深度学习是一种基于人工神经网络的机器学习方法，它通过多层神经网络对数据进行建模和学习，从而使计算机能够自动从数据中提取特征并进行预测。深度学习在图像处理、语音识别、自然语言处理等领域取得了显著的突破，特别是在大数据和强大计算能力的支持下，深度学习已成为解决复杂问题的主要技术。
边缘计算，将计算节点的精细网格放置于靠近终端设备的位置，是一种可行的方法来满足于在边缘设备上深度学习的高计算和低延迟要求，并在隐私、带宽效率和可伸缩性方面提供额外的好处。
卷积神经网络顾名思义，是一种使用了卷积运算的神经网络。随着深度学习技术的发展，卷积神经网络的复杂度不断提升，逐渐发展出针对不同问题而设计的卷积（convolution）运算。
人工智能，或者说计算机视觉的一个最终目标在于构建一个真正可适用于真实世界复杂环境的系统。而就目前所应用的机器学习系统而言，大部分采用了有监督的学习方法，也必然导致了需要广泛收集图像样本，并进行对应的图像标注的工作。而人力时有穷尽，高质量的样本集图片又是构建一个优秀的机器学习系统的关键因素。
深度学习中用到的几个微积分知识：导数、微分、偏导数。
这12个问题是当前面试中最热门的问题，既是非常基础的问题，也能看出面试者的水平，具有区分度。无论是面试官还是求职者都可以看看。
我从新入行和有经验的机器学习工程师中那里得到的最多的问题就是”我如何得到更高的准确率？“既然机器学习在商业领域最有价值的地方就是在于它的预测能力，那么从现有的系统中压榨更高的准确率是一个简单的获取更多价值的方法。本文会分4个不同的部分，每个部分介绍一些不同的策略。
一年一度的校园招聘已经开始了，为了帮助参加校园招聘、社招的同学更好的准备面试，SIGAI整理出了一些常见的机器学习、深度学习面试题。理解它们，对你通过技术面试非常有帮助，当然，我们不能只限于会做这些题目，最终的目标是真正理解机器学习与深度学习的原理、应用。
深度学习中的双下降现象，可能大家也遇到过，但是没有深究，OpenAI这里给出了他们的解答。
现在深度学习模型开始走向应用，因此我们需要把深度学习网络和模型部署到一些硬件上，而现有一些模型的参数量由于过大，会导致在一些硬件上的运行速度很慢，所以我们需要对深度学习模型进行小型化处理。模型小型化旨在保证模型效果不会明显下降的情况下降低模型的参数量，从而提高模型的运算速度。
说到正则化大家应该都不陌生，这个在机器学习和深度学习中都是非常常见的，常用的正则化有L1正则化和L2正则化。提到正则化大家就会想到是它会将权重添加到损失函数计算中来降低模型过拟合的程度。了解更多一点的同学还会说，L1正则化会让模型的权重参数稀疏化(部分权重的值为0)，L2正则化会让模型的权重有趋于0的偏好。