山東大學2018機器學習期末考試題

• 名詞解釋（5' * 4）

1. 機器學習
2. 主動學習
3. ID3
4. 神經網絡

• 簡答題（10' * 3）

1. parzen窗簡述。爲什麼可以選用高斯密度函數作爲窗函數？
2. 梯度下降算法與牛頓法的基本思想和區別。證明爲什麼梯度下降算法可以保證目標函數下降
3. 什麼是過擬合？模型爲什麼會出現過擬合？如何避免過擬合？

• 綜合分析題

1. 從期望損失角度解釋adaboost，如分佈和分類器權重更新的依據。（20'）
2. SVM。（1）從VC維和結構風險角度分析爲什麼margin要最大化。（2）推導優化函數的對偶形式。（3）簡述SVM線性不可分的情況下如何求解(30')