现在的位置:
想应聘最火热的人工智能，先把这几道面试题做了，再说吧
如果你是面试官，你怎么去判断一个面试者的深度学习水平？
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？
Deep Learning -Yann LeCun, Yoshua Bengio & Geoffrey Hinton
Learn TensorFlow and deep learning, without a Ph.D.
The Unreasonable Effectiveness of Deep Learning -LeCun 16 NIPS Keynote
以上几个不相关问题的相关性在于，都存在局部与整体的关系，由低层次的特征经过组合，组成高层次的特征，并且得到不同特征之间的空间相关性。如下图：低层次的直线／曲线等特征，组合成为不同的形状，最后得到汽车的表示。
CNN 抓住此共性的手段主要有四个：局部连接／权值共享／池化操作／多层次结构。
局部连接使网络可以提取数据的局部特征；权值共享大大降低了网络的训练难度，一个 Filter 只提取一个特征，在整个图片（或者语音／文本） 中进行卷积；池化操作与多层次结构一起，实现了数据的降维，将低层次的局部特征组合成为较高层次的特征，从而对整个图片进行表示。如下图：
上图中，如果每一个点的处理使用相同的 Filter，则为全卷积，如果使用不同的 Filter，则为 Local-Conv。
为什么很多做人脸的 Paper 会最后加入一个 Local Connected Conv？
DeepFace: Closing the Gap to Human-Level Performance in Face Verification
以 FaceBook DeepFace 为例：
DeepFace 先进行了两次全卷积＋一次池化，提取了低层次的边缘／纹理等特征。
后接了 3 个 Local-Conv 层，这里是用 Local-Conv 的原因是，人脸在不同的区域存在不同的特征（眼睛／鼻子／嘴的分布位置相对固定），当不存在全局的局部特征分布时，Local-Conv 更适合特征的提取。
什麽样的资料集不适合用深度学习?
数据集太小，数据样本不足时，深度学习相对其它机器学习算法，没有明显优势。
数据集没有局部相关特性，目前深度学习表现比较好的领域主要是图像／语音／自然语言处理等领域，这些领域的一个共性是局部相关性。图像中像素组成物体，语音信号中音位组合成单词，文本数据中单词组合成句子，这些特征元素的组合一旦被打乱，表示的含义同时也被改变。对于没有这样的局部相关性的数据集，不适于使用深度学习算法进行处理。举个例子：预测一个人的健康状况，相关的参数会有年龄、职业、收入、家庭状况等各种元素，将这些元素打乱，并不会影响相关的结果。
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?
没有免费的午餐定理：
对于训练样本（黑点），不同的算法 A/B 在不同的测试样本（白点）中有不同的表现，这表示：对于一个学习算法 A，若它在某些问题上比学习算法 B 更好，则必然存在一些问题，在那里 B 比 A 好。
也就是说：对于所有问题，无论学习算法 A 多聪明，学习算法 B 多笨拙，它们的期望性能相同。
但是：没有免费午餐定力假设所有问题出现几率相同，实际应用中，不同的场景，会有不同的问题分布，所以，在优化算法时，针对具体问题进行分析，是算法优化的核心所在。
用贝叶斯机率说明 Dropout 的原理
Dropout as a Bayesian Approximation: Insights and Applications
何为共线性, 跟过拟合有啥关联?
Multicollinearity－Wikipedia
共线性：多变量线性回归中，变量之间由于存在高度相关关系而使回归估计不准确。
共线性会造成冗余，导致过拟合。
解决方法：排除变量的相关性／加入权重正则。
说明如何用支持向量机实现深度学习(列出相关数学公式)
这个不太会，最近问一下老师。
广义线性模型是怎被应用在深度学习中?
A Statistical View of Deep Learning (I): Recursive GLMs
深度学习从统计学角度，可以看做递归的广义线性模型。
广义线性模型相对于经典的线性模型(y=wx+b)，核心在于引入了连接函数 g(.)，形式变为：y=g-1(wx+b)。
深度学习时递归的广义线性模型，神经元的激活函数，即为广义线性模型的链接函数。逻辑回归（广义线性模型的一种）的 Logistic 函数即为神经元激活函数中的 Sigmoid 函数，很多类似的方法在统计学和神经网络中的名称不一样，容易引起初学者（这里主要指我）的困惑。下图是一个对照表：
什麽造成梯度消失问题? 推导一下
Yes you should understand backdrop－Andrej Karpathy
How does the ReLu solve the vanishing gradient problem?
神经网络的训练中，通过改变神经元的权重，使网络的输出值尽可能逼近标签以降低误差值，训练普遍使用 BP 算法，核心思想是，计算出输出与标签间的损失函数值，然后计算其相对于每个神经元的梯度，进行权值的迭代。
梯度消失会造成权值更新缓慢，模型训练难度增加。造成梯度消失的一个原因是，许多激活函数将输出值挤压在很小的区间内，在激活函数两端较大范围的定义域内梯度为 0。造成学习停止
Weights Initialization. 不同的方式，造成的后果。为什么会造成这样的结果。
几种主要的权值初始化方法： lecun_uniform / glorot_normal / he_normal / batch_normal
lecun_uniform:Efficient BackProp
glorot_normal: Understanding the difficulty of training deep feedforward neural networks
he_normal: Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification
batch_normal: Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift
为什么网络够深(Neurons 足够多)的时候，总是可以避开较差 Local Optima？
The Loss Surfaces of Multilayer Networks
Loss. 有哪些定义方式（基于什么？）， 有哪些优化方式，怎么优化，各自的好处，以及解释。
Cross-Entropy / MSE / K-L 散度
Dropout。 怎么做，有什么用处，解释。
How does the dropout method work in deep learning?
Improving neural networks by preventing co-adaptation of feature detectors
An empirical analysis of dropout in piecewise linear networks
Activation Function. 选用什么，有什么好处，为什么会有这样的好处。
几种主要的激活函数：
Sigmond / ReLU ／PReLU
Deep Sparse Rectifier Neural Networks
Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification
原文链接;http://www.eeboard.com/news/smart-2/
搜索爱板网加关注，每日最新的开发板、智能硬件、硬件、活动等信息可以让你一手全掌握。推荐关注！
【微信扫描下图可直接关注】
科技早知道：
【上篇】【下篇】
第一次接触到角蜂鸟（Horned Sungem）AI视觉套件时我是懵逼的，甚至说很难理解为什么好好的一个人工智能视觉套件取这么一个“剑走偏锋”的名字，不理解中文角蜂鸟的深层含义，更抵触英文的Horn...
微软招聘工程师为云服务开发AI芯片 最近的招聘信息显示，微软正为其云服务设计人工智能芯片。
其实早在1993年国家工商总局就发布了《关于停止办理公、检、法、司所属的机关申办的“讨债公司”登记注册问题的通知》。1995年，公安部、国家工商行政管理总局也发布通知，禁止任何单位和个人...
人工智能和机器人时代将来临，本田怎么应对的？ 尽管日本本田公司被广泛认为是世界上最大的汽车制造商之一，也是最大的摩托车制造商，但它在汽车以外的技术创新领域也正处于前沿。该公司在研...
在近日举办的阿里云栖大会武汉峰会上，阿里云AI产品矩阵的亮相作为压轴大戏出场，这也是阿里云首次曝光了人工智能产品家族，全方位公开AI产品体系
您必须才能发表留言！华人娱乐_华人娱乐平台|华人娱乐官网
华人娱乐_华人娱乐平台|华人娱乐官网韩人工智能面试官迅速崛起 高效且比人苛刻 | 联合早报网登录人民网通行证 &&&
韩国人工智能面试官迅速崛起&高效且比人更苛刻
日07:10&&来源：
据韩媒报道，近日，人工智能在韩国国内招聘市场正迅速崭露头角。从筛选简历，到分析应聘者的人品和职业性格，再到“幕后面试官”，人工智能都在发挥重要作用。韩媒称，人工智能面试官可排除面试受人类主观因素影响，且效率高成本低。
据报道，人工智能招聘系统的最大优点在于，它可以防止招聘过程受到人类主观因素的影响。不愿公开姓名的一位公司人事主管表示，“最近接连爆出招聘过程中的人事腐败问题，也提高了人们对人工智能招聘系统的关注度”，“希望人工智能可增强大家对招聘系统的信任度”。
对企业来说，人工智能招聘系统具有效率高且成本低的优点。人工智能分析一份自我介绍仅3秒钟，8个小时就能分析完一万名应聘者的自我介绍，而相同的工作量需要10名人事负责人，按照一天8小时的工作时间工作七天才能做完。
据报道，在面试过程中，人工智能会锁定应聘者面部68个关键点，实施分析应聘者的面部表情、肌肉动作、声音和语速等，感应出应聘者的心跳、脉搏数和脸色变化。同时，人工智能还会将应聘者的脑部分为六个部位进行脑电波分析。
之后，人工智能可以对应聘者各方面的能力做出评价，并给出一个综合评估，将评估建议书提交给人事负责人。
当然，其副作用也颇为令人担忧。据报道，人工智能只能根据已知的数据进行分析，完全不考虑应聘者的未来潜力。而且，应聘者对于面试过程中必须面对计算机而不是人类面试官回答问题的方式也感到颇为抗拒，不少应聘者反应这种面试方式导致自己在面试过程中无法紧张起来，感到颇为不适。
(责编：樊海旭、常红)
深度阅读中国智慧推动国际合作
构建人类命运共同体思想基于中国实践和中华文化，占据人类道义制高点，彰显了中国特有的大国风范、大国担当。构建人类命运共同体，不论是作为一种思想学说、价值观念、思维方式、处世哲学，还是作为全球治理的中国方案，它的提出都是中国智慧的体现。当今时代，中华传统智慧经过现代化改造和发展，成为中国智慧的重要来源，在推动构建人类命运共同体过程中发挥着重要作用。
构建人类命运共同体思想引领时代潮流
习近平同志在党的十九大报告中强调：“坚持和平发展道路，推动构建人类命运共同体。”近几年来，习近平同志多次在国内外重要场合阐述构建人类命运共同体的重要思想，着眼于世界各国相互联系、全球命运休戚与共的发展大势，顺应和平、发展、合作、共赢的时代潮流，高瞻远瞩地提出构建人类命运共同体的重要思想，为促进世界和平与发展、解决人类社会共同面临的问题贡献了中国智慧和中国方案。
关注人民网微信当人工智能当上了面试官，它的面试结果能够被运用吗？
用微信扫描二维码分享至好友和朋友圈
用微信扫描二维码分享至好友和朋友圈
　　随着人工智能产品的不断突破和发展，它已经成为了我国近年来非常成功的一项科技成果，并且被人类广泛的运用。目前俄国的众多企业都将人工智能技术运用到了面试方面，也就是说给你面试的面试官将不再是人类了，而是冷冰冰的机器人。不过也有很多人为此提出了质疑，机器人当面试官那它的面试结果真的能够使用起来吗？　　使用机器来判断人的行为，这一冲突让人联想到测谎仪的应用。测谎仪无疑是有效的，否则不可能在公安、司法等领域得到大规模的推广应用；但也不能全部依赖测谎仪得出结论，因此世界上很少有国家和地区允许将测谎结果作为直接证据来使用。在实践上，最稳妥也最被广为接受的办法是将测谎结果作为巩固、强化证据效力的辅助手段，或者提升侦破效率的重要工具。这样的逻辑，同样适用于于机器人行业当中来。　　　　并且，用人单位要谨慎赋予机器人在性格测试中的一票否决权，只能将其作为辅助手段。机器人给出的性格测试结果，应综合HR面试的印象评价来综合判断。同时，在决定录取与否的大逻辑中，是不是只要性格测试不合格，就一定不能录取，也要打上个问号。毕竟，情绪只反映一时情况，性格也并非不可改变的。另一方面，考虑到机器人的判断可能出错，应当公开不予录取的具体原因，同时给予求职者核查的权利。在这一案例中，用人单位并没有主动告知求职者的性格到底哪里不适合，而是在媒体介入报道后才采取"特事特办"的方式进行重新测试。如果没有安排完善的事后"纠错渠道"，类似的争议还可能发生。　　　　所以说虽然人工智能的发展速度非常快，并且在很多领域也取得了众多成果，但是总体来说还没有达到完全能够代替人类工作的地步，所以对于使用人工智能产品在这方面大胆创新发展的人类来说还是需要谨慎使用，毕竟我们目前探索的领域还没有达到这样的要求，大家还是平常心去对待吧！
特别声明：本文为网易自媒体平台“网易号”作者上传并发布，仅代表该作者观点。网易仅提供信息发布平台。
阅读下一篇
网易通行证/邮箱用户可以直接登录：