1、深度学习框架TensorFlow中都有哪些优化方法？ 
答：GradientDescentOptimizer 
AdagradOptimizer 
Optimizer 
优化最小代价函数 
2、深度学习框架TensorFlow中常见的激活函数都有哪些？ 
答：relu，sigmoid,tanh 
3、深度学习框架TensorFlow中有哪四种常用交叉熵？ 
答： tf.nn.weighted_cross_entropy_with_logits 
tf.nn.sigmoid_cross_entropy_with_logits 
tf.nn.softmax_cross_entropy_with_logits 
tf.nn.sparse_softmax_cross_entropy_with_logits 
4、什么叫过拟合，避免过拟合都有哪些措施？ 
答：过拟合：就是在机器学习中，我么测试模型的时候，提高了在训练数据集的表现力时候， 
但是在训练集上的表现力反而下降了。 
解决方案： 
1.正则化 
2.在训练模型过程中，调节参数。学习率不要太大. 
3.对数据进行交叉验证 
4.选择适合训练集合测试集数据的百分比，选取合适的停止训练标准，使对机器的训练在合适 
5.在神经网络模型中，我们可以减小权重

6、什么是核函数？

核函数是将线性不可分的特征隐射到高位特征空间，从而让支持向量机在这个高维空间线性可分，也就是使用核函数可以向高维空间映射并解决非线性的分类问题。包括线性核函数，多项式核函数，高斯核函数等，其中高斯核函数最为常用。

7、深度学习框架TensorFlow中常见的核函数都有哪些？

SVM高斯核函数，应为如果想要分割非线性数据集，改变线性分类器隐射到数据集，就要改变SVM损失函数中的核函数

线性核函数

多项式核函数

8、朴素贝叶斯方法的优势是什么？

    朴素贝叶斯有稳定的分类效率
    对于小规模的数据表现很好，能处理多分类问题，可以再数据超出内存时，去增量训练
    对缺失数据不太敏感，算法比较简单，常用于文本分类。

9、什么是监督学习的标准方法？

所有的回归算法和分类算法都属于监督学习

并且明确的给给出初始值

在训练集中有特征和标签，并且通过训练获得一个模型，在面对只有特征而没有标签的数据时，能进行预测。

10、在机器学习中，模型的选择是指什么？

根据一组不同复杂度的模型表现，从某个模型中挑选最好的模型。选择一个最好模型后，在新的数据上来评价其预测误差等评价和指标。

11、图形数据库Neo4J的优劣势？

优势：1.更快的数据库操作，前提是数据量足够大。

2. 数据更加直观，相应的SQL语句更加好写。

3.更灵活，不管有什么新的数据需要储存，都是一律的节点，只需要考虑节点属性和边属性。

4.数据库的操作不会随着数据库的增大有明显的降低。

劣势：1.极慢的插入速度。

2.超大的节点。当一个节点的边非常多，

有关这个节点的操作速度就会大大下降

12、LR和SVM的联系与区别是什么？

    都是分类算法
    如果不考虑核函数，LR和SVM都是线性分类算法，也就是说他们的分类决策面都是线性的。
    LR和SVM都是监督学习算法
    LR和SVM的损失函数不同
    SVM只考虑局部的边界线附近的点 ，LR考虑全局，远离的点对边界线的确定也起作用。

13、什么是聚类，聚类的应用场景？

     聚类是指根据一定的准则，把一份事物按照这个准则归纳成互不重合的几份，机器学习中，聚类指按照一个标准，这个标准通常是相似性，把样本分成几份，是得相似程度高的聚在一起，相似程度低的互相分开。

聚类的应用场景，求职信息完善（有大约10万份优质简历，其中部分简历包含完整的字段，部分简历在学历，公司规模，薪水，等字段有些置空顶。希望对数据进行学习，编码与测试，挖掘出职位路径的走向与规律，形成算法模型，在对数据中置空的信息进行预测。）

14、机器学习中，为何要经常对数据做归一化？

    归一化后加快的梯度下降对最优解的速度。
    归一化有可能提高精度。