一次电话面记录（蚂蚁金服）
- deep learning相关
1)overfitting，如何防止：
batchnormalize和dropout,正则化如L1正则化可以稀疏参数防止过拟合，L2正则化通过求得更小参数来防止过拟合。
2）Cross entropy loss交叉熵损失与均方差损失（Mean Squared Error Loss）的差别（从优化角度不知道怎么讲诶）
均方差损失（Mean Squared Error Loss） 均方差损失假设了误差服从高斯分布，在分类任务下这个假设没办法被满足，因此效果会很差；而交叉熵损失不需要满足这样的假设，适合分类任务。
4）Adam优化器是怎么工作的？
可以看做是RMSProp+Momentum
具体说来，就是它使用了一个梯度平方的滑动平均（同RMSProp）
然后使用的是平滑版的梯度m，而不是原始梯度dx，积攒历史梯度（同Momentum）。
其次，相比于缺***因子导致二阶矩估计可能在训练初期具有很高偏置的RMSProp，Adam包括偏置修正，修正从原点初始化的一阶矩（动量项）和（非中心的）二阶矩估计。
- machine learning相关
1) GMM-HMM GMM如何确定参数：EM算法，解释E步，M步（想了解的童鞋可以上网查一下两步的几个公式）;
HMM中的前向算法后向算法alpha,beta意义。
- Deep learning和machine learning的差别（从优化角度）
Deep learning用较多的神经元和深层的网络大大加强了对非线性问题的表达性，需要数据量大，可解释性差，比较暴力。Machine learning在设置归纳偏好后根据统计计算逐步得到确定结果（我自己瞎说的）。
在网上看到的一些：机器学习的主要问题在于寻找合适的模型，深度学习的主要问题在于寻找合适的参数。机器学习对应的数据集较小，深度学习对应的数据集较大。
- Matrix正定矩阵如何判断
判定定理1:对称阵A为正定的充分必要条件是:A的特征值全为正。（我回答出了这个）
判定定理2:对称阵A为正定的充分必要条件是:A的各阶顺序主子式都为正。
判定定理3:任意阵A为正定的充分必要条件是:A合同于单位阵。
- 对大数定理的理解
在一个随机事件中，随着试验次数的增加，事件发生的频率趋于一个稳定值（不知道为什么没有得到肯定的回馈，可能没有理解深）
- reinforcement learning知道哪些
查看8道真题和解析
