機(jī)器學(xué)習(xí)常見(jiàn)問(wèn)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(wèn)題最好從底層原理去分析回答）； 
3) 決策樹(shù)處理連續(xù)值的方法； 
4) 特征選擇的方法； 
5) 過(guò)擬合的解決方法； 
6) K-means 的原理，優(yōu)缺點(diǎn)以及改進(jìn)； 
7) 常見(jiàn)分類模型（ SVM ，決策樹(shù)，貝葉斯等）的優(yōu)缺點(diǎn)，適用場(chǎng)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(xì)解釋 CNN 的原理； 
10) 梯度下降的優(yōu)缺點(diǎn) 
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(shí)又保證模型的性能； 
14) ID3和C4.5的優(yōu)缺點(diǎn)，樹(shù)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(guò)擬合原因以及解決辦法(深度學(xué)習(xí)同) 
19) 常見(jiàn)損失函數(shù) 
20）機(jī)器學(xué)習(xí)性能評(píng)價(jià)，準(zhǔn)確率，召回率,ROC 
22）降采樣，PCA，LDA

深度學(xué)習(xí)常見(jiàn)問(wèn)題

1）四種激活函數(shù)區(qū)別和作用 
2）過(guò)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(jì)算

算法工程師面試必備

1. 成為算法工程師，應(yīng)該學(xué)習(xí)哪些東西

首先說(shuō)算法工程師有幾個(gè)方向：NLP，推薦，CV，深度學(xué)習(xí)，然后結(jié)合公司業(yè)務(wù)做得內(nèi)容各不相同

傳統(tǒng)機(jī)器學(xué)習(xí)算法：感知機(jī)，SVM，LR，softmax，Kmeans，DBSCAN，決策樹(shù)（CART，ID3，C45），GBDT，RF，Adaboost，xgboost，EM，BP神經(jīng)網(wǎng)絡(luò)，樸素貝葉斯，LDA，PCA，核函數(shù)，最大熵等

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

推薦系統(tǒng)：itemBasedCF，userBasedCF，冷啟動(dòng)，SVD（各種變形），F(xiàn)M，LFM等

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

常見(jiàn)概念：最大似然估計(jì)，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(shù)據(jù)歸一化，最優(yōu)化方法（梯度下降，牛頓法，共軛梯度法），無(wú)偏估計(jì)，F(xiàn)1（ROC，recall，precision等），交叉驗(yàn)證，bias-variance-tradeoff，皮爾遜系數(shù)，

概率論，高數(shù)，線性代數(shù)（像我一樣懶的人，就可以遇到哪里復(fù)習(xí)哪里，:D）

常見(jiàn)問(wèn)題（具體答案去搜知乎或者百度，最好能在實(shí)際項(xiàng)目中總結(jié)出來(lái)）：

常見(jiàn)損失函數(shù)

SGD與BGD

如何處理樣本非均衡問(wèn)題

過(guò)擬合原因，以及解決辦法

如何處理數(shù)據(jù)缺失問(wèn)題

如何選擇特征

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

各模型的優(yōu)缺點(diǎn)，以及適用場(chǎng)景

學(xué)明白上述所有內(nèi)容你需要多長(zhǎng)時(shí)間？反正我這么笨的人用了不到一年時(shí)間（我本科完全沒(méi)接觸過(guò)算法相關(guān)，完全是研一學(xué)的）

2. 推薦書(shū)籍

C++：《C++primer5》《STL源碼分析》《深度探索C++對(duì)象模型》《Effective C++》《Effective STL》 （雖然有些書(shū)有點(diǎn)老，不過(guò)開(kāi)卷有益吧）（其他語(yǔ)言就不管了哈）

python：《python學(xué)習(xí)手冊(cè)》《python源碼分析》《改善python程序的91個(gè)建議》（Python必須要會(huì)）

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

算法相關(guān)：《統(tǒng)計(jì)學(xué)習(xí)方法》（這本多看）《數(shù)據(jù)挖掘?qū)д摗贰稊?shù)學(xué)之美》《田林軒視頻》《吳恩達(dá)視頻》《西瓜書(shū)》

最新評(píng)論