人工智能面试总结160个机器学习面试题赶紧先考考自己.docx
《人工智能面试总结160个机器学习面试题赶紧先考考自己.docx》由会员分享，可在线阅读，更多相关《人工智能面试总结160个机器学习面试题赶紧先考考自己.docx（9页珍藏版）》请在冰豆网上搜索。
人工智能面试总结160个机器学习面试题赶紧先考考自己
人工智能面试总结：
160个机器学习面试题，赶紧先考考自己！
数据科学职位的典型面试过程会有很多轮，其中通常会涉及理论概念，目的是确定应聘者是否了解机器学习的基础知识。
在这篇文章中，我想总结一下我所有的面试经历（面试or被面试）并提出了160多个数据科学理论问题的清单。
其中包括以下主题：
∙线性回归
∙模型验证
∙分类和逻辑回归
∙正则化
∙决策树
∙随机森林
∙GBDT
∙神经网络
∙文本分类
∙聚类
∙排序：
搜索和推荐
∙时间序列
这篇文章中的问题数量似乎远远不够，请记住，面试流程是根据公司的需求和你的工作经历而定的。
因此，如果你的工作中没有用过时间序列模型或计算机视觉模型，就不会收到类似的问题。
提示：
如果不知道某些面试问题的答案，不要灰心。
为了简化起见，我根据难度将问题分为三类：
∙容易
∙中号
∙专家
有监督的机器学习
∙什么是有监督学习？
线性回归
∙什么是回归？
哪些模型可用于解决回归问题？
∙什么是线性回归？
什么时候使用它？
∙什么是正态分布？
为什么要重视它？
∙如何检查变量是否遵循正态分布？
∙如何建立价格预测模型？
价格是否正态分布？
需要对价格进行预处理吗？
∙解决线性回归的模型有哪些？
∙什么是梯度下降？
它是如何工作的？
∙什么是正规方程？
∙什么是SGD-随机梯度下降？
与通常的梯度下降有何不同？
∙有哪些评估回归模型的指标？
∙什么是MSE和RMSE？
验证方式
∙什么是过拟合？
∙如何验证模型？
∙为什么需要将数据分为三个部分：
训练，验证和测试？
∙解释交叉验证的工作原理？
∙什么是K折交叉验证？
∙如何在K折交叉验证中选择K？
你最喜欢的K是什么？
分类
∙什么是分类？
哪些模型可以解决分类问题？
∙什么是逻辑回归？
什么时候需要使用它？
∙Logistic回归是线性模型吗？
为什么？
∙什么是Sigmoid？
它有什么作用？
∙如何评估分类模型？
∙什么是准确性？
∙准确性始终是一个好的指标吗？
∙什么是混淆表？
表中的单元格表示什么？
∙什么是精度，召回率和F1分数？
∙准确率和召回率的权衡
∙什么是ROC曲线？
什么时候使用？
∙什么是AUC（AUROC）？
什么时候使用？
∙如何解释AUROC分数？
∙什么是PR曲线？
∙PR曲线下的面积是多少？
这个指标有用吗？
∙在哪种情况下AUPR比AUROC好？
∙如何处理分类变量？
∙为什么需要one-hot编码？
正则化
∙如果的数据中包含三列：
x，y，z，其中z是x、y的和，那么线性回归模型会怎样？
∙如果数据中的z列是x和y列之和加上一些随机噪声，那么的线性回归模型会怎样？
∙什么是正则化？
为什么需要它？
∙有哪些正则化技术？
∙什么样的正则化技术适用于线性模型？
∙L2正则化在线性模型中是什么样的？
∙如何选择正确的正则化参数？
∙L2正则化对线性模型的权重有什么影响？
∙L1正则化在线性模型中是什么样的？
∙L2和L1正则化有什么区别？
∙可以在线性模型中同时具有L1和L2正则化吗？
∙如何解释线性模型中的常数项？
∙如何解释线性模型中的权重？
∙如果一个变量的权重高于另一个变量的权重，那么可以说这个变量更重要吗？
∙什么时候需要对线性模型进行特征归一化？
什么情况下可以不做归一化？
特征选择
∙什么是特征选择？
为什么需要它？
∙特征选择对线性模型重要吗？
∙有哪些特征选择技术？
∙可以使用L1正则化进行特征选择吗？
∙可以使用L2正则化进行特征选择吗？
决策树
∙什么是决策树？
∙如何训练决策树？
∙决策树模型的主要参数是什么？
∙如何处理决策树中的分类变量？
∙与更复杂的模型相比，单个决策树有什么好处？
∙如何知道哪些特征对决策树模型更重要？
随机森林
∙什么是随机森林？
∙为什么需要在随机森林中进行随机化？
∙随机森林模型的主要参数是什么？
∙如何选择随机森林中树的深度？
∙如何知道随机森林需要多少棵树？
∙随机森林的训练并行化容易？
该怎么做？
∙随机森林中过多的树有什么潜在问题？
∙是否可以不找到最佳分割，而是随机选择几个分割，然后从中选择最佳分割？
可行吗
∙数据中存在相关特征时会怎样？
梯度提升
∙什么是梯度增强树？
∙随机森林和梯度提升之间有什么区别？
∙是否可以并行化梯度提升模型的训练？
怎么做？
∙梯度增强树中的特征重要性-有哪些可能的选择？
∙梯度提升模型的特征重要性，连续变量和离散变量之间是否有区别？
∙梯度提升模型中的主要参数是什么？
∙如何在XGBoost或LightGBM中调整参数？
∙如何在梯度提升模型中选择树的数量？
参数调整
∙你大致了解哪些参数调整策略？
∙网格搜索参数调整策略和随机搜索有什么区别？
什么时候使用一个或另一个？
神经网络
∙神经网络可以解决哪些问题？
∙通常的全连接前馈神经网络如何工作？
∙为什么需要激活功能？
∙sigmoid为激活函数有什么问题？
∙什么是ReLU？
它比sigmoid或tanh好吗？
∙如何初始化神经网络的权重？
∙如果将神经网络的所有权重都设置为0会怎样？
∙神经网络中有哪些正则化技术？
∙什么是1.1Dropout？
为什么有用？
它是如何工作的？
神经网络的优化
∙什么是反向传播？
它是如何工作的？
为什么需要它？
∙你知道哪些训练神经网络的优化技术？
∙如何使用SGD（随机梯度下降）训练神经网络？
∙学习率是多少？
∙学习率太大时会发生什么？
太小？
∙如何设置学习率？
∙什么是Adam？
Adam和SGD之间的主要区别是什么？
∙什么时候使用Adam和SGD？
∙要保持学习率不变还是在训练过程中改变它？
∙如何确定何时停止训练神经网络？
∙什么是ModelCheckpoint？
∙讲一下你是如何进行模型训练的？
用于计算机视觉的神经网络
∙如何使用神经网络进行计算机视觉？
∙什么是卷积层？
∙为什么需要卷积？
不能使用全连接层吗？
∙CNN中的pooling是什么？
为什么需要它？
∙Maxpooling如何工作？
还有其他池化技术吗？
∙CNN是否抗旋转？
如果旋转图像，CNN的预测会怎样？
∙什么是数据增强？
为什么需要它们？
你知道哪种增强？
∙如何选择要使用的增强？
∙你知道什么样的CNN分类体系？
∙什么是迁移学习？
它是如何工作的？
∙什么是目标检测？
你知道有哪些框架吗？
∙什么是对象分割？
你知道有哪些框架吗？
文字分类
∙如何使用机器学习进行文本分类？
∙什么是词袋模型？
如何将其用于文本分类？
∙词袋模型的优缺点是什么？
∙什么是N-gram？
如何使用它们？
∙使用N-gram时，词袋模型中N应该是多少？
∙什么是TF-IDF？
它对文本分类有什么用？
∙你用过哪种模型对带有词袋特征的文本进行分类？
∙使用词袋进行文本分类时，你希望使用梯度提升树模型还是逻辑回归？
∙什么是词嵌入？
为什么有用？
你知道Word2Vec吗？
∙你还知道其他词嵌入的方法吗？
∙如果你的句子包含多个单词，则可能需要将多个单词嵌入组合为一个。
你会怎么做？
∙在进行带有嵌入的文本分类时，使用梯度提升树模型还是逻辑回归？
∙如何使用神经网络进行文本分类？
∙如何使用CNN进行文本分类？
聚类
∙什么是无监督学习？
∙什么是聚类？
什么时候需要它？
∙K-means是如何工作的吗？
∙如何为K均值选择K？
∙你还知道其他哪些聚类算法？
∙你知道DBScan如何工作吗？
∙何时选择K-means，何时选择DBScan？
降维
∙维度灾难是什么？
为什么要关心它？
∙你知道降维技巧吗？
∙什么是奇异值分解？
它通常如何用于机器学习？
排序和搜索
∙什么是排序问题？
可以使用哪些模型来解决它们？
∙文本信息检索任务重，什么是好的无监督baselines？
∙如何评估排序算法？
使用哪些离线指标？
∙k的精度和召回率是多少？
∙k的平均精度均值是多少？
∙如何使用机器学习进行搜索？
∙如何获得训练算法的排序数据？
∙可以将搜索问题表述为分类问题吗？
∙如何将点击数据用作训练数据以进行排序算法？
∙如何使用梯度提升树进行排序？
∙如何在线评估新的排序算法？
推荐系统
∙什么是推荐系统？
∙建立推荐系统时有什么好的baseline？
∙什么是协同过滤？
∙如何将隐式反馈（点击等）纳入推荐系统？
∙什么是冷启动问题？
∙解决冷启动问题的可能方法？
时间序列
∙什么是时间序列？
∙时间序列与通常的回归问题有何不同？
∙用于解决时间序列问题的有哪些模型？
∙如果序列中有趋势，如何消除它？
为什么要这么做？
∙在时间t处测得只有一个变量“y”的序列。
如何在时间t+1预测“y”？
使用哪种方法？
∙有一个带有变量“y”和一系列特征的序列。
如何预测t+1时的“y”？
使用哪种方法？
∙使用树来解决时间序列问题有什么问题？
以上！
希望它对各位有用，赶紧考考自己先，也希望大家面试顺利！
更多人工智能，机器学习方面的教程也会继续更新！
升级会员 