# ASUS AI image
###### tags: `Interviews`

1. HR
- 優點
- 缺點
- 指導教授的人如何
- 為何選擇這個職缺
- 走電機再到軟體或生醫相關的路的原因
- 在乎工作的哪三個因素，原因為何

2. RD
- OOP三大觀念、優點為何
- 矩陣相乘
- 字串反轉
- 儲存裝置速度排序
- 指標相關型別判斷
- [1, 5, 10元湊出N元的組合(遞迴和DP)](https://hackmd.io/HQHHKrlQR0K666Ffi2a1OA)
- Call by reference

3. Manager
- Loss = J(x) + A*R(x)
J(x)的意義為何?
R(x)的意義為何?
cross entropy的意義為何?cross跟entropy的意義又為何?
所以為什麼使用crosss entropy不使用entropy

[Explanation1](https://zhuanlan.zhihu.com/p/149186719)
[Explanation2](https://r23456999.medium.com/%E4%BD%95%E8%AC%82-cross-entropy-%E4%BA%A4%E5%8F%89%E7%86%B5-b6d4cef9189d)

Entropy:數值越高也就是資訊量越高, 越多不確定性存在, 因為有更多因素去影響我們原子的分布狀況。觀察一段時間的資料後，利用該實際機率分布，計算單一類別的entropy

Cross entropy:數值越高代表發生該事件的機率越高。利用實際和**預測或假設**的機率分布去計算cross entropy，這也是為什麼實際應用在模型訓練時，是用cross entropy而非entropy

- Regularization的意義為何?
常用的regularization有哪些?(L1&L2)
各自意義為何?選擇不用L1用L2的原因又為何?
* 防止overfitting和降低維度，降低模型複雜度，增加模型訓練速度
* L1會將多個權重較低的神經元轉完0，因此容易出現梯度消失
* L2則衰弱權重低的神經元，但不至於梯度消失

- Classification, object detection, semantic segmentation在電腦視覺應用中，input, model structure, output差在哪裡?
* https://ithelp.ithome.com.tw/articles/10204738

- Activation function的意義為何?
引入非線性，讓特徵更複雜，模型也能學習到更多元複雜的特徵，增加辨識率/精度

- Back propagation 如何計算特定神經元的偏微分?

- Back propagation, loss function, gradient decent三者之間的關係為何?
back propagation是一個過程，過程中會先從loss function(可微分)中算出一個gradient decent，如果gradiient比本來的loss更低就往這個方向更新權重和偏值，接著繼續不斷迭代算出其他gradient，最後會找到一個local/global minimum