smile

Index 基本遵从《统计学习方法》一书中的符号表示。 除特别说明，默认w为行向量，x为列向量，以避免在wx 中使用转置符号；但有些公式为了更清晰区分向量与标量，依然会使用^T的上标，注意区分。 输入实例x的特征向量记为： 注意：x_i 和 x^(i) 含义不同，前者表示训练集中第 i 个实例，后者表示特征向量中的第 i 个分量；因此，通常记训练集为： 特征向量用小n表示维数，训练集用大N表示个数

问题答案可关注公众号 机器学习算法面试，回复“资料”即可领取啦~~ 1.机器学习理论 1.1 数学知识 1.1.1 机器学习中的距离和相似度度量方式有哪些？ 1.1.2 马氏距离比欧式距离的异同点？ 1.1.3 张量与矩阵的区别？ 1.1.4 如何判断矩阵为正定？ 1.1.5 距离的严格定义？ 1.1.6 参考 1.2 学习理论 1.2.1 什么是表示学习？ 1.2.2 什么是端到端学习？ 1.2

感知机可以理解为几何中的线性方程：w*x+b=0 对应于特征空间 R^n 中的一个超平面 S ，其中 w 是超平面法向量，b 是超平面的截距。这个超平面将特征空间划分为两个部分。位于两部分的点（特征向量）分别被分为正、负两类。

本教程将全面介绍深度学习从模型构造到模型训练的方方面面，以及它们在计算机视觉和自然语言处理中的应用。

二面挂 总时长1.5h，面试45min，剩下时间手撕 面试大概问题： 1.讲数据挖掘比赛的过程 2.连续字段怎么转换为离散字段 3.讲一个困难的经历是如何解决并分工的 4.讲一个自己熟悉的网络框架 5.L1正则和L2正则 6.多模态数据怎么利用，模型怎么设计 其他的记不清了 反问环节： 1.部门做什么的 2.用的主要方法是什么 手撕代码，两问： 1.给定函数f(x) = 1.2 x^2 - 0.8

前言： 岗位：机器学习算法实习 笔试情况：无笔试 一面 1.自我介绍（非科班硕，一份水实习）; 2.介绍项目，并由此引出一系列八股文： 介绍gbdt算法的原理与实现 说说xgboost对于gbdt所做的主要优化 3.介绍实习工作 简单介绍resnet及其主要改进(shortcut连接，BN层)，说说这些改进为什么work 介绍transformer及self-attention机制实现方式 了解哪

时长：1h 1.自我介绍 2.选了个实习深挖，这部分问了蛮多的，从流程到实现，每部分的输入输出等等 3.根据我的研究方向，问了一些经典的算法和最新的一些前沿成果（这部分拉了坨大的，面试官说我说的那些东西在他上学那会就有了） 4.注意力机制的计算公式？为什么除以根号dk？ 5.了解推荐模型嘛？知道哪些模型？ 6.手撕：和为k的连续子数组（面试官口述的问题，一开始理解成输出数量，结果是要输出所有的数组

感知机学习问题转化为求解损失函数的最优化问题，最优化的方法就是随机梯度下降法。 1. 学习算法的原始形式 给定一个训练数据集$$T={(x{(1)},y{(1)}),(x{(2)},y{(2)}),...,(x{(m)},y{(m)})}$$，其中，$$x{(i)}in X= Rn$$，$$y^{(i)}in Y=lbrace+1,-1rbrace$$，$$i=1,2,...,m$$，求参数$$w