机器学习面试题库：41-50题（5day）

对题库答案进行整理，很多图片来源于网站

这系列的题目来源于周晓飞老师期末发的题库，自留做复习用的???? ???? ???? 加油加油！ 目录单选题5单选题7单选题69多选题3计算题11 知识点可以参看这些博客： 【一起入门MachineLearning】中科院机器学习第2课-贝叶斯决策 【一起入门MachineLearning】中科院机器学习第3课-朴素贝叶斯分类器 【一起入门MachineLearning】中科院机器学习第4课-高斯贝叶斯分类器+协方差矩阵 单选题5 朴素贝叶斯是条件独立而不是独立 独立：P(A1A2)=P(A1)P(A

机器学习-题库 1、下列属于有监督算法的是() A、 决策树 B、K-均值C、贝叶斯D、SVM 答案： ACD 2、机器学习在自然语言处理领域的应用不包括（）。 A、问答系统 B、 信息收取 C、 病理分析D、实时翻译 答案：C 3、机器学习是人工智能里面一个非常重要的技术，深度学习是机器学习里面 的一种方法。(✓) 4、以下哪个步骤将原始数据进行变换、变量相关性、标准化等任务()。

例题1 例题2 例题3

这系列的题目来源于周晓飞老师期末发的题库，自留做复习用的???? ???? ???? 加油加油！ 目录计算题5ID3C4.5CART 知识点可以参考博主的这篇文章 【一起入门MachineLearning】中科院机器学习第*课-非线性分类：决策树 计算题5 ID3 C4.5  红色数值表示和老师提供的标准答

决策树是机器学习中最基础也最易被低估的算法模型，其核心在于通过递归分裂构建可解释的分段决策结构。原理上依赖信息增益、基尼不纯度等不纯度度量实现贪心优化，技术价值体现在低计算开销、天然支持分类与回归、以及为XGBoost/LightGBM等集成方法提供结构基础。典型应用场景覆盖金融风控中的欺诈识别、医疗诊断的辅助判别、电商推荐的实时初筛等高要求领域。然而工程实践中常面临连续特征分裂效率低、缺失值处理失当、类别不平衡导致偏差、以及‘看似可解释’实则路径爆炸等关键挑战。本文聚焦ID3、C4.5与CART三大主流变

这系列的题目来源于周晓飞老师期末发的题库，自留做复习用的???? ???? ???? 加油加油！ 这两道题目都与概率图模型有关，知识点可以看这篇博文： 【一起入门MachineLearning】中科院机器学习第*课-概率图模型：贝叶斯网络+马尔科夫随机场 考点：图概率分布 计算题2 第一幅图考察马尔可夫随机场的概率分布： 第二幅图考察贝叶斯模型的概率分布: 这两个题目关键就是要记住公式就不会出错。 计算题8 第一步是写出概率的因子分解式，然后根据表格里面提供的概率数据挨个计算。 答案在写公式时省

机器学习算法题 题目说明 Elwin觉得自己在大学期间陷入了一个怪圈：不管他在学期初确立了多么严格的工作习惯，他最终 都会陷入到某个固定的工作节奏中。为此，Elwin请你帮他建立马尔科夫链模型，请你帮他分析分 析发生这种情况的原因。为了简化题目难度，我们可以认为Elwin在生活中只会干三件事：玩手 机，工作，学习。 Elwin给你提供了一些他的生活规律： 玩手机后，有90%的概率继续玩手机，7.5%的概率工作，2.5%的概率学习； 工作后，有15%的概率玩手机，80%的概率继续工作，5%的概率学习； 学习后

41 Essential Machine Learning Interview Questions (with answers) 一、算法理论 Q1: 什么是偏倚（bias）、方差（variable）均衡？ 偏倚指的是模型预测值与真实值的差异，是由使用的学习算法的某些错误或过于简单的假设造成的误差。它会导致模型欠拟合，很难有高的预测准确率。 方差指的是不同训练数据训练的模型的预测值之间的差

机器学习部分练习题及答案

一。单选题 1.线性回归能完成的任务是（B） A。预测离散值 B.预测连续值 C。分类 D。聚类 解析：线性回归能完成的任务是预测连续值 知识点扩展： 机器学习： 有监督学习，有x有y（y即label标签） （1.）分类：预测结果是离散值，例如颜色和形状； （2.）回归：预测结果是连续值（断断续续），例如气温，体温，血压等； 2.无监督学习，有x没有y(只有数据，没有标签) （1.）聚类：将相...

从牛客网找来得题目，解析是题目下的高赞答案。 1.输入图片大小为200×200，依次经过一层卷积（kernel size 5×5，padding 1，stride 2），pooling（kernel size 3×3，padding 0，stride 1），又一层卷积（kernel size 3×3，padding 1，stride 1）之后，输出特征图大小为： 答案：97. 解析：输出尺寸

之所以说监督学习和无监督学习之间并不存在一条严格的界限，是因为很难客观地区分监督者给定的一个值是特征（feature）还是目标（target）。（正确） 解答： 当深度学习网络的最后一层是一个softmax分类器时，我们可以把网络的前面部分看成是一种表示学习（Representation Learning）的计算单元。（正确） 解答： 表示学习指学习对观测样本XXX有效的表示。比如CNN参数的有监督训练是一种有监督的表示学习形式；对自动编码器和限制玻尔兹曼机参数的无监督预训练是一种无监督的表示学习形..

这系列的题目来源于周晓飞老师期末发的题库，自留做复习用的???? ???? ???? 加油加油！ 计算题6：最大似然估计法 完全是一个数学问题了，先来复习一下最大似然估计吧。 最重要的是写出某个事件各个样本的概率P，连乘之后令导数为0来求参数。在这个题目中X=抛硬币事件，只说明了一次取值，即只要一个样本，那概率的连乘就是该概率本身了。 ...

三。判断题 1.分类任务是预测连续值。（F） 2.回归任务是预测连续值。 （T） 解析：回归和分类属于机器学习中的有监督学习。分类任务是预测离散值，回归任务是预测连续值。 3.用线性代数的方式描述函数或者方程的好处之一是书写方便。 （T） 解析：现实生活中的数据比较复杂，尚且不完备。把他们拟合成一个函数或者方程，使用线性代数来描述他们是为了书写方便。 4，Σ是求和...

机器学习面试：1-100题（1day） A. Logit回归本质上是一种根据样本对权值进行极大似然估计的方法，而后验概率正比于先验概率和似然函数的乘积。logit仅仅是最大化似然函数，并没有最大化后验概率，更谈不上最小化后验概率。A错误 B. Logit回归的输出就是样本属于正类别的几率，可以计算出概率，正确 C. SVM的目标是找到使得训练数据尽可能分开且分类间隔最大的分离超平面，应该属于结构风险最小化。 D. SVM：训练好的模型的算法复杂度是由支持向量的个数决定的，而不是由数据的维度决定的，所以SV

机器学习面试题库：11-20题（2day） 势函数：主要用于确定分类平面，其思想源于物理。 特征降维方法主要有： 主成分分析：PCA 线性判别分析：LDA 矩阵奇异值分解：SVD，SVD和PCA类似，也可以看成一种降维方法 LASSO：通过参数缩减达到降维的目的 小波分析：有一些变换的操作降低其他干扰可以看做是降维 拉普拉斯：请看这个http://f.dataguru.cn/thread-287243-1-1.html A: 对数几率回归其实是设计用来解决分类问题的 B: 对数几率回归可以用来检验模型

机器学习面试题库：11-20题（2day） 支持向量是那些最接近分离超平面的数据点。