單
1 阿里在線編程測試
給一個圓，切成n個扇形，涂m種顏色，要求任意兩個相鄰扇形顏色不同
思路：首先不考慮首尾位置的扇形是否顏色相同，那么總共是 種，

此時兩種情況：1）首尾位置扇形顏色相同 2）首尾位置扇形顏色不同，第二種滿足題意，不管，第一種可以把首尾顏色相同的扇形合成一個扇形，這樣就成了一個相同要求但是規模是的問題，這樣遞推公式就是 ，

2 騰訊二面 面試官隨手問的一個問題
是分水嶺算法的一部分，問題可以如下描述：假設有一個單通道圖片，背景像素點值為0，中間的物體像素點值為1，求出所有物體像素點到背景的最短距離
思路：dp思想，查看鄰點，如果有一個是0，那么距離為1，否則該點的距離是鄰點中最短的距離+1，先掃描行，只關心行的不關心列，算出最短距離，再掃描列，只關心列不關心行，更新上一步掃描行后的結果，就是EDT算法，如果是歐式距離還要掃描斜邊

3 騰訊二三面之間的筆試題

有n堆石子，第i堆石子的重量是w[i]，每次合并兩堆石子，并計算分數，比如，兩堆石子是x,y，合并后是x+y 分數是xy，一直合并下去，直到只剩一堆石子，求最大累積分數
思路： 一眼看到合并就是哈夫曼樹唄，區別就是哈夫曼樹分數是x+y，這個是x 一眼看到合并就是哈夫曼樹唄，區別就是哈夫曼樹分數是x+y，這個是x*y，那么每次取兩個最大就行了，優先隊列，彈出兩個最大的相加計算乘積分數，然后結果扔進隊列，直到隊列只剩一個元素

（4）數字圖像處理和模式識別

這部分只被問了這一個問題

1 Sobel、canny 算子 邊緣檢測算子看這個

（5）信息論

信息熵、條件熵、互信息、信息增益 等等的計算，騰訊現場筆試考的，具體的題忘了。。。

（6）概率論

1 概率分布的相關計算

2 假設檢驗
這部分看看本科的課本吧，都有的，概率論的題考的比較活

轉載于:https://www.cnblogs.com/shiML/p/8734499.html

總結

以上是生活随笔為你收集整理的机器学习/深度学习 问题总结及解答的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。