51精产品一区一区三区,第一视频专区在线,亚洲成av人片一区二区三区

L1 和 L2 正則你怎么選？它們各自的效果與風險是什么，工程里你是怎么權衡的。

170 閱讀

樣本量不夠的時候你會怎么補？數據增強、半/自監督、遷移學習、先驗約束、合成數據——你實際用過哪些，效果如何。

113 閱讀

常見的數據歸一化標準化方式你怎么選？不同方案的差異點與適用場景講清楚。

131 閱讀

Topk 和 Topp 采樣你怎么理解？兩者差異在哪，哪些場景更可控？最好結合你做過的生成推薦任務說。

167 閱讀

模型上線之后，評估閉環怎么搭？灰度 AB 怎么跑？監控告警你怎么做，哪些指標最關鍵。.docx

132 閱讀

NLP中你做的數據增強里，哪幾種最穩？給出量化對比和背后的原因。

150 閱讀

你做 CTR CVR CTCVR 聯合建模時，ESMM ESMM2 是怎么推導與工程落地的？線上到底帶來了什么收益。.docx

134 閱讀

把 BN 講透：原理是什么；訓練期和推理期用的統計量有何不同；跟 LN、GN 比，分別什么時候用、怎么取舍。.docx

139 閱讀

偏差和方差你怎么把握？結合你遇到的真實線上案例，怎么判斷是高偏差還是高方差，各怎么治。.docx

134 閱讀

Dropout 訓練和推理階段分別怎么用.docxDropout 訓練和推理階段分別怎么用、為什么這么用？跟 BN LN 放一起會有哪些相互影響，怎么擺放更穩。給出一句話總結和詳細解.docx

134 閱讀

你實際用過哪些學習率策略？為什么要 warmup？拿一條你做過的收斂曲線說它起了什么作用，什么時候會失效。.docx

115 閱讀

回歸任務最后一層該怎么選激活？線性、Softplus、截斷、還是直接做分布建模？按不同業務約束說說你的選擇依據。.docx

151 閱讀

為什么樹模型一般不需要對特征進行標準化處理

144 閱讀

為什么一般預測模型要對特征進行標準化處理

160 閱讀

Kmeans和KNN有什么區別？Kmeans的k值如何選擇？

193 閱讀

GBDT、XGBoost、Random Forest、LightGBM分別是什么？它們的原理和區別是什么？

170 閱讀

常見的聚類算法有哪些？如何評價聚類效果？

127 閱讀

什么是梯度爆炸和梯度消失？它們的原因是什么？

207 閱讀

什么是信息熵、信息增益和信息增益比？它們在機器學習中有什么作用？

149 閱讀

神經網絡常見的初始化方式有哪些

188 閱讀

機器學習和深度學習怎么區別

147 閱讀

什么是集成學習？它有哪些優點？

185 閱讀

什么是Dropout？它的原理是什么？

153 閱讀

常見的正則化方法有哪些？它們的原理和作用是什么？

128 閱讀

人工智能