八九月份就要開始找工作了，一直期待能夠成為一名算法工程師，所以在這里總結(jié)一下算法工程師常見問題。期待9月秋招時能有一個好的結(jié)果。本篇博客會一直更新下去。

• • 編程語言
  • 基本算法
  • 傳統(tǒng)機器學(xué)習(xí)
    • 常見機器學(xué)習(xí)問題
    • 面試常見問題
  • 深度學(xué)習(xí)
    • 常見問題

編程語言

C++、python

基本算法

劍指offer+Leetcode基本就能解決
劍指offer算法實現(xiàn)

傳統(tǒng)機器學(xué)習(xí)

常見機器學(xué)習(xí)問題

1） 過擬合問題
2） 交叉驗證問題
3） 模型融合問題
4） 模型選擇問題

面試常見問題

1) 幾種模型（ SVM，LR，GBDT，EM ）的原理以及公式推導(dǎo)；
2) RF,GBDT 的區(qū)別； GBDT,XgBoost的區(qū)別（爛大街的問題最好從底層原理去分析回答）；
3) 決策樹處理連續(xù)值的方法；
4) 特征選擇的方法；
5) 過擬合的解決方法；
6) K-means 的原理，優(yōu)缺點以及改進；
7) 常見分類模型（ SVM ，決策樹，貝葉斯等）的優(yōu)缺點，適用場景以及如何選型；
8) SVM 為啥要引入拉格朗日的優(yōu)化方法；
9) 假設(shè)面試官什么都不懂，詳細解釋 CNN 的原理；
10) 梯度下降的優(yōu)缺點
11) EM與K-means的關(guān)系；
12) L1與L2的作用，區(qū)別以及如何解決L1求導(dǎo)困難；
13) 如何用盡可能少的樣本訓(xùn)練模型同時又保證模型的性能；
14) ID3和C4.5的優(yōu)缺點，樹的融合(RF和GBDT)
15) 特征提取方法，如何判斷特征是否重要
16) BP神經(jīng)網(wǎng)絡(luò)以及推導(dǎo)
17) HMM模型狀態(tài)推導(dǎo)
18) 過擬合原因以及解決辦法(深度學(xué)習(xí)同)
19) 常見損失函數(shù)
20）機器學(xué)習(xí)性能評價，準確率，召回率,ROC
22）降采樣，PCA，LDA

深度學(xué)習(xí)

常見問題

1）四種激活函數(shù)區(qū)別和作用
2）過擬合解決方法
3）(CNN)卷及神經(jīng)網(wǎng)絡(luò)各層作用
4）(RNN)循環(huán)神經(jīng)網(wǎng)絡(luò)
5）LSTM
6）梯度彌散
7）優(yōu)化算法 adam，SGD等
8）分析Alexnet,VGG的網(wǎng)絡(luò)結(jié)構(gòu)以及各層作用
9）XgBoost(好像很多公司也面到了)
10)梯度下降的優(yōu)化
12)卷積核參數(shù)計算
13)TensorFlow中的session是什么，session和interactivesession的區(qū)別

最新評論