机器学习面试题及解答

算法及原理类

Generative Adversarial Nets

笔记

GAN在训练的时候:

从Flappy Bird学到的强化学习

Deep Q-learning Network

Uninformed Search

Search problem

一个搜索问题由以下部分组成:

强化学习基础

Reinforcement Learning Summary

Summary:

cs231n笔记5

卷积层细节

输入层宽表示为$W$,高表示为$H$,卷积核尺寸$F$,卷积步长$S$(stride),zero-padding数量$P$。则有卷积层输出宽

EM与HMM

EM算法

EM算法是一种迭代算法,用于含有隐变量的概率模型参数的极大似然估计,或极大后验概率估计。EM算法的每次迭代由两步组成:E步,求期望(Expectation);M步,求极大(Maximization)。

最大后验与最大似然的关系

贝叶斯公式

基本的贝叶斯公式:

精确率与召回率

精确率(precision)和召回率(recall)

实际上非常简单,$\color{red}{精确率}$是针对我们$\color{red}{预测结果}$而言的,它表示的是预测为正的样本有多少是真正的正样本。那么预测为正就有两种可能了,一种就是把正类预测为正类(True Positive),另一种就是把负类预测为正类(False Positive),也就是

常用机器学习算法总结

生成模型与判别模型

常见的判别模型有线性回归、对数回归、线性判别分析、支持向量机、boosting、条件随机场、神经网络等。