PRACTICE / 机器学习与深度学习

机器学习基础与工程判断

覆盖机器学习的核心概念与工程判断:过拟合与偏差方差诊断、正则化与特征缩放、数据泄漏的四种形态、交叉验证的正确用法、不平衡数据的指标与处理、ROC-AUC 与 PR-AUC 的选择、集成学习、缺失值处理,以及从问题定义到 A/B 验证的完整项目流程。考点覆盖参考 alirezadir/Machine-Learning-Interviews 与 microsoft/AI-For-Beginners(均为 MIT),题干、答案与提示为中文原创。

20 道题 · 按题单顺序练习

从理解到表达,逐题检验掌握程度。

支持选择题、判断题和简答题。浏览无需登录,提交后参考答案和作答记录会与 App 同步。

开始练习

题目列表

共 20 题
  1. 怎样判断模型过拟合了单项选择
  2. 缓解过拟合的手段多项选择
  3. 偏差与方差分别对应什么单项选择
  4. 准确率在极不平衡数据上可靠吗判断题
  5. 精确率与召回率怎么取舍简答题
  6. 什么是数据泄漏单项选择
  7. 交叉验证解决什么问题单项选择
  8. 哪些模型需要特征缩放多项选择
  9. 相关性能否直接当作因果判断题
  10. 类别极不平衡怎么处理简答题
  11. L1 与 L2 正则的差别单项选择
  12. 学习率过大或过小分别会怎样单项选择
  13. 写一段不会泄漏的划分与预处理代码编程题
  14. ROC-AUC 与 PR-AUC 怎么选简答题
  15. 随机森林与梯度提升树的差别单项选择
  16. 模型上线后要监控什么多项选择
  17. 监督、无监督与自监督的区别单项选择
  18. 训练效果好是否可以直接上线判断题
  19. 缺失值该怎么处理单项选择
  20. 从零设计一个流失预测项目简答题

登录哪都通