机器学习相关问题 .pdfVIP

算法部分

1.遗传算法规划路径

限定条件加在哪层循环

2.适应度函数如何设定

3.为什么用遗传不用蚁群和退火

4.最小二乘法是误差平方和而不是四次方六次方

5.卡尔曼滤波

在连续变化的系统中使用卡尔曼滤波是非常理想的，它具有占用内存小的优点（除了前

一个状态量外，不需要保留其它历史数据），并且速度很快

一个新手和一个老手分别去测量一条路的长度。新手测的结果是a，老手测的结果

是b，我们用平均数作为这条路的长度，[公式]。

考虑到新手水平差一些，老手水平高一些我们可以用加权平均数作为结果，[公

式]。让老手的权重大一些，新手的权重小一些。这个权重取多少合适呢？

它们是满足正态分布的随机数，a和b的分布的均值是相同的，a的分布的标准差

是[公式]，b的分布的标准差是[公式]。那么c也是一个满足正态分布的随机数，c

的分布的均值和a、b是相同的，而c的标准差是[公式]。这个结论是根据简单的概

率统计知识得到的。

为了让结果尽量准确、让c的标准差最小，应该取权重为[公式]。此时c的标准

差为[公式]。这是二次函数的最值。

此时，c就是a和b的最优的加权平均数。如果又有人测到了d，可以用c和d再

用上面的方法继续做加权平均数。这是一个可以迭代计算的最优的加权平均数。

上面就是加权平均数，基本都在高中知识的范围内。

卡尔曼滤波不是一个滤波，而是一个信息融合的过程。融合的是观测和预测，如果观测

更可靠那么我们给观测一个更高的权值，反之则给预测更高的权值。

6.人工智能、机器学习、深度学习、计算机视觉

计算机视觉=图像处理+机器学习。图像处理技术用于将图像处理为适合进入机器学习模型

中的输入，机器学习则负责从图像中识别出相关的模式。

7.回归和分类的区别

回归通常用来预测一个连续的输出，比如给定房间的面积，求房间的价格；预测明天的温度。

一个比较常见的回归算法是线性回归(LR)。

分类常用来预测一个离散值，比如贴标签。比如预测明天的天气是阴天，晴天还是雨天；判

断一幅图上的动物是猫还是狗。最常见的分类方法是逻辑回归，或者叫逻辑分类。

8.什么是线性回归

线性回归相当于是一种拟合，就是在已有的数据集上构造一个模型来拟合样本数据。当有新

的需要预测的数据，我们可以用拟合好的线性模型来预测结果。

9.什么是逻辑回归

逻辑回归虽然叫回归，不过它的本质是一个二分类器，通过将变量输入到一个线性函数

Wx+b中，在将其通过sigmoid函数，得到这个变量所属哪一类的概率，进而判断样本属于

哪一类。

10.为什么需要激活函数

（1）不使用激活函数的话，每一层的输出都是上一层输入的线性函数，可以很容易验证，

无论神经网络有多少层，输出都是输入的线性组合，与只有一个隐藏层效果相当，深度神经

网络实际上就和多层感知机没有什么区别了。

（2）非线性变换是深度学习有效地原因之一，非线性相当于对控件进行变换，变换完成

后相当于对问题空间进行简化，原来线性不可解的问题现在变得可解了。

（3）激活函数可以控制输出值的范围，使得基于梯度的优化方法变得更加稳定。

11.Sigmoid和softmax的区别

12.什么是凸优化

（1）目标函数是凸函数（任意两点连线上的值大于对应自变量处的函数值）

（2）变量所属集合是凸集合（也就是任意两个元素连线上的点）

13.梯度下降法是什么

14.神经网络优缺点

9.对深度学习的理解

10.对人工智能的看法

11.机器学习现阶段的问题

12.机器学习的原理

13.什么是行列式

14.矩阵的转置

15.矩阵的逆

16.矩阵的乘积和点乘

17.正交矩阵

18.深度学习成功应用的案例

深度学习最成功的应用是在音视频的识别上，几乎所有的商用语音识别都是深度学习来完成

的。

其次深度学习应用最成功的领域就是图像识别，目前识别准确率已经超越人类。深度学习成

了图像识别的标配，以至于目前做图像不懂深度学习都不好意思跟人打招呼。（这种状态个

人觉得是不好的）

其中图像识别中，应用最广的是人脸识别。

自然语言理解方面，深度学习也非常活跃，主要是使用一种叫做LSTM的深度学习方法。