1、二者都是整合學習演算法，都是將多個弱學習器組合成強學習器的方法。
2、bagging（套袋法）：從原始資料集中每一輪有放回地抽取訓練集，訓練得到k個弱學習器.。
對於分類：將這k個弱學習器以投票的方式得到最終的分類結果。
對回歸問題；計算上述模型的均值作為最後的結果。（所有模型的重要性相同）
3、boosting：每一輪根據上一輪的分類結果動態調整每個樣本在分類器中的權重，訓練得到k個弱分類器，他們都有各自的權重，通過加權組合的方式得到最終的分類結果。
1、在傳統機器學習和深度學習中都會用到這項技術，作用是將某一特徵的資料縮放到（-1，1）或者（0，1）之間。
2、首先，這樣能夠規避掉不同特徵之間量綱商上的差異。
3、其次，這樣能夠減小波動的範圍，讓引數學習更簡單，從而加快收斂。（可以理解為相同學習率下，使目標平面更加平滑）
4、同時，對於一些sigmoid之類的啟用函式，太大的值會使得啟用值集中在頭尾兩處梯度較小的地方，使得模型難以學習。（為什麼自己訓練keras-fashion-mnist的時候，在mxnet效果可以，在keras上效果不佳原因）
1、這是在深度學習模型中經常會用到技巧。首先說說加它的原因。
2、雖然我們對輸入進行了歸一化，但是網路的深度使得開頭一點點波動，到後面都會被放大，從而使得最終的優化平面仍然變得十分的陡峭。
3、那麼，我們想，對於每一層的輸出，我都模仿最開始的輸入，給它做乙個歸一化，相當於對下一層的cnn開頭做乙個歸一化，那麼這樣效果會不會好呢？
4、事實證明，這樣的確能夠使得優化平面變得更加的光滑。
5、那麼先來看看bn是怎麼操作，
5.1 bn是基於batch的，設每個batch有m個樣本。
5.2 對於每個神經元，它對第k個樣本的輸出，x^k=(xk-μ）/var
5.3 xk是原始輸出，μ是在m個樣本上原始輸出的均值，var是方差。
5.4 最後x^k^f=γ*x^k+β，γ和β是可以學習的，為的是重新學習到x^k原始的特徵分布。（即，如果學習下來覺得歸一化不需要，那麼讓最後γ等於var，β就是μ了。）
6、還有一些group，layer，什麼的，都是計算μ和β的方法不同而已。
7、最後，bn層的位置，**中是放在啟用層之前的
深度學習面試題
1 介紹下卷積操作的作用 卷積網路中的卷積核引數是通過網路訓練出來的 通過卷積核的組合以及隨著網路後續操作的進行，卷積操作可獲取影象區域不同型別特徵 基本而一般的模式會逐漸被抽象為具有高層語義的 概念 表示，也就是自動學習到影象的高層特徵。2 cnn結構特點 區域性連線，權值共享，池化操作，多層次結...
筆試面試題目1
1.求重合段的長度 size t foo unsigned int a1,size t al1,unsigned int a2,size t al2 其中a1和a2都為無符號陣列，al1和al2為陣列的長度，陣列的長度為偶數。無符號陣列由一對數字區間組成。如下例 a1 為 0,1,3,6,10,20...
機器學習面試題目
過擬合原因 資料 資料不規範，資料量少，資料穿越，統計特徵用到了未來的資訊或者標籤資訊 演算法 演算法過於複雜 解決 1 將資料規範化，處理缺失值，增加資料量，取樣，新增雜訊資料 2 正則化，控制模型複雜程度，3 early stoping，減少迭代次數，減少樹的深度，4 學習率調大 小點 5 融合...