人生没什么可比的说说(1)
1、每次不打车的时候很多车在你面前，每次打车的时候一辆都没得。
2、E杜宾-瓦特森（DW）检验，计量经济，统计分析中常用的一种检验序列一阶自相关最常用的方法。
3、退一步，并不象征我认输；放手，并不表示我放弃；微笑，并不意味我快乐！
4、所有的烦恼，原因不外有三：或者没学问，或者没修养，或者没钱。
5、一世总有那么几个看不起自己的人，一生总有几个那么瞧不起自己的人，别担心别人的看不起，瞧不起。
6、知道了而自以为不知道，这是最好的；不知道却以为知道，这就是缺点！?>
7、随机森林是基于bagging的,而GradientBoostingtrees是基于boosting的,所有说反了,在随机森林的单个树中,树和树之间是没有依赖的,而GradientBoostingTrees中的单个树之间是有依赖关系。
8、一个人至少拥有一个梦想，有一个理由去坚强。心若没有栖息的地方，到哪里都是在流浪。
9、人活一世，总有自己的委屈，也有自己的苍老，别在意别人的说辞，别在意自己的苦恼，做好自己。
10、看你是搞视觉的，熟悉哪些CV框架，顺带聊聊CV最近五年的发展史如何？
11、欠采样。C的方案提高少数类的分类性能，可能丢失多数类的重要信息。
12、卷积神经网络可以对一个输入进行多种变换（旋转、平移、缩放），这个表述正确吗？
13、一监狱人脸识别准入系统用来识别待进入人员的身份，此系统一共包括识别4种不同的人员：狱警，小偷，送餐员，其他。下面哪种学习方法最适合此种应用需求：（B）。
14、首先，事件B发生之前，我们对事件A的发生有一个基本的概率判断，称为A的先验概率，用P(A)表示；
15、人生是没有任何意义的，因为如此，我们才需要给自己的人生确定一个意义。
16、下列哪一项在神经网络中引入了非线性？在感知机中（Perceptron）的任务顺序是什么？
17、过拟合”只在监督学习中出现，在非监督学习中，没有”过拟合”，这是：（B）
18、假如我们使用非线性可分的SVM目标函数作为最优化对象,我们怎么保证模型线性可分？（C）
19、从网上下载或自己编程实现一个卷积神经网络，并在手写字符识别数据MNIST上进行试验测试。
20、如果特征的数量比较小，而样本数量很多，需要手工添加一些特征变成第一种情况。
21、训练决策树模型,属性节点的分裂,具有最大信息增益的图是下图的哪一个:（A）
22、对于线性回归模型，包括附加变量在内，以下的可能正确的是:（D）
23、生命中，有太多的事情身不由己，有太多的无奈心不得已。看不透的伪装，正如猜不透的人心。弄不明的感情，正如读不懂的心灵。与其多心，不如少根筋;与其红了眼眶，不如笑着原谅。人生一世，糊涂难得，难得糊涂。活得太清楚，才是最大的不明白。人知足就会快乐，心简单就会幸福。
24、二分类：每个分类器只能把样本分为两类。监狱里的样本分别为狱警、小偷、送餐员、其他。二分类肯定行不通。瓦普尼克95年提出来基础的支持向量机就是个二分类的分类器，这个分类器学习过程就是解一个基于正负二分类推导而来的一个最优规划问题（对偶问题），要解决多分类问题就要用决策树把二分类的分类器级联，VC维的概念就是说的这事的复杂度。
25、你以为等来的是爱情，却次次绝望，或许当你开始等待时，对别人终究不过是遗忘。
26、一个人在年轻时经历磨难，如能正确视之，冲出黑暗，那就是一个值得敬慕的人。
27、Logic能做的SVM能做，但可能在准确率上有问题，SVM能做的Logic有的做不了。
28、缺失值较少,其余的特征缺失值都在10%以内，我们可以采取很多的方式来处理:
29、风起的日子，我在等，雨落的时候，我在等，我以为你会心疼我风中的寂寞，你会不忍我雨中的孤单，我以为你会出现，会为我遮风挡雨，可是，望穿秋水，我却望不到你的身影。
30、青春千里行，梦想始足下，青春一路，梦想做伴，千里之行，始于足下。
31、假设你需要调整参数来最小化代价函数（costfunction），可以使用下列哪项技术？（D）
32、深度学习是当前很热门的机器学习算法，在深度学习中，涉及到大量的矩阵相乘，现在需要计算三个稠密矩阵A,B,C的乘积ABC,假设三个矩阵的尺寸分别为m?n，n?p，p?q，且m 33、构建单个特征的模型，通过模型的准确性为特征排序，借此来选择特征； 34、对于一个图像识别问题(在一张照片里找出一只猫)，下面哪种神经网络可以更好地解决这个问题？（D） 35、我们不可以使用聚类“类别id”作为一个新的特征项，然后再用监督学习分别进行学习 36、DecreaseGINI：对于回归问题，直接使用argmax(VarVarLeftVarRight)作为评判标准，即当前节点训练集的方差Var减去左节点的方差VarLeft和右节点的方差VarRight。 37、无论心情怎样，都要面带微笑。不要太把一个人放在心上，因为挫折经历的太少，所以才把一些琐碎的小事看得很重要。你所有的付出，都会是一种沉淀，都会默默铺路，让你成为一个更好的人！ 38、在分类问题中,我们经常会遇到正负样本数据量不等的情况,比如正样本为10w条数据,负样本只有1w条数据,以下最合适的处理方法是(ACD) 39、今天突然想明白了，为什么，我以前总是想要活成别人想让我活的样子？如果一直这样，我的人生又有什么意义 40、当数据过大以至于无法在RAM中同时处理时，哪种梯度下降方法更加有效？（A） 41、计算每一个特征与响应变量的相关性：工程上常用的手段有计算皮尔逊系数和互信息系数，皮尔逊系数只能衡量线性相关性而互信息系数能够很好地度量各种相关性，但是计算相对复杂一些，好在很多toolkit里边都包含了这个工具（如sklearn的MINE），得到相关性之后就可以排序选择特征了； 42、在HMM中,如果已知观察序列和产生观察序列的状态序列,那么可用以下哪种方法直接进行参数估计(D) 43、人越往上走，心应该越能往下沉，心里踏实了，脚下的路才能走得安稳。 44、你对一个人有了欲望，那叫喜欢，你为一个人忍住了欲望，那叫爱。 45、构建一个神经网络，将前一层的输出和它自身作为输入。下列哪一种架构有反馈连接？（A） 1、如果在一个高度非线性并且复杂的一些变量中“一个树模型可比一般的回归模型效果更好”是（A） 2、如果你继续去寻找幸福是由什么组成的，那你永远不会找到幸福。因为如果你一直在找人生的意义，你就永远不会花时间生活。 3、看人，多付出一点快乐，少一点忧伤，多付出一点微笑，少一点自卑，多付出一点善良，少一点凄凉。 4、得“是一种本事，”舍“是一门学问。没有能力的人得不到，没有悟性的人舍不得。舍得金钱，才能赢得自己，主宰生活；舍得功名，才能静下心来，顺其自然品味人生。 5、人生就是这样，我们常常仰望，每每比较，仰望身边的众人，比较四周的他人。仰望间，看到的总是别人的幸福，他人的美好。要努力使每一天都开心而有意义，没有人可以回到过去从头再来，但是每个人都可以从今天开始，创造一个全新的结局。不管怎样，生活还是继续行进。 6、一个机器学习模型，如果有较高准确率，总是说明这个分类器是好的 7、SVM的处理方法是只考虑SupportVectors，也就是和分类最相关的少数点，去学习分类器。而逻辑回归通过非线性映射，大大减小了离分类平面较远的点的权重，相对提升了与分类最相关的数据点的权重。 8、”点击率问题”是这样一个预测问题,99%的人是不会点击的,而1%的人是会点击进去的,所以这是一个非常不平衡的数据集.假设,现在我们已经建了一个模型来分类,而且有了99%的预测准确率,我们可以下的结论是:（B） 9、下图显示，当开始训练时，误差一直很高，这是因为神经网络在往全局最小值前进之前一直被卡在局部最小值里。为了避免这种情况，我们可以采取下面哪种策略？（A） 10、生命中许多的错失，是因为我们不坚持、不努力、不挽留，然后欺骗自己说这就是命运。殊不知命运再好，都要经历风雨黑暗；就算再糟，上天也会为你预留一片阳光，只要用心找寻，就不会永远站在阴霾之下。很少的人懂得，生命因缺憾而美。做个命运的智者，错过白天的骄阳，那就期待夜晚的群星。 11、别拿自己的生活和别人的相比，你并不知道别人究竟经历过什么。 12、CNN最成功的应用是在CV，那为什么NLP和Speech的很多问题也可以用CNN解出来？为什么AlphaGo里也用了CNN？这几个不相关的问题的相似性在哪里？CNN通过什么手段抓住了这个共性？ 13、考虑某个具体问题时，你可能只有少量数据来解决这个问题。不过幸运的是你有一个类似问题已经预先训练好的神经网络。可以用下面哪种方法来利用这个预先训练好的网络？（C） 14、人生总是有太多的无奈，像把握不住的风筝，线头虽然牵在我手，飞多高却还得借助东风。 15、通过L1正则项来选择特征：L1正则方法具有稀疏解的特性，因此天然具备特征选择的特性，但是要注意，L1没有选到的特征不代表不重要，原因是两个具有高相关性的特征可能只保留了一个，如果要确定哪个特征重要应再通过L2正则方法交叉检验*； 16、我曾经追求过很多东西，我在书籍中找寻人生的意义，我亲手用湿透的纸巾蒙住口鼻，直到看不见别人的目光，只呼吸被自己蚕食的空气。 17、总是看别人缺点的人，躲着点，总是说别人不是的人，防着点，总是敷衍自己的人，得拒绝，总是欺骗自己的人，得躲避。个人能吃，未必吃出才华的韵意，个人能看，未必看懂世事的人心变化，个人斗嘴，未必抖出经验和技巧。 18、当一个人忽略你时，不要伤心，每个人都有自己的生活，谁都不可能一直陪你。 19、LR和SVM都可以处理分类问题，且一般都用于处理线性二分类问题（在改进的情况下可以处理多分类问题） 20、对别人，学会感恩，帮助那些会帮助别人的人，别帮助索取的人。 21、人生看得别人的很少，看不清自己的很多！一挨打就崇洋媚外，一强大就夜郎自大！到最后都被现实折磨死！ 22、如果你想得到你从没有得到过的东西，你就必须做一些你从来就没有做过的事情。 23、人生毫无意义，有时候想想死生无所谓，便也是继续自己无可逃脱的义务，走到哪算哪，太执着想不开的反而是那些对人生有期许的人吧。 24、这两天重新在思考人活着的意义，当我看到更多，了解到更多的时候，我更加失望，越发觉得人生真没什么意义。很多人，为了满足人性的欲望，一辈子艰辛劳累，我不知道这样活着有什么意义，也许，死是一种解脱，与其痛苦地煎熬在现实中，还不如洒脱地结束生命。可生命自从来到这个世上，赋予了太多的责任。 25、人情，你不还，时间锁走你的年华，恩情，你不还，时间锁走你的微笑，老天爷的事，有时间，有地点。 26、如果一个人不愿做小事，那么大事也很难做成，老子告诫人们“天下难事，必成于易，天下大事，必做于细”，如想成功，比别人更优秀，就要多在小事上下功夫，成功靠的是点滴的积累。 27、神经网络模型（NeuralNetwork）因受人类大脑的启发而得名。神经网络由许多神经元（Neuron）组成，每个神经元接受一个输入，对输入进行处理后给出一个输出。请问下列关于神经元的描述中，哪一项是正确的？（E） 28、人生多是无奈，一边怀念，一边忘记，一边继续。壮烈也好，惨痛也罢，我们毕生的追求，终是身空心净，云淡风轻。把自己当作一片落叶，别奢求太多季节变幻，青春时肆意抽绿枝头，枯黄后洒脱飘然落下。这条路上，能走多远，能遇上谁，皆无定数，我们能做的，就是选择后不抛弃，放手后不愧悔。 29、当在卷积神经网络中加入池化层(poolinglayer)时，变换的不变性会被保留，是吗？（C） 30、输入图片大小为200×200，依次经过一层卷积（kernelsize5×5，padding1，stride2），pooling（kernelsize3×3，padding0，stride1），又一层卷积（kernelsize3×3，padding1，stride1）之后，输出特征图大小为：（） 31、生活里不必要渴求别人的理解和认同，因为别人也没有这些义务。静静的过自己的生活，心若不动，风又奈何。你若不伤，岁月无恙。 32、当不知道数据所带标签时，可以使用哪种技术促使带同类标签的数据与带其他标签的数据相分离？(B) 33、长得那么美那么帅气，自己却不知道，这就是气质；那么有钱那么有才华，别人却不知道，这就是修养。 34、Sigmoid、Tanh、ReLu这三个激活函数有什么缺点或不足，有没改进的激活函数？ 35、幸福，不是长生不老，不是大鱼大肉，不是权倾朝野。幸福是每一个微小的生活愿望达成，当你想吃的时候有得吃，想被爱的时候有人来爱你。 36、损失函数是用泰勒展式二项逼近，而不是像GBDT里的就是一阶导数； 37、谁若与自己有缘，也不急于此刻，慢长的等待，也会有些心有余而力不足 38、时间并不会真的帮我们解决什么问题，它只是把原来怎么也想不通的问题，变得不再重要了。 39、NaveBayes是一种特殊的Bayes分类器,特征变量是X,类别标签是C,它的一个假定是:(C) 40、假设我们有一个数据集，在一个深度为6的决策树的帮助下，它可以使用100%的精确度被训练。现在考虑一下两点，并基于这两点选择正确的选项。(A) 41、选择一个新的数据点作为新的聚类中心，选择的原则是：D(x)较大的点，被选取作为聚类中心的概率较大 42、尽管时光要使爱情凋谢，但真正的爱，却永远保持着初恋的热情。 43、人都是会变的，就算岁月和时间没有让你改变，也终会出现一个人来改变你的所有。 44、如果一个训练好的模型在测试集上有100%的准确率，这是不是意味着在一个新的数据集上，也会有同样好的表现？（B） 45、我们可以使用聚类“类别id”作为一个新的特征项，然后再用监督学习分别进行学习 1、送给高一新生：相信自己，我们一定行的，未来的路上有你也有我！ 2、人生中，从无到有，从有到无，太多的事情我们无法预料，也来不及思考，面对无常，只能用豁达来修饰自己，告诉自己，这一切都曾经出现过，得到过，拥有过，就已经足够。 3、那都是简单的事情，做好了这些简单的事情，苦短的人生也会有意义，变得充实而精彩，而除此之外的，就要看自己的运气来成就，这样的事就不用强求。 4、人生很短，一定要和真爱在一起，人生方能圆满，将就的人生一点意义都没有。 5、钱能买断人生的未来，也能抛弃一世的美丽，人有钱，未必钱和自己有钱，人没钱，未必钱和别人没缘。 6、落在一个枝头上的鸟群，不可能长久居住在那里，同样，我们聚集于此的各位，也不会有长久同等住在这世间的机会。所以，在短短的人生里，不要做一些毫无意义的长远筹划。大家要断恶行善，起码做些顶礼、转绕、积资净障、发菩提心，然后专心致志地勤修生起次第、圆满次第等法要。 7、退一步，海阔天空。而且如果是按别人的意见办的，错误也就有所分担。 8、开放定址法：当冲突发生时，使用某种探查(亦称探测)技术在散列表中形成一个探查(测)序列。沿此序列逐个单元地查找，直到找到给定的关键字，或者碰到一个开放的地址(即该地址单元为空)为止（若要插入，在探查到开放的地址，则可将待插入的新结点存人该地址单元）。查找时探查到开放的地址则表明表中无待查的关键字，即查找失败。 9、一个人在等，是一种守望，一种守候。一个人在等，是一种境界，是另一种优雅。 10、发菩提心者，非为己利，原为尽十方遍法界，一切极苦有情之所依怙。 11、我们想要减少数据集中的特征数,即降维.选择以下适合的方案:（D） 12、训练能够对特征打分的预选模型：RandomForest和LogisticRegression等都能对模型的特征打分，通过打分获得相关性后再训练最终模型； 13、我们可以并行地生成GradientBoostingTrees单个树,因为它们之间是没有依赖的,GradientBoostingTrees训练模型的表现总是比随机森林好 14、我从未变过，只是学会了伪装。跌跌撞撞的，走过了人生最丧最灰暗的时刻，那些最难熬的时光。 15、对树的结构进行了正则化约束，防止模型过度复杂，降低了过拟合的可能性； 16、其实真没必要太在意别人对你的评价，和讨厌你的人解释就是浪费时间，你越反击，他就越喋喋不休。甚至都没看看自己什么样，这样的人纯属就是缺少存在感来秀下限的。与你毫无关系的人永远都是毫无关系，不必理会，也不用较真儿。 17、别把人生想得太难。走过生命的逆旅，人世沧桑，若不努力，除了年纪在涨，头发变少，容颜变老，你买不起的还是买不起，你喜欢的人，还是与你无关。 18、假设你使用log-loss函数作为评估标准。下面这些选项，哪些是对作为评估标准的log-loss的正确解释。(D) 19、假设我们有一个如下图所示的隐藏层。隐藏层在这个网络中起到了一定的降维作用。假如现在我们用另一种维度下降的方法，比如说主成分分析法(PCA)来替代这个隐藏层。那么，这两者的输出效果是一样的吗？ 20、当你不敢去实现梦想的时候，梦想会离你越来越远；当你勇敢地去追梦的时候，全世界都会来帮你。 21、随着时间渐渐淡去的，只是一些记忆。重温昨日的你我，感动依旧。 22、最好的朋友，平时互相调侃，是嘴最狠的那个。在你需要的时候，却是心最软的那个。 23、在下图中，我们可以观察到误差出现了许多小的”涨落”。这种情况我们应该担心吗？（B） 24、当你认识到你长大的那个房子，不再是你真正的家的时候，你就明白了生活的意义。突然间，家的概念就没有了……虽然你还有个地方放东西。出处：情归新泽西 25、将原始数据进行集成、变换、维度规约、数值规约是在以下哪个步骤的任务？(C) 26、我很少跟父母讲生活的坏话，他们有自己的人生，抱怨毫无意义。以至于有些时候家长会有点大惊小怪，其实他们碰巧看到的只是一个片刻而已啊，还有的是我自己消化掉的委屈和难过。 27、深度学习是当前很热门的机器学习算法，在深度学习中，涉及到大量的矩阵相乘，现在需要计算三个稠密矩阵A,B,C的乘积ABC,假90设三个矩阵的尺寸分别为m?n，n?p，p?q，且m 28、有些苦，你得亲自去吃，才会变得聪明；有些累，你得亲自去受，才会变得豁达。如果没有经受过投入和用力的痛楚，又怎么会明白决绝之后的海阔天空。 29、09款两厢福克斯只有四个车型可选，这对于一个患有选择恐惧症的人来说无疑是一件好事。不过我还是纠结了，在自动挡与手动挡之间徘徊，这时前文出现过的朋友又跳出来了，他的说法是“男孩儿就得开手挡车，手挡车开着有乐趣啊！”“对！在理儿！”我又一次听取了他的意见。（我的这个好基友就是在第一期出现过的杨晓晔同学，对于问了一个“手动控”要选择何种变速箱的问题上，我表示很失败……）。 30、计算训练样本和测试样本中每个样本点的距离（常见的距离度量有欧式距离，马氏距离等）； 31、为了得到和SVD一样的投射（projection），你需要在PCA中怎样做？(A) 32、KNN算法不需要训练参数,而所有神经网络都需要训练参数,因此神经网络帮不上忙 33、人生有时阳光明媚，有时暴雨倾盆，面对挫折与失败，我们需要努力去争气，而不是怨天尤人，无论在什么时候，我们都不要抱怨自己的人生，所有的一切都取决于自己。这个世界上能救你的只有你自己，别把时间浪费在不值得的地方。 34、如果你能像看别人缺点一样，准确的发现自己的缺点，那么你的生命将会不平凡。 35、生活就是要把你折腾的死去活来，你要做的就是咬牙坚持下去。有时候，一个人想要的只是一只可握的手和一颗感知的心。总有一天，你会发现，我不是谁都能替代的，无论是友情还是爱情。 36、输入图片大小为200×200，依次经过一层卷积（kernelsize5×5，padding1，stride2），pooling（kernelsize3×3，padding0，stride1），又一层卷积（kernelsize3×3，padding1，stride1）之后，输出特征图大小为（C）： 37、最近好像老的特别快，一不小心打开前置摄像头，感觉像个三十的老男人。想想好像也确实奔三了…忙碌，疲惫，没意义的生活真的没意思了。 38、如果以特征向量的相关系数作为模式相似性测度，则影响聚类算法结果的主要因素有（BC） 39、对数几率回归（logisticsregression）和一般回归分析有什么区别？（D） 40、使人生充满意义的，不是对某一个目标的奔赴，而是每一步都得到心安与落实。 41、假设我们要解决一个二类分类问题,我们已经建立好了模型,输出是0或1,初始时设阈值为0.5,超过0.5概率估计,就判别为1,否则就判别为0;如果我们现在用另一个大于0.5的阈值,那么现在关于模型说法,正确的是:（C） 42、如果你珍惜万物，万物也必将珍惜你，这就是长寿。如果你心怀万物，万物必将归属于你，这就是财富。如果你施恩万物，万物也必将施恩你，这就是幸福。人静而后安，安而能后定，定而能后慧，慧而能后悟，悟而能后得。 43、你正在使用带有L1正则化的logistic回归做二分类，其中C是正则化参数，w1和w2是x1和x2的系数。当你把C值从0增加至非常大的值时，下面哪个选项是正确的？(B) 44、一个善于自嘲的人不是因为内心强大，而只是想巧妙地让别人闭嘴。 45、非线性：即导数不是常数。这个条件前面很多答主都提到了，是多层神经网络的基础，保证多层网络不退化成单层线性网络。这也是激活函数的意义所在。 1、对一个想要希望的人来说，给了承诺，又不实现，比失望还残忍。 2、宅，是一种很不稳定的状态。只要一停电，就会退化成山顶洞人。 3、长得那么美那么帅气，自己却不知道，这就是气质;那么有钱那么有才华，别人却不知道，这就是修养。 4、有的人，该忘就忘了吧。人家不在乎你，又何必委屈自己呢。不要再浪费时间，给不在乎你的人。人生苦短，放开了，看淡了，慢慢也就淡化。 5、世人都在追求金钱，因为有钱了就可以实现愿望，想干吗就干吗，这其实就是自由。自由只是个人主体感受，不是人生意义。世上各种动物植物，有机物无机物，只要对人有用，对人而言，它们就有了存在的意义。而唯独人类的存在，是百无一用的。所以人生无意义。 6、单调性（monotonic）：即导数符号不变。这个性质大部分激活函数都有，除了诸如sin、cos等。个人理解，单调性使得在激活函数处的梯度方向不会经常改变，从而让训练更容易收敛。 7、在分类问题中,我们经常会遇到正负样本数据量不等的情况,比如正样本为10w条数据,负样本只有1w条数据,以下最合适的处理方法是() 8、人生本身是毫无意义的，我们本身是浅薄的，扁平的，无趣的。如果意识不到这个问题就没有痛苦。人一旦明白自己的不堪，就很难无视它所带来的痛苦，但总有一些东西是值得的，对别人的爱和对美的追求都可以让人暂时摆脱灵魂里丑陋的一面。 9、在训练神经网络时，损失函数(loss)在最初的几个epochs时没有下降，可能的原因是？（A） 10、通过深度学习来进行特征选择：目前这种手段正在随着深度学习的流行而成为一种手段，尤其是在计算机视觉领域，原因是深度学习具有自动学习特征的能力，这也是深度学习又叫unsupervisedfeaturelearning的原因。从深度学习模型中选择某一神经层的特征后就可以用来进行最终目标模型的训练了。 11、一个人生活中肯定应该有理想。理想就是明天。如果一个人没有明天，他的生活在我看来已经就没有了意义。就是一个社会也应该有它的理想，那就是这个社会明天应该是一个什么社会。无论一个人，还是一个社会，他们所有的实践和努力都是为了向更美好的方向发展。所以我觉得，有理想，那么在奋斗的过程中才可能有目标。一个人糊里糊涂混一辈子，这样一种生活是没有意义的。 12、寂寞的人总是会用心的记住他生命中出现过的每一个人，于是我总是意犹未尽地想起你在每个星光陨落的晚上一遍一遍数我的寂寞。 13、我遇到一个人，恰如其分的适合我，我刻意迁就，让她任性撒娇，我希望相爱并且默契，到最后我没等到。 14、我们建立一个5000个特征,100万数据的机器学习模型.我们怎么有效地应对这样的大数据训练:（F） 15、经常在网上搜索东西的朋友知道，当你不小心输入一个不存在的单词时，搜索引擎会提示你是不是要输入某一个正确的单词，比如当你在Google中输入“Julw”时，系统会猜测你的意图：是不是要搜索“July”，如下图所示： 16、一个人能给予你的真正安全感是，就算没有了这个人，你也能拥有精彩的一生。失去他，我当然会伤心，会痛苦，会怀念，但我还是我，我照样会让自己的生活充实而有意义地延续下去。女人一生中最幸运的事，莫过于拥有一颗强大的内心。 17、有两个样本点，第一个点为正样本,它的特征向量是(0,-1);第二个点为负样本,它的特征向量是(2,3),从这两个样本点组成的训练集构建一个线性SVM分类器的分类面方程是（C） 18、千里之行，始于足下。改变将来，从现在开始。改变现在，就是改变未来。 19、对所有优化问题来说,有没有可能找到比現在已知算法更好的算法? 20、隐马尔可夫模型三个基本问题以及相应的算法说法正确的是（ABC） 21、顺境的美德是节制，逆境的美德是坚忍，这两种境遇都是对走向成功者的检验，它们是通往成功的必由之路。 22、输了就是输了，没什么好去解释的，不过是一盘棋，何必去计较。 23、下列哪项关于模型能力（modelcapacity）的描述是正确的？（指神经网络模型能拟合复杂函数的能力）（A） 24、在SPSS的基础分析模块中，作用是“以行列表的形式揭示数据之间的关系”的是（C） 25、99%的预测准确率可能说明,你预测的没有点进去的人很准确(因为有99%的人是不会点进去的,这很好预测)。不能说明你的模型对点进去的人预测准确,所以,对于这样的非平衡数据集,我们要把注意力放在小部分的数据上,即那些点击进去的人。 26、建立公共溢出区：将哈希表分为基本表和溢出表两部分，凡是和基本表发生冲突的元素，一律填入溢出表。 27、现在有a到z26个元素，编写程序打印a到z中任取3个元素的组合（比如打印abc，dyz等）。 28、数据科学家可能会同时使用多个算法（模型）进行预测，并且最后把这些算法的结果集成起来进行最后的预测（集成学习），以下对集成学习说法正确的是:（B） 29、阴暗处长不出大树，人类也是一样，心胸必须如阳光般光明灿烂。 30、随机森林，对于分类问题，通常采用基尼不纯度或者信息增益，对于回归问题，通常采用的是方差或者最小二乘拟合。一般不需要featureengineering、调参等繁琐的步骤。它的两个主要问题，1是重要的特征有可能得分很低（关联特征问题），2是这种方法对特征变量类别多的特征越有利（偏向问题）。 31、我们可以先创建聚类类别，然后在每个类别上用监督学习分别进行学习 32、DecreaseAccuracy：对于一棵树Tb(x)，我们用OOB样本可以得到测试误差1；然后随机改变OOB样本的第j列：保持其他列不变，对第j列进行随机的上下置换，得到误差2。至此，我们可以用误差1-误差2来刻画变量j的重要性。基本思想就是，如果一个变量j足够重要，那么改变它会极大的增加测试误差；反之，如果改变它测试误差没有增大，则说明该变量不是那么的重要。 33、总有人离开，总有人到来。生活真的很简单，别总是强迫自己。人生如圆，终点亦是起点。 34、要想站稳，必须保持自己的规矩，建立自己的人格，掌握人生的套路，不够狠，站不稳。 35、三是采用由Smits等人提出的混合核函数方法，该方法较之前两者是目前选取核函数的主流方法，也是关于如何构造核函数的又一开创性的工作．将不同的核函数结合起来后会有更好的特性，这是混合核函数方法的基本思想。 36、曾经有过那么两个阶段，特别抑郁，怀疑人生的意义，不知道接下来的路要去哪里，不知道自己要做什么。幸运的是我遇到了温暖的小伙伴。感谢温柔的温暖的心。 37、在随机森林的单个树中,树和树之间是有依赖的,而GradientBoostingTrees中的单个树之间是没有依赖的 38、建立一个模型，通过这个模型根据已知的变量值来预测其他某个变量值属于数据挖掘的哪一类任务？(C) 39、每个人的青春，终逃不过一场爱情。在这里，有爱，有情，有喜，有乐，却单单没有永恒。 40、缺失值较多.直接将该特征舍弃掉，否则可能反倒会带入较大的noise，对结果造成不良影响。 41、下面有关分类算法的准确率，召回率，F1值的描述，错误的是？（C） 42、一颗心与另一颗心到底有多远的距离，是咫尺?是天涯?而我会默默地等待，等待你和我一个浪漫的开始。 43、最出名的降维算法是PAC和t-SNE。将这两个算法分别应用到数据「X」上，并得到数据集「X_projected_PCA」，「X_projected_tSNE」。下面哪一项对「X_projected_PCA」和「X_projected_tSNE」的描述是正确的？（B） 44、越不过的是沧海，看不透的是人心。人生的意义并不是要忙碌得停不下脚步，踉踉跄跄地跑到终点了事，人生应该是丰富多彩的。既要做人生的数学题，也要看窗外的风景，既要朝前看，也需要常常回首从前！ 45、假设在训练中我们突然遇到了一个问题，在几次循环之后，误差瞬间降低。你认为数据有问题，于是你画出了数据并且发现也许是数据的偏度过大造成了这个问题。 1、有时候低头和妥协并不可耻，太过在乎一些不必要的东西反而会害了自己。 2、没有约束的人，很容易放纵，以为找到了，最终还是幻想。依靠别人，还不如自己努力进取，做个独立快乐的自己。要想让人看的起，只有自己振作强大起来，这样的人生才会有意义。 3、节点分裂的方式不同，GBDT是用的基尼系数，XGBoost是经过优化推导后的。 4、爱我的，我不一定爱。不爱我的，我绝对不爱；即使爱，也给自己一个时限，时限一到就死心。我大好一个人，何苦栽在一段没希望的爱恋里。 5、如果前向特征选择方法和后向特征排除方法在大数据上不适用,可以用这里第三种方法 6、8L手动挡的福克斯并没有配备倒车雷达，这对于拿到驾照不久的我来说，停车无非是个很大的难题，还好之后加装了倒车影像，我现在停车完全依赖于它。 7、使用k=1的KNN算法,下图二类分类问题,“+”和“o”分别代表两个类,那么,用仅拿出一个测试样本的交叉验证方法,交叉验证的错误率是多少:（B） 8、下图是一个利用sigmoid函数作为激活函数的含四个隐藏层的神经网络训练的梯度下降图。这个神经网络遇到了梯度消失的问题。下面哪个叙述是正确的？（A） 9、对于PCA(主成分分析)转化过的特征,朴素贝叶斯的”不依赖假设”总是成立,因为所有主要成分是正交的,这个说法是:（B） 10、带着感恩的心启程，学会爱，爱父母，爱自己，爱朋友，爱他人。 11、变量选择是用来选择最好的判别器子集，如果要考虑模型效率，我们应该做哪些变量选择的考虑？:（C） 12、请用python编写函数find_string，从文本中搜索并打印内容，要求支持通配符星号和问号。 13、下列时间序列模型中,哪一个模型可以较好地拟合波动性的分析和预测？（D） 14、CD违背基本假设的计量经济学模型还是可以估计的，只是不能使用普通最小二乘法进行估计。 15、何以解忧，唯有修仙。痛苦比恶心舒服，宗教和信仰，自我的干净和清透，是人生的意义和追求。谨记干净的状态，保持纯粹，相信内心深处的感觉，遵从直觉，不要背弃。愿上帝同在。 16、L1与L2范数在LogisticRegression中,如果同时加入L1和L2范数,会产生什么效果(A)。 17、对于数据集中的每一个点x，计算它与最近聚类中心(指已选择的聚类中心)的距离D(x) 18、在一个神经网络中，知道每一个神经元的权重和偏差是最重要的一步。如果知道了神经元准确的权重和偏差，便可以近似任何函数，但怎么获知每个神经的权重和偏移呢？（C） 19、存在主义说人生从宏观上毫无意义，那么是不是用无意义的人生做自己想做的事情，不需要理由去做，只是想做，可以么 20、要相信，生活原本就是简单的。遇到困难了，我们向佛祖祈祷，那是因为我们相信佛祖的实力，假如佛祖没有眷顾你，那也不用灰心，那是因为佛祖相信你的实力，那是历练你的证明，佛祖希望你能成长。所以，不要把所有的坏事都当成坏事，终有一天你会发现生活是如此的美妙，多往好的方面想，这样活的才有意义。 21、在下面哪种情况下，一阶梯度下降不一定正确工作（可能会卡住）？（B） 22、怎么理解决策树、xgboost能处理缺失值？而有的模型(svm)对缺失值比较敏感？ 23、同样，事件A发生之后，我们对事件B的发生概率重新评估，称为B的后验概率，用P(B|A)表示。 24、某超市研究销售纪录数据后发现，买啤酒的人很大概率也会购买尿布，这种属于数据挖掘的哪类问题？(A) 25、人有一种诚恳，就有一种坚韧，人有一种善良，就有一种坚韧的努力，人有一种耐力，就有一种坚韧的聆听。 26、下图显示了训练过的3层卷积神经网络准确度，与参数数量(特征核的数量)的关系。人生没什么可比的说说(2)
人生没什么可比的说说(3)
人生没什么可比的说说(4)
人生没什么可比的说说(5)