【AI算法岗面试八股面经【超全整理】——信息论】

2024-05-28 04:44

本文主要是介绍【AI算法岗面试八股面经【超全整理】——信息论】,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

AI算法岗面试八股面经【超全整理】

  • 概率论
  • 信息论
  • 机器学习
  • CV
  • NLP

目录

    • 1、自信息、信息熵
    • 2、相对熵(KL散度)、交叉熵
    • 3、联合熵与条件熵
    • 4、互信息

1、自信息、信息熵

自信息
概率与信息量的关系:概率越大的事件,提供的信息量越小;概率越小的事件,信息量越大
信息量计算公式:
I ( x ) = − log ⁡ p ( x ) I(x)=-\log p(x) I(x)=logp(x)
对数底与信息的单位:

  • 以2为底:bit(binary unit)
  • 以e为底:nat(nature unit)
  • 以10为底:Hart(Hartley)

熵(信息熵)
熵用来描述一个事件的不确定性,表示某事件所有可能发生的情况的信息量的期望值(所有可能情况信息量的均值)
设事件X共有n种可能,发生 x i x_i xi的概率为 p ( x i ) p(x_i) p(xi),那么该事件熵的计算公式:
H ( x ) = − ∑ i = 1 n p ( x i ) log ⁡ ( p ( x i ) ) = E ( log ⁡ 1 p ( x i ) ) H(x)=-\sum_{i=1}^{n}p(x_i)\log (p(x_i))=E(\log \frac{1}{p(x_i)}) H(x)=i=1np(xi)log(p(xi))=E(logp(xi)1)
基本性质:

  • 非负性: H ( X ) ≥ 0 H(X)\geq 0 H(X)0,当某事件是确定发生的事情,则其熵为0(太阳从东边升起的信息熵为0)
  • 某随机变量每次发生的情况越不确定(不确定性越大),则其熵值越大,此时,该变量的分布也越混乱
  • 当某事件对每种可能发生情况的概率是相等时,则其熵值最大

2、相对熵(KL散度)、交叉熵

相对熵(散度KL)
如果我们对于同一个随机变量 x 有两个单独的概率分布 P ( X ) P(X) P(X) Q ( X ) Q(X) Q(X),我们可以使用 KL 散度来衡量这两个分布的差异。
在机器学习中,P 往往用来表示样本的真实分布,Q 用来表示所预测的分布,那么 KL 散度是可以计算两个分布的差异,也是是 Loss 损失值。
D K L ( p ∣ ∣ q ) = ∑ i − 1 n [ p ( x i ) log ⁡ ( p ( x i ) ) − p ( x i ) log ⁡ ( q ( x i ) ) ] D_{KL}(p||q)=\sum_{i-1}^{n}[p(x_i)\log (p(x_i))-p(x_i)\log (q(x_i))] DKL(p∣∣q)=i1n[p(xi)log(p(xi))p(xi)log(q(xi))]
D K L ( p ∣ ∣ q ) = ∑ i − 1 n p ( x i ) log ⁡ ( p ( x i ) q ( x i ) ) D_{KL}(p||q)=\sum_{i-1}^{n}p(x_i)\log (\frac{p(x_i)}{q(x_i)}) DKL(p∣∣q)=i1np(xi)log(q(xi)p(xi))

  • KL散度的值始终大于0,并且当且仅当两分布相同时,KL散度等于0,当 P ( X ) P(X) P(X) Q ( X ) Q(X) Q(X)的相似度越高,KL距离越小
  • KL散度不对称,即P到Q的距离,不等于Q到P的距离

交叉熵
D K L ( p ∣ ∣ q ) D_{KL}(p||q) DKL(p∣∣q)公式进行变形可以得到
D K L ( p ∣ ∣ q ) = ∑ i − 1 n [ p ( x i ) log ⁡ ( p ( x i ) ) − p ( x i ) log ⁡ ( q ( x i ) ) ] D_{KL}(p||q)=\sum_{i-1}^{n}[p(x_i)\log (p(x_i))-p(x_i)\log (q(x_i))] DKL(p∣∣q)=i1n[p(xi)log(p(xi))p(xi)log(q(xi))]
D K L ( p ∣ ∣ q ) = ∑ i − 1 n − p ( x i ) log ⁡ ( q ( x i ) ) − H ( X ) D_{KL}(p||q)=\sum_{i-1}^{n}-p(x_i)\log (q(x_i))-H(X) DKL(p∣∣q)=i1np(xi)log(q(xi))H(X)
加入需要拟合的对象的分布是固定的(比如针对某一特定的数据集),那么 H ( X ) H(X) H(X)就应该是一个定值,所以优化时可以忽略这一项的影响,仅仅优化前一项,而交叉熵即为去掉原始事件信息熵的KL散度:
H ( p , q ) = − ∑ i − 1 n p ( x i ) log ⁡ ( q ( x i ) ) H(p,q)=-\sum_{i-1}^{n}p(x_i)\log (q(x_i)) H(p,q)=i1np(xi)log(q(xi))

3、联合熵与条件熵

联合熵
联合熵表示多个随机变量联合分布的不确定性。
计算公式:
H ( X , Y ) = − ∑ x ∈ X ∑ y ∈ Y p ( x , y ) log ⁡ p ( x , y ) H(X,Y)=-\sum_{x\in X} \sum_{y\in Y}p(x,y)\log p(x,y) H(X,Y)=xXyYp(x,y)logp(x,y)
H ( X , Y ) ≤ H ( X ) + H ( Y ) H(X,Y) \leq H(X)+H(Y) H(X,Y)H(X)+H(Y),即联合熵不一定等于两个随机变量的信息熵之和。理解:观察X会获得Y一定的信息。

条件熵
两个随机变量,当知道Y时,X的平均不确定性称为条件熵。
计算公式:
H ( X ∣ Y ) = − ∑ x ∈ X ∑ y ∈ Y p ( x , y ) log ⁡ p ( x ∣ y ) H(X|Y)=-\sum_{x\in X} \sum_{y\in Y}p(x,y)\log p(x|y) H(XY)=xXyYp(x,y)logp(xy)
条件熵和联合熵满足链式法则
H ( X , Y ) = H ( Y ) + H ( X ∣ Y ) = H ( X ) + H ( Y ∣ X ) H(X,Y)=H(Y)+H(X|Y)=H(X)+H(Y|X) H(X,Y)=H(Y)+H(XY)=H(X)+H(YX)

4、互信息

事物是普遍联系的,随机变量也存在相互关系,互信息可以用来刻画随机变量的相关程度。

  • 单独观察X得到的信息量是 H ( X ) H(X) H(X)
  • 已知Y后,X的信息量变为 H ( X ∣ Y ) H(X|Y) H(XY)
  • 了解Y后,X的信息量减少了 H ( X ) − H ( X ∣ Y ) H(X)-H(X|Y) H(X)H(XY)

定义:离散型随机变量X与Y之间的互信息 I ( X ; Y ) I(X;Y) I(X;Y)
I ( X ; Y ) = H ( X ) − H ( X ∣ Y ) = ∑ x ∈ X ∑ y ∈ Y p ( x , y ) log ⁡ p ( x , y ) p ( x ) p ( y ) I(X;Y)=H(X)-H(X|Y)=\sum_{x\in X} \sum_{y\in Y}p(x,y)\log {\frac {p(x,y)}{p(x)p(y)}} I(X;Y)=H(X)H(XY)=xXyYp(x,y)logp(x)p(y)p(x,y)
I ( X ; Y ) = H ( X ) + H ( Y ) − H ( X , Y ) I(X;Y)=H(X)+H(Y)-H(X,Y) I(X;Y)=H(X)+H(Y)H(X,Y)

这篇关于【AI算法岗面试八股面经【超全整理】——信息论】的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1009570

相关文章

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

AI绘图怎么变现?想做点副业的小白必看!

在科技飞速发展的今天,AI绘图作为一种新兴技术,不仅改变了艺术创作的方式,也为创作者提供了多种变现途径。本文将详细探讨几种常见的AI绘图变现方式,帮助创作者更好地利用这一技术实现经济收益。 更多实操教程和AI绘画工具,可以扫描下方,免费获取 定制服务:个性化的创意商机 个性化定制 AI绘图技术能够根据用户需求生成个性化的头像、壁纸、插画等作品。例如,姓氏头像在电商平台上非常受欢迎,

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例,告诉我们不懂推荐算法的产品,也能从产品侧出发, 设计出一款不错的推荐系统。 相信很多新手产品,看到算法二字,多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法(注:传统是指科班出身的产品都会接触过)。但对于推荐算法,多数产品对着网上搜到的资源,都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后,更是加大了理解的难度。 但,不了解推荐算法,就无法做推荐系

从去中心化到智能化:Web3如何与AI共同塑造数字生态

在数字时代的演进中,Web3和人工智能(AI)正成为塑造未来互联网的两大核心力量。Web3的去中心化理念与AI的智能化技术,正相互交织,共同推动数字生态的变革。本文将探讨Web3与AI的融合如何改变数字世界,并展望这一新兴组合如何重塑我们的在线体验。 Web3的去中心化愿景 Web3代表了互联网的第三代发展,它基于去中心化的区块链技术,旨在创建一个开放、透明且用户主导的数字生态。不同于传统

字节面试 | 如何测试RocketMQ、RocketMQ?

字节面试:RocketMQ是怎么测试的呢? 答: 首先保证消息的消费正确、设计逆向用例,在验证消息内容为空等情况时的消费正确性; 推送大批量MQ,通过Admin控制台查看MQ消费的情况,是否出现消费假死、TPS是否正常等等问题。(上述都是临场发挥,但是RocketMQ真正的测试点,还真的需要探讨) 01 先了解RocketMQ 作为测试也是要简单了解RocketMQ。简单来说,就是一个分

康拓展开(hash算法中会用到)

康拓展开是一个全排列到一个自然数的双射(也就是某个全排列与某个自然数一一对应) 公式: X=a[n]*(n-1)!+a[n-1]*(n-2)!+...+a[i]*(i-1)!+...+a[1]*0! 其中,a[i]为整数,并且0<=a[i]<i,1<=i<=n。(a[i]在不同应用中的含义不同); 典型应用: 计算当前排列在所有由小到大全排列中的顺序,也就是说求当前排列是第

AI一键生成 PPT

AI一键生成 PPT 操作步骤 作为一名打工人,是不是经常需要制作各种PPT来分享我的生活和想法。但是,你们知道,有时候灵感来了,时间却不够用了!😩直到我发现了Kimi AI——一个能够自动生成PPT的神奇助手!🌟 什么是Kimi? 一款月之暗面科技有限公司开发的AI办公工具,帮助用户快速生成高质量的演示文稿。 无论你是职场人士、学生还是教师,Kimi都能够为你的办公文

csu 1446 Problem J Modified LCS (扩展欧几里得算法的简单应用)

这是一道扩展欧几里得算法的简单应用题,这题是在湖南多校训练赛中队友ac的一道题,在比赛之后请教了队友,然后自己把它a掉 这也是自己独自做扩展欧几里得算法的题目 题意:把题意转变下就变成了:求d1*x - d2*y = f2 - f1的解,很明显用exgcd来解 下面介绍一下exgcd的一些知识点:求ax + by = c的解 一、首先求ax + by = gcd(a,b)的解 这个

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动,这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升:减少抖动,提高图像的清晰度和细节表现力,使得监控画面更加真实可信。 - 细节增强:在低光条件下,抖