你的工资能涨多少“爽”,那个这个资料你就知道了

开课吧开课吧锤锤2021-04-29 11:17

点赞
有用
分享分享

    当前,AI已经在金融、医疗、安全等多个领域实现了技术落地,而且应用场景也越来越丰富,正全面商业化,引发各行各业的深刻变革,对加快企业数字化进程,完善产业链结构,提高信息利用效率等都发挥着积极作用。同时,AI也全面进入了机器学习时代,AI的未来发展将是关键技术与产业的融合。

Java

    聚类算法——说一下你所熟悉的聚类的算法并加以说明;

    K-meansClustering(K均值聚类)

    将输入数据分到K个类中。K均值是通过循环更新类中心的初始估计值来实现的。优势是实现起来很简单,是并行化的。主要缺陷是,类的数目需要提前确定。

    主要分三步:

    1、随机选取k个聚类质心点(clustercentroids)

    2、对于每一个样例i,计算其应该属于的类

    3、对于每一个类j,重新计算该类的质心

    层次聚类

    层次聚类(或者叫做凝聚聚类)是另一个简单但是强大的聚类算法。其思想是基于成对距离建立一棵相似度树。该算法首先分组成为两个最近的对象(基于特征向量之间的距离),并且在一棵有着两个对象作为孩子的树中创建一个平均结点。然后在余下的结点中找到一个最近的pair,并且也包含任何平均节点,等等。在每一个结点,两个孩子之间的距离也会被存储。簇然后可以通过遍历这棵树并在距离比某个阈值小以至于决定聚类的大小的结点处停止来被提取出来。

    层次聚类有几个优势。比如,树结构可以被用来可视化关系,并且显示簇是如何关联起来的。一个好的特征向量将得到树中好的分离。另一个优势是树可以在不同的簇阈值中被重用,而不需要重新计算树。缺点是需要选择一个阈值如果实际的簇需要的话。

    谱聚类

    对于n个元素的相似度矩阵(或者叫affinitymatrix,有时也叫距离矩阵)是一个有着成对相似度分数的n*n矩阵。谱聚类的这个名称是从相似度矩阵构造的矩阵的谱的使用得来。这个矩阵的特征向量被用来降维,然后再聚类。

    谱聚类方法的其中一个优势是唯一的输入就是这个矩阵,并且可以被你可以想到的任何相似度度量构造出来。像K均值和层次聚类这样的方法计算特征向量的平均值,这个限制了特征(或者是描述符)对向量(为了能够计算平均值)。有了谱方法,不再需要任何类型的特征向量,只有“距离”或者“相似度”。

    MeanShift聚类算法

    1、在未被标记的数据点中随机选择一个点作为中心center;

    2、找出离center距离在bandwidth之内的所有点,记做集合M,认为这些点属于簇c。同时,把这些求内点属于这个类的概率加1,这个参数将用于最后步骤的分类

    3、以center为中心点,计算从center开始到集合M中每个元素的向量,将这些向量相加,得到向量shift。

    4、center=center+shift。即center沿着shift的方向移动,移动距离是||shift||。

    5、重复步骤2、3、4,直到shift的大小很小(就是迭代到收敛),记住此时的center。注意,这个迭代过程中遇到的点都应该归类到簇c。

    6、如果收敛时当前簇c的center与其它已经存在的簇c2中心的距离小于阈值,那么把c2和c合并。否则,把c作为新的聚类,增加1类。

    7、重复1、2、3、4、5直到所有的点都被标记访问。

    8、分类:根据每个类,对每个点的访问频率,取访问频率最大的那个类,作为当前点集的所属类。

    以上就是小编为大家准备的人工智能面试题,更多人工智能面试题请点击下方图片,免费领取课程。

ai

    以上就是开课吧广场小编为大家整理发布的“你的工资能涨多少“爽”,那个这个资料你就知道了!”一文,更多人工智能面试相关内容尽在开课吧广场人工智能面试频道!

有用
分享