阿里面试 深度学习[转]

我有过阿里、腾讯、滴滴、宜信等等的面试经历，这是我死的最惨的一次，腾讯排第二。

　　如下问题：

　　1.你觉得大数据生态圈从技术角度来看，未来会朝什么方向发展？

　　1.2.大数据处理的时候为什么选择spark而不是hadoop

　　答：1.spark是内存计算的，而hadoop是磁盘计算的，所以spark比hadoop快

　　2.spark兼容性高，开发简单而且spark能够读取hadoop上任何的数据

　　2.逻辑回归与线性回归的原理与区别

　　答：逻辑回归多了一个Sigmoid函数，使样本能映射到[0,1]之间的数值，用来做分类问题。线性回归用来预测，逻辑回归用来分类。线性回归是拟合函数，逻辑回归是预测函数。线性回归的参数计算方法是最小二乘法，逻辑回归的参数计算方法是梯度下降。

　　3.kmeans聚类最后收敛的依据是什么

　　答：每个样本点到其质心的距离平方和不变

　　4.梯度下降和反向传播的原理与区别

　　答：梯度下降算法用来修正权值以达到减小目标函数的目的，梯度下降算法在执行过程中要使用到各层神经元输出权值的偏导数（动态变化的，所以是微分形态出现），而反向传播算法正是计算各层神经元输出权值偏导数的利器。

　　

　　反向传播算法是神经网络中最有效的算法，其主要的思想是将网络最后输出的结果计算其误差，并且将误差反向逐级传下去。 

　　5.交叉熵的公式？以及为什么选择这个损失函数

　　答：均方误差（error of mean square）、最大似然误差（maximum likelihood estimate）、最大后验概率（maximum posterior probability）、交叉熵损失函数（cross entropy loss）。

　　

　　6.分类和回归算法各有哪些？

　　答：输入变量与输出变量均为连续变量的预测问题是回归问题；输出变量为有限个离散变量的预测问题成为分类问题；

 

转：https://www.cnblogs.com/yuanninesuns/p/9801257.html