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

《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（10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）并提岀了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？

解釋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RL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？

如何解釋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:

×,yfzf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？

•LI正则化在线性模型中是什么样的?

•L2和LI正则化有什么区别？

可以在线性模型中同时具有LI和L2正则化吗？

如何解釋线性模型中的常数项?

如何解釋线性模型中的权重?

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？

特磁择对樂模型重要吗？

有哪些特征选择技术?

可以使用LI正则化逬彳54寺征选择吗？

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4寺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-有明陛可能的选择？

•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

•你大致了解明型参数调整策略？

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^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

如何使用神经网络逬行计算机视觉？

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？

你知道明0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？

如何使用神经网络逬行文本分类？

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？

排瘁和搜索

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?

如彳峻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？

时间瘁列

►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Iy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!