1.过拟合的解决办法
2.L1/L2正则化
3.特征如何降维 （pca lda）
4.pca和lda的区别
5.GBDT，XGBOOST，RF，对XGB参数的理解
（LR,SVM,XGBOOST,这三个模型中哪个处理数据不平衡的Cover能力最强，答案：XGBoost,号称能处理10：1的数据不平衡）
6.SSD,Faster-rcnn,Mask-Rcnn
faster rcnn的rpn和anchor机制和ROI pooling,SSD在哪方面比YOLOv1检测小物体更有效，损失函数为何用交叉熵不用平方损失
7.检测单阶段和两阶段的优缺点
8.神经网络的反向传播机制，pooling和卷积
7.逻辑回归与SVM的区别，logistic和SVM要弄得很清楚，大数据量的情况下逻辑回归和SVM哪个好
LR计算比较方便，SVM高维kernel计算复杂，但是准确。如果数据多，要求实时得到预测结果，用LR;如果数据不多，要求准确率，可以选择SVM
8.范数，满秩和正定的联系？
9.svd中间项的秩
10.kmeans聚类和EM聚类
11.smooth L1为什么是L1不是L2
12.梯度下降法和牛顿法
13.momentum
14.核范数的计算和意义和优化，1/2范数
15.SIFT,HOG和LBP，Hough直线检测的原理
16.聚类求视频中的人
17.谱聚类图切（谱聚类了解一下）
18.SVD怎么做的，和特征值分解的区别和联系
（矩阵作用在向量上就是等于对该向量进行了变换）
19.svm的核函数？（一个低维空间向高维空间的映射，这个映射可以把低维空间线性不可分的变成线性可分的，可能面临维度灾难，使用对偶和核技巧可以避免显式的特征变换）
SVM的离群点（软间隔）
20.形态学操作
开运算：先腐蚀后膨胀 ：过滤噪声的同时不对物体的形状，轮廓造成明显的影响
闭运算：先膨胀后腐蚀，能够弥合狭窄的间断，填充小的孔洞。
21.边缘检测算法
sobel prewitt roberts log canny dog
22.深度学习为什么在图像领域效果这么好
23.光流算法
24.1*1卷积的作用
25.depth wise convolution?
26.为什么mobile net 精度下降
27.优化算法再仔细看一遍
28.CNN的核心，卷积操作，卷积反向传播，tensorflow中卷积操作是怎样实现的，池化是怎样的操作，反向传播过程中池化层怎么接受后面传过来的损失？
29.研究一下tensorflow框架
30.手写BP，用SGD写
31.目标检测在提升小目标检测上的改进
32.滤波器尺寸一般设计成奇数？
33.dropout:train和test不一样,test把active function的输出都乘以P，这样就把train和test的输出期望都scale到了一个range
34.BN:降低了样本之间的差异,scale到（alpha，beta）;降低了层层之间的依赖，主要体现在前一层的输出是下一层的输入，那么我们把所有数据都scale到（alpha，beta）的分布，那么就降低了层层之间的依赖关系，从而使数据更加准确
35.感受野：
36.pooling：maxpooling:提取最具代表性的特征，average pooling:提取比较general的特征；global average pooling:用来分类的，因为后面的网络加深，full connected layer 参数太多了，不容易训练，为了快速准确得到结果，采用global average pooling ，没有参数，但是得到的分类结果效果跟FC差不多。
37.积分图像
38.一些评价指标AUC,ROC
网友评论