(1) 常见面试题：https://mp.weixin.qq.com/s/QchF-SoWvH1E6V0w7uoQhQ
https://mp.weixin.qq.com/s/g13Ap0cuNkZqNDm685QlFQ
https://www.cnblogs.com/helloworld0604/p/9017030.html
(2) 数据增强的常用方式：
Color Jittering
：对颜色的数据增强：图像亮度、饱和度、对比度变化（此处对色彩
抖动的理解不知是否得当）；
PCA Jittering
：首先按照
RGB
三个颜色通道计算均值和标准差，再在整个训练集上
计算协方差矩阵，进行特征分解，得到特征向量和特征值，用来做
PCA Jittering
；
Random Scale：尺度变换；
Random Crop
：采用随机图像差值方式，对图像进行裁剪、缩放；
Horizontal/Vertical
Flip：水平/垂直翻转；
Shift：平移变换；
Rotation/Reflection：旋转/仿射变换；
Noise
：高斯噪声、模糊处理；
Label shuffle：类别不平衡数据的增广。
(3) 线性函数的值越接近正无穷，概率值就越接近 1；线性值越接近负无穷，概率值
越接近
0
，这样的模型是逻辑斯蒂回归模型。在深度学习中用到的非线性变换
sigmoid
函数是逻辑斯蒂分布的的特殊形式。
(4) 数据分布(伯努利分布、二项分布等等)
https://blog.csdn.net/michael_r_chang/article/details/39188321
(5) K-means:
K-means 方法的时间复杂度为 O(NKT)，N 代表总元素个数，K 代表簇中心个数，T
代表迭代次数。
K-means
算法是一种硬性划分的聚类，即每个数据点唯一地分配给
一个聚类，由于事先不知道实际的聚类情况，因此可能是一种严重的局限。该算法
对初始中心的选取非常敏感，初始中心随机选取，导致结果波动较大，稳定性较差。
同时该算法对噪声数据和孤立点数据较为敏感。该算法通常采用欧式距离作为数据
样本之间的度量方式，导致该算法对球状的簇有比较好的聚类效果，但是很难发现
其他形状的簇。
(6) 在进行 K-means 聚类时，选择距离函数：
邻近度函数：曼哈顿距离。质心：中位数。目标函数：最小化对象到其簇质心的距
离和
邻近度函数：平方欧几里德距离。质心：均值。目标函数：最小化对象到其簇质心
的距离的平方 和
邻近度函数：余弦。质心：均值。最大化对象与其质心的余弦相似度和
邻近度函数：
Bregman
散度。质心：均值。目标函数：最 小化对象到其簇质心的
Bregma n 散度和
(7) 误差与偏差：(借引周志华《机器学习》)
误差（对象是单个模型）是指预测结果与真实值之间的差值。
方差是指，预测值与期望值
(
平均值
)
之间的差值。
偏差则是指真实值与平均值(期望值)之间的差值。都是对单个样本而言，只不过误
差的参照物只有一个，而偏差或偏差的参照物是群体的平均值。
(8) Logistics
回归的详细介绍：
剩余61页未读，继续阅读
评论1