1.你会怎么定义机器学习？
答：机器学习是一门能够让系统从数据中学习的计算机科学
2.机器学习在哪些问题上表现突出，你能提出四种类型吗？
答：机器学习非常利于： 1.不存在已知算法解决方案的复杂问题2. 需要大量手动调整或是规则列表超长的问题， 3.创建可以适应环境波动的系统， 4.以及帮助人类学习（比如数据挖掘）
3.什么是被标记的训练数据集？
答：被标记的训练集是指包含每个实例所期望的解决方案的训练集
4.最常见的两种监督式学习任务是什么？
答：最常见的两个监督式任务是回归和分类
5.你能举出四种常见的无监督式学习任务吗？
答：常见的无监督式任务包括聚类、 可视化、 降维和关联规则学习。
6.要让一个机器人在各种未知的地形中行走，你会使用什么类型的机器学习算法？
答：如果想让机器人学会如何在各种未知地形上行走， 强化学习可
能表现最好， 因为这正是一个典型的强化学习擅长解决的问题。 将这
个问题表达为监督式或半监督式学习问题也可以， 但还是有点不太自然。
7.要将顾客分成多个组，你会使用什么类型的算法？
答：如果你不知道如何定义分组， 那么可以使用聚类算法（无监督
式学习） 将相似的顾客分为一组。 但是， 如果你知道想要的是什么样
的群组， 那么可以将每个组的多个示例反馈给分类算法（监督式学
习） ， 它就可以将所有的顾客归类到这些组中。
8.你会将垃圾邮件检测的问题列为监督式学习还是无监督式学习？
答：垃圾邮件检测是个典型的监督式学习问题： 将邮件和它们的标
签（垃圾邮件或非垃圾邮件） 一起提供给算法。
9.什么是在线学习系统？
答：在线学习系统可以进行增量学习， 与批量学习系统正好相反。
这使得它能够快速适应不断变化的数据和自动化系统， 并且能够在大
量的数据上进行训练。
10.什么是核外学习？
答：核外算法可以处理计算机主内存无法应对的大量数据。 它将
数据分割成小批量， 然后使用在线学习技术从这些小批量中学习。
11.什么类型的学习算法依赖相似度来做出预测？
答：基于实例的学习系统通过死记硬背来学习训练数据，当给定
一个新实例时，它会使用相似度度量来找到与之最相似的实例，并用
它们进行预测。
12.模型参数与学习算法的超参数之间有什么区别？
答：模型有一个或多个参数，这些参数决定了模型对新的给定实
例会做出怎样的预测（比如，线性模型的斜率）。学习算法试图找到
这些参数的最佳值，使得该模型能够很好地泛化至新实例。超参数是
学习算法本身的参数，不是模型的参数（比如，要应用的正则化数量。
13.基于模型的学习算法搜索的是什么？它们最常使用的策略是什么？它们如何做出预测？
答：基于模型的学习算法搜索使模型泛化最佳的模型参数值。通
常通过使成本函数最小化来训练这样的系统，成本函数衡量的是系统
对训练数据的预测有多坏，如果模型有正则化，则再加上一个对模型
复杂度的惩罚。学习算法最后找到的参数值就是最终得到的预测函
数，只需要将实例特征提供给这个预测函数即可进行预测。
14.你能提出机器学习中的四个主要挑战吗？
答：机器学习面临的一些主要挑战是：数据缺乏、数据质量差、
数据不具代表性、特征不具信息量、模型过于简单对训练数据拟合不
足，以及模型过于复杂对训练数据过度拟合。
15.如果你的模型在训练数据上表现很好，但是应用到新的实例上的泛化结果却很糟糕，是怎么回事？能提出三种可能的解决方案吗？
答：如果模型在训练数据上表现很好，但是对新实例的泛化能力
很差，那么该模型很可能过度拟合训练数据（或者在训练数据上运气
太好）。可能的解决方案是：获取更多数据，简化模型（选择更简单
的算法、减少使用的参数或特征数量、对模型正则化），或者是减少
训练数据中的噪声。
16.验证集的目的是什么？
答：验证集用来比较不同模型。它可以用来选择最佳模型和调整超参数。
17.如果使用测试集调整超参数会出现什么问题？、
答：如果使用测试集来调整超参数，会有过度拟合测试集的风险，最后测量的泛化误差会过于乐观（最后启动的模型性能比预期的要差）。
18.什么是交叉验证？ 它为什么比验证集更好？
答：通过交叉验证技术，可以不需要单独的验证集实现模型比较（用于模型选择和调整超参数）。这节省了宝贵的训练数据。
版权声明：
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！
转载请注明出处，原文链接：https://www.xkablog.com/rgzn-jqxx/4592.html