训练决策树的参数是什么
在决策树的节点处分割的标准是什么
基尼系数的公式是什么
熵的公式是什么
决策树如何决定在哪个特征处分割
你如何用数学计算收集来的信息？你确定吗？
随机森林的优点有哪些
介绍下boosting算法
gradient boosting如何工作
关于adaboost算法，你了解多少，它如何工作
SVM中用到了哪些核？SVM中的优化技术有哪些
介绍下无监督学习，算法有哪些
在k-means聚类算法中，如何定义k
告诉我至少3种定义k的方法
SVM
线性SVM 最优化问题：对偶优化问题： 由以上求得对偶优化问题的解为合页损失函数：原问题的解：非线性SVM： 非线性支持向量机是在对偶优化问题的基础上引进核函数得到的，表达式如下： 由以上求得对偶优化问题的解为计算得决策函数：常见的核函数： 1、多项式核函数： 2、高斯核函数： 3、字符串核函数：$$序列最小最优化算法L1范数和L2范数的区别 以线性回归为例，损失函数加入L1称为lasso回归，损失函数加入L2的称为ridge回归。 L1正则化是指权值向量中各个元素的绝对值之和，L2正则化是指权值向量中各个元素平方和再开方 L1正则化可以产生稀疏解，用于特征选择（某种程度上也能防止过拟合），L2正则化可以防止过拟合（使模型参数变小，提高模型的抗干扰能力）
Mask R-CNN
Mask R-CNN扩展自 Faster R-CNN，Faster为流行的目标检测框架，Mask将其扩展为实例分割框架。Mask是一个两个阶段的框架，第一个阶段扫描图像并生成提议（proposals），第二阶段分类提议生成边界框和掩码。Mask通常以ResNet50或ResNet101+特征金字塔网络（FPN）作为主干网络。FPN引入了额外的复杂度：在FPN中第二个金字塔拥有一个包含每一级特征的特征图，而不是标准主干网络中的单个主干特征图（第一个金字塔中的最高层）。选用哪级特征是由目标的尺寸动态决定的。RPN：一个轻量级的神经网络，它用滑动窗口来扫描图像（主干网络的特征图），并寻找存在目标的区域，RPN有两个输出，分别为：1）anchor类别：前景或背景；2）边框精调：通过评估delta输出（x, y, 宽, 高的变化百分数）以精调anchor box来更好地拟合目标。这样我们可以选出最好的包含目标的anchor，并对其位置和尺度进行微调。ROI分类器和边界框回归器 这个步骤是在RPN提出的ROI上运行的。该步骤同样有两个输出：1）类别：ROI中目标的类别；2）边框精调：和RPN类似。ROI池化： 由于RPN生成的ROI可以有不同的尺寸，但是分类器只能处理固定尺寸的输入，为了解决这个问题，Mask R-CNN的作者提出了ROIAlign，采用双线性插值进行裁剪。分割掩码： 前面的步骤正是用于目标检测的Faster R-CNN。而分割掩码网络正是Mask R-CNN的论文引入的附加网络 掩码分支是一个卷积网络，以ROI分类器选择的正区域为输入，训练过程中将真实的掩码缩小，产生低分辨率掩码（28*28），但是这个掩码是由浮点数表示（软掩码）相对于二进制掩码有更多的细节。预测过程中将掩码放大为ROI边框尺寸，以给出最终的掩码。FCN
不含fc层的全卷积网络，可接受任意大小的初入增大特征图尺寸的反卷积，能够输出精细的结果结合不同的深度层结果的跳级结构，同时确保鲁棒性和精确性。 特征点匹配错误的解决方案 回环检测 OpenCV边缘检测算法 相机位姿的计算 点云 特征操作子（SIFT） KMP算法 最小二乘法和随机梯度下降