《机器学习算法面试》专题

知乎链接 https://zhuanlan.zhihu.com/p/670356216 一面 11.15 60min 1. Transformer (1) 结构 (2) 为什么它能处理多种模态，是怎么处理的 (3) 它怎么用于图像分类，怎么处理图像的 (4) 他的解码器和编码器有什么不同 Mask编码 2. BN的作用和好处 减少损失函数后梯度消失 3. Dropout的好处 4. 梯度消失的原因

感谢大家的关注，但其实这些笔记远没有那么大的价值；深度学习以及自然语言处理的发展极其迅速，这里的很多内容已经年久失修，甚至很多都没有完成。 相关代码：https://www.wenjiangs.com/wp-content/uploads/2022/08/_codes.zip

Scikit-learn (http://scikit-learn.org/) 是一个机器学习领域的开源套件。整个专案起始于 2007年由David Cournapeau所执行的Google Summer of Code 计画。而2010年之后，则由法国国家资讯暨自动化研究院（INRIA, http://www.inria.fr） 继续主导及后续的支持及开发。近几年(2013-2015)则由 IN

但我在Kstreams那边。现在我糊涂了！！！ 问题: 1。Spark流媒体和Kafka流媒体有什么区别？ 2。我怎样才能把KStreams+Spark Streaming+机器学习结合起来？ 3。我的想法是连续训练测试数据，而不是批量训练。

有关TensorFlow与其他框架的详细对比可以阅读： https://zhuanlan.zhihu.com/p/25547838   01 TensorFlow的编程模式 编程模式分为两种：命令式编程与符号式编程 前者是我们常用的C++，java等语言的编程风格如下 命令式编程看起来逻辑非常清晰，易于理解。而符号式编程涉及较多的嵌入和优化，如下 执行相同的计算时c，d可以共用内存，使用Tenso

每次将一个类别作为正类，其余类别作为负类。此时共有（N个分类器）。在测试的时候若仅有一个分类器预测为正类，则对应的类别标记为最终的分类结果。 【例】当有4个类别的时候，每次把其中一个类别作为正类别，其余作为负类别，共有4种组合，对于这4中组合进行分类器的训练，我们可以得到4个分类器。对于测试样本，放进4个分类器进行预测，仅有一个分类器预测为正类，于是取这个分类器的结果作为预测结果，分类器2预测的结果是类别2，于是这个样本便属于类别

一面4.3 问了下GNN相关的知识（由于我是graph背景） 以及机器学习的基础知识 二面4.10 问了下实习的项目以及之前做过一深度学习相关的东西 特别细 #你收到了团子的OC了吗# offer4.17

这个教程的目标读者是对机器学习和TensorFlow都不太了解的新手。如果你已经了解MNIST和softmax回归(softmax regression)的相关知识，你可以阅读这个快速上手教程。 当我们开始学习编程的时候，第一件事往往是学习打印"Hello World"。就好比编程入门有Hello World，机器学习入门有MNIST。 MNIST是一个入门级的计算机视觉数据集，它包含各种手写数字

大多数人听到“机器学习”，往往会在脑海中勾勒出一个机器人：一个可靠的管家，或是一个可怕的终结者，这取决于你问的是谁。但是机器学习并不是未来的幻想，它已经来到我们身边了。事实上，一些特定领域已经应用机器学习几十年了，比如光学字符识别 （Optical Character Recognition，OCR）。但是直到 1990 年代，第一个影响了数亿人的机器学习应用才真正成熟，它就是垃圾邮件过滤器（sp

大多数人听到“机器学习”，往往会在脑海中勾勒出一个机器人：一个可靠的管家，或是一个可怕的终结者，这取决于你问的是谁。但是机器学习并不是未来的幻想，它已经来到我们身边了。事实上，一些特定领域已经应用机器学习几十年了，比如光学字符识别 （Optical Character Recognition，OCR）。但是直到 1990 年代，第一个影响了数亿人的机器学习应用才真正成熟，它就是垃圾邮件过滤器（sp

平台列表 Google Cloud AI Cloud Machine Learning Engine 托管的机器学习服务 AutoML 自动化机器学习 机器学习API，如 Jobs, Video Intelligence, Vision, Speech, Natual Language 以及 Tanslation 等 Amazon Machine Learning SageMaker 自动化机器学

这份文件的目的是要提供 Python 之机器学习套件 scikit-learn (http://scikit-learn.org/) 的中文使用说明。一开始的主要目标是详细说明 scikit-learn 套件中的范例程式的使用流程以及相关函式的使用方法。目前使用版本为 scikit-learn version 0.19 以上

Python 是一种通用的高级编程语言，越来越多地用于数据科学和设计机器学习算法。 本教程简要介绍了 Python 及其库，如 numpy，scipy，pandas，matplotlib，并解释了如何应用它来开发解决实际问题的机器学习算法。

一面 自我介绍 介绍一个比较熟悉的项目或实习→介绍了实习 问实习： 描述任务 如何评估算法效果？ 遇到那些问题？如何解决的？ 追问DID和PSM具体做法 追问PSM的原理，问到PS的匹配方式？逻辑回归的标签是什么？ 手撕：lc076.数组中的第k个最大值（没写出最优解法） 反问业务 当天晚上看官网进程：已挂 唉，感觉也挺对口，回答得也还算可以啊，可能就是手撕不行，手撕真的一座大山，每次都过得艰难，

主要内容：决策树和随机森林,算法应用及其实现,总结随机森林（Random Forest，简称RF）是通过集成学习的思想将多棵树集成的一种算法，它的基本单位是决策树模型，而它的本质属于机器学习的一大分支——集成学习（Ensemble Learning）方法。我们知道，集成学习的实现方法主要分为两大类，即 Bagging 和 boosting 算法，随机森林就是通过【Bagging 算法+决策树算法】实现的。前面已经学习过决策树算法，因此随机森林算法