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

1、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

2、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

3、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（AU ROC）？什么时候使用？如何解释AU ROC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AU PR比AU ROC好？如

4、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

5、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

6、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

7、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

8、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？Max pooling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

9、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

10、-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

11、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！