Web前端最全【引言】浙大机器学习课程记录,字节跳动 面试问题

读者福利

========

开源分享:【大厂前端面试题解析+核心总结学习笔记+真实项目实战+最新讲解视频】

由于篇幅过长,就不展示所有面试题了,想要完整面试题目的朋友(另有小编自己整理的2024大厂高频面试题及答案附赠)



机器学习的分类

======================================================================

按照任务性质的不同进行分类为:

  • 监督学习

  • 强化学习

  • 计算机通过与环境的互动逐渐强化自己的行为模式

但不绝对

这里主要介绍了监督学习

监督学习


(1)监督学习根据数据标签存在与否分类为:

  • 传统监督学习(Traditional Supervised Learning)

  • 非监督学习(Unsupervised Learning)

  • 半监督学习(Semi-supervised Learning)

(2)基于标签的固有属性,按照标签是连续还是离散分类为:

  • 分类问题

  • 回归问题

基于标签存在分类

传统监督学习

Traditional Supervised Learning每一个训练数据都有对应的标签

算法包括

  • 支持向量机 (SUPPORT VECTOR MACHINE)

  • 人工神经网络(NEURAL NETWORKS)

  • 深度神经网络(Deep Neural Networks)

非监督学习

Unsupervised Learning 中所有的训练数据都没有对应的标签

Traditional Supervised Learning中的数据可能有像:X 代表一类,圆形代表另一类,但在 Unsupervised Learning 中可能如下图:

image-20211018193153360

尽管我们不知道训练数据的类别标签,但我们可以这样处理:

Created with Raphaël 2.3.0 假设 同一类的训练数据在空间中距离更近 样本的空间信息 设计算法将它们聚类为两类 无监督学习

算法包括

  • 聚类(Clustering)

  • EM 算法(Expectation–Maximizationg algorithm)

  • 主成分分析(Principle Component Analysis)

半监督学习

Semi-supervised Learning 中训练数据中有一部分有标签,一部分没有标签

在大量的数据面前,数据标注是成本巨大的工作

所以我们需要:

少量的标注数据 + 大量未标注数据 训练一个更好的机器学习算法

例如下图:

image-20211018200032934

在左边,如果只有两个标注过的训练样本,那么便不好进行分类;如果像右图增加没有标签的训练样本,那么可能设计算法就能实现更准确的分类。

基标签固有属性分类

分类和回归的分别是十分模糊的,因为离散和连续的区别也是模糊的。

我们主要研究机器学习模型解决分类问题

分类

Classifcation:标签是离散的值

例如人脸识别为分类问题

如图:

image-20211018201035642

模式一为双人脸比对,模式二为人群中单人脸匹配。

回归

Regression:标签是连续的值

例如:预测股票价格、预测温度、预测人的年龄等任务


机器学习算法的过程

========================================================================

Created with Raphaël 2.3.0 特征提取、特征选择 不同的算法,对特征空间做不同的划分 不同的结果

特征提取(Feature Extraction)

​ 通过训练样本获得的,对机器学习任务有帮助的多维度数据

机器学习的重点应该是:

​ 假设在已经提取好的特征的前提下,如何构造算法获得更好的性能

​ 当然好的特征是能构造出好算法的前提,特征越好算法结果越好

学习笔记

主要内容包括html,css,html5,css3,JavaScript,正则表达式,函数,BOM,DOM,jQuery,AJAX,vue等等

开源分享:【大厂前端面试题解析+核心总结学习笔记+真实项目实战+最新讲解视频】

HTML/CSS

**HTML:**HTML基本结构,标签属性,事件属性,文本标签,多媒体标签,列表 / 表格 / 表单标签,其他语义化标签,网页结构,模块划分

**CSS:**CSS代码语法,CSS 放置位置,CSS的继承,选择器的种类/优先级,背景样式,字体样式,文本属性,基本样式,样式重置,盒模型样式,浮动float,定位position,浏览器默认样式

HTML5 /CSS3

**HTML5:**HTML5 的优势,HTML5 废弃元素,HTML5 新增元素,HTML5 表单相关元素和属性

**CSS3:**CSS3 新增选择器,CSS3 新增属性,新增变形动画属性,3D变形属性,CSS3 的过渡属性,CSS3 的动画属性,CSS3 新增多列属性,CSS3新增单位,弹性盒模型

JavaScript

**JavaScript:**JavaScript基础,JavaScript数据类型,算术运算,强制转换,赋值运算,关系运算,逻辑运算,三元运算,分支循环,switch,while,do-while,for,break,continue,数组,数组方法,二维数组,字符串

S3 的过渡属性,CSS3 的动画属性,CSS3 新增多列属性,CSS3新增单位,弹性盒模型

[外链图片转存中…(img-ZzUtXule-1715877265890)]

JavaScript

**JavaScript:**JavaScript基础,JavaScript数据类型,算术运算,强制转换,赋值运算,关系运算,逻辑运算,三元运算,分支循环,switch,while,do-while,for,break,continue,数组,数组方法,二维数组,字符串

[外链图片转存中…(img-zkGujjJ8-1715877265891)]

浙江大学人工智能课程课件,内容有: Introduction Problem-solving by search( 4 weeks) Uninformed Search and Informed (Heuristic) Search (1 week) Adversarial Search: Minimax Search, Evaluation Functions, Alpha-Beta Search, Stochastic Search Adversarial Search: Multi-armed bandits, Upper Confidence Bound (UCB),Upper Confidence Bounds on Trees, Monte-Carlo Tree Search(MCTS) Statistical learning and modeling (5 weeks) Probability Theory, Model selection, The curse of Dimensionality, Decision Theory, Information Theory Probability distribution: The Gaussian Distribution, Conditional Gaussian distributions, Marginal Gaussian distributions, Bayes’ theorem for Gaussian variables, Maximum likelihood for the Gaussian, Mixtures of Gaussians, Nonparametric Methods Linear model for regression: Linear basis function models; The Bias-Variance Decomposition Linear model for classification : Basic Concepts; Discriminant Functions (nonprobabilistic methods); Probabilistic Generative Models; Probabilistic Discriminative Models K-means Clustering and GMM & Expectation–Maximization (EM) algorithm, BoostingThe Course Syllabus Deep Learning (4 weeks) Stochastic Gradient Descent, Backpropagation Feedforward Neural Network Convolutional Neural Networks Recurrent Neural Network (LSTM, GRU) Generative adversarial network (GAN) Deep learning in NLP (word2vec), CV (localization) and VQA(cross-media) Reinforcement learning (1 weeks) Reinforcement learning: introduction
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值