cnn算法,CNN系列算法比较

要成为算法工程师需要学哪些专业？

学哪些专业，这个问题太简单了2个阿里腾讯的官方招聘官网看看，答案就来了我先上一个阿里招聘算法的招聘信息这是阿里官方网的社招数学、英语要好我就不啰嗦了，这是最基本的像阿里这样的大公司你起码也要985或211名牌大学统计学、计算机科学、数学相关专业（答案就在招聘里）计算机方面的问题大家都可以问我我会定期更新视频科普在给上个腾讯的算法招聘学历专业类型（计算机、统计、信息、数学）具体要求非常清楚。

算法的核心是什么，数学就是算法吗？

我觉得这样理解是不全面的，首先算法的核心是如何用抽象的数学模型来解决这个实际问题，而且实现的手段是通过代码编程，所以说算法的核心是数学是基本准确的。但是数学是算法这个说法就问题很大了。 数学包含的范围非常广，自己是一个自洽的系统，而且随着人类的认识的提高，数学也在发展，也发展了很多新的数学工具来帮我们解决实际问题。

机器学习算法工程师面试需要做那些准备？

备战机器学习工程师面试，你需要掌握这些经典面试题金九银十，又到了就业旺季，互联网公司的秋招如火如荼的进行着。机器学习类岗位依然非常热门且高薪，但想在竞争激烈的面试中杀出重围，必须有充足的准备。如何能够短时间内抓住机器学习知识的技术重点，集中突击？ 如何不再惧怕“算法”？ 如何才能在面试中对答如流，打造属于自己的“offer收割机”？刷题是必不可少的步骤。

应聘前，你需要了解的内容有：机器学习的基本概念和分类（训练/测试数据、监督/非监督学习等）、经典的机器学习模型（支持向量机、朴素贝叶斯、随机森林等）、深度学习模型（卷积神经网络、循环神经网络、生成式对抗网络等）；特征工程（特征组合、特征选择等），模型评估（评价指标、超参数的选择等），优化算法（损失函数、梯度下降等），数学基础（概率论、线性代数等），工程能力（数据结构与算法、机器学习平台等），业务与应用（计算机视觉、自然语言处理等）。

跟题主分享几个超级高频的机器学习面试题，希望能祝你一臂之力！Q1：如何对贝叶斯网络进行采样 (8.6)对一个没有观测变量的贝叶斯网络进行采样，最简单的方法是祖先采样（Ancestral Sampling），它的核心思想是根据有向图的顺序，先对祖先节点进行采样，只有当某个节点的所有父节点都已完成采样，才对该节点进行采样。

以场景描述中的图8.9 为例，先对Cloudy 变量进行采样，然后再对Sprinkler 和Rain 变量进行采样，最后对WetGrass 变量采样，如图8.10 所示（图中绿色表示变量取值为True，红色表示取值为False）。根据贝叶斯网络的全概率公式可以看出祖先采样得到的样本服从贝叶斯网络的联合概率分布。

如果只需要对贝叶斯网络中一部分随机变量的边缘分布进行采样， 可以用祖先采样先对全部随机变量进行采样，然后直接忽视那些不需要的变量的采样值即可。由图可见，如果需要对边缘分布p(Rain) 进行采样，先用祖先采样得到全部变量的一个样本，如（Cloudy=T， Sprinkler=F，Rain=T，WetGrass=T），然后忽略掉无关变量，直接把这个样本看成是Cloudy=T 即可。

接下来考虑含有观测变量的贝叶斯网络的采样，如图8.11 所示。网络中有观测变量（Sprikler=T，WetGrass=T）（观测变量用斜线阴影表示），又该如何采样呢？最直接的方法是逻辑采样，还是利用祖先采样得到所有变量的取值。如果这个样本在观测变量上的采样值与实际观测值相同，则接受，否则拒绝，重新采样。

这种方法的缺点是采样效率可能会非常低，随着观测变量个数的增加、每个变量状态数目的上升，逻辑采样法的采样效率急剧下降，实际中基本不可用。因此，在实际应用中，可以参考重要性采样的思想，不再对观测变量进行采样，只对非观测变量采样，但是最终得到的样本需要赋一个重要性权值：其中E 是观测变量集合。这种采样方法称作似然加权采样（Likelihood Weighted Sampling），产生的样本权值可以用于后续的积分操作。

算法基础和数学基础都不高，学ai能干什么？

如果算法基础和数学基础都不高，学AI就只能做个调包侠了，除此之外还能为你提供解决某些问题的思路，如果是这样我建议你还是不要踏入这个行业了，做一个软件开发工程师也许会更好。调包侠很多算法其实已经都被封装好了，你也不需要对算法和数学基础要求有多高，一句代价即可调用。下面就用MXNet深度学习框架来介绍一下，这里就以SSD目标检测算法为例不用训练，也不需要任何的算法和数学基础你就完成了一个目标检测算法。

提供解决某些问题的思路人工智能能够这么受欢迎，其实主要还是因为它确确实实能够解决很多痛点问题。比如说，某天你的上司给你提了一个需求，让你设计一套程序来识别一下，图片中的蜡笔小新通过图片观察你可以发现，蜡笔小新有一个土豆头、大耳朵、喜欢穿红色短袖、黄色裤子等，然后再根据这些特征定义一系列的规则，最终我们的程序能够识别出蜡笔小新了，但是实际应用的时候你会发现这些特征大都需要设定阈值，而小新也不是那么听话只保持某个动作，他会做很多动作从而导致你的程序识别率并不高。

所以，这时候你必须要通过其它的方法来实现这个功能了，然而这时候你了解到了有一种目标检测算法可以很好的解决这个问题，这时候你学到AI算法就能够应用上了。为什么说如果算法和数学基础如果不够，不建议踏入这个行业呢？等你学完之后，想找一个人工智能开发岗位的工作时，你会发现面试官老是会问各种算法原理，如果没有一定数学知识和算法知识是很难学会这些东西的，所以如果这些基础不扎实在面试的时候就会被pass掉，更别说找一份好工作了。

mtcnn和yolov3和ssd等目标检测算法各有什么特点或优势？

MTCNN算法是多任务级联卷积神经网络，用于人脸检测和人脸对齐，它是一种级联结构，类似Adaboost算法，主要包括三个子网络：一个是P-Net网络，主要获得人脸区域的候选窗口和边界框的回归向量，并用该回归向量对候选窗口进行校准，然后通过非极大值抑制来合并高度重叠的候选框；第二个子网络是R-Net网络，也是只做检测和边界框回归两个任务；最后一个子网络是O-Net网络，对前面的候选框做进一步的筛选，回归边界框，同时在每个边界框上计算特征点的位置。

而且，MTCNN一种多尺度网络结构，在输入图像数据前，先构建图像金字塔，获得不同尺度的图像再送入P-Net网络。SSD算法是one-stage、端到端的目标检测算法，主要思路是在图片的不同位置进行密集采样，采用不同的尺度比和长宽比，利用卷积神经网络结构提取特征进行分类和回归，其优势是速度快。SSD提取不同尺度的特征图来做检测，前面的大尺度特征图用于检测小目标，后面的小尺度特征图用于检测大目标，采用VGG16作为基础模型。

yolo目标检测算法的基本思想是利用CNN对输入图像提取特征，将输入图像划分成S×S个单元格，如果某个物体的中心位置落入其中一个单元格，那么由该单元格负责检测这个目标。YOLO V3在之前yolo结构的基础上，采用多个尺度融合的方式做预测，加强对小目标检测的精确度。基础分类网络类似ResNet残差网络，分类任务用Logistic取代了softmax，并利用9种尺度的先验框，可以很好的检测大目标和小目标。

MTCNN是专门用于检测人脸的目标检测算法，而yolo和SSD算法是通用的目标检测算法。通用的目标检测算法还有另一种类型，就是two stage的网络模型，先利用一些算法产生候选区域，然后再对候选区域进行分类和回归，这类典型的算法有R-CNN算法、Fast R-CNN算法以及Faster R-CNN算法、FPN算法等。