機器學習常見問題

1) 幾種模型（ SVM，LR，GBDT，EM ）的原理以及公式推導； 
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的關系； 
12) L1與L2的作用，區(qū)別以及如何解決L1求導困難； 
13) 如何用盡可能少的樣本訓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神經網絡以及推導 
17) HMM模型狀態(tài)推導 
18) 過擬合原因以及解決辦法(深度學習同) 
19) 常見損失函數 
20）機器學習性能評價，準確率，召回率,ROC 
22）降采樣，PCA，LDA

深度學習常見問題

1）四種激活函數區(qū)別和作用 
2）過擬合解決方法 
3）(CNN)卷及神經網絡各層作用 
4）(RNN)循環(huán)神經網絡 
5）LSTM 
6）梯度彌散 
7）優(yōu)化算法 adam，SGD等 
8）分析Alexnet,VGG的網絡結構以及各層作用 
9）XgBoost(好像很多公司也面到了) 
10)梯度下降的優(yōu)化 
12）卷積核參數計算

算法工程師面試必備

1. 成為算法工程師，應該學習哪些東西

首先說算法工程師有幾個方向：NLP，推薦，CV，深度學習，然后結合公司業(yè)務做得內容各不相同

傳統(tǒng)機器學習算法：感知機，SVM，LR，softmax，Kmeans，DBSCAN，決策樹（CART，ID3，C45），GBDT，RF，Adaboost，xgboost，EM，BP神經網絡，樸素貝葉斯，LDA，PCA，核函數，最大熵等

深度學習：CNN，RNN，LSTM，常用激活函數，Adam等優(yōu)化算法，梯度消失（爆炸）等

推薦系統(tǒng)：itemBasedCF，userBasedCF，冷啟動，SVD（各種變形），FM，LFM等

NLP：TF-IDF，textrank，word2vec(能推導，看過源碼)，LCA，simhash

常見概念：最大似然估計，最小二乘法，模型融合方法，L1L2正則（Lasso，elestic net），判別式模型與生成式模型，熵-交叉熵-KL散度，數據歸一化，最優(yōu)化方法（梯度下降，牛頓法，共軛梯度法），無偏估計，F1（ROC，recall，precision等），交叉驗證，bias-variance-tradeoff，皮爾遜系數，

概率論，高數，線性代數（像我一樣懶的人，就可以遇到哪里復習哪里，:D）

常見問題（具體答案去搜知乎或者百度，最好能在實際項目中總結出來）：

常見損失函數

SGD與BGD

如何處理樣本非均衡問題

過擬合原因，以及解決辦法

如何處理數據缺失問題

如何選擇特征

L1為什么能讓參數稀疏，L2為什么會讓參數趨于較小值，L1優(yōu)化方法

各模型的優(yōu)缺點，以及適用場景

學明白上述所有內容你需要多長時間？反正我這么笨的人用了不到一年時間（我本科完全沒接觸過算法相關，完全是研一學的）

2. 推薦書籍

C++：《C++primer5》《STL源碼分析》《深度探索C++對象模型》《Effective C++》《Effective STL》 （雖然有些書有點老，不過開卷有益吧）（其他語言就不管了哈）

python：《python學習手冊》《python源碼分析》《改善python程序的91個建議》（Python必須要會）

刷題：《編程之美》《劍指offer》《程序員代碼面試指南》《leetcode》

算法相關：《統(tǒng)計學習方法》（這本多看）《數據挖掘導論》《數學之美》《田林軒視頻》《吳恩達視頻》《西瓜書》

最新評論