• 數(shù)據(jù)庫(kù)中的主鍵、索引和外鍵（數(shù)據(jù)分析崗經(jīng)常問(wèn)）
• 決策樹(shù)ID3和C4.5的差別？各自?xún)?yōu)點(diǎn)？
• Boost算法
• CART（回歸樹(shù)用平方誤差最小化準(zhǔn)則，分類(lèi)樹(shù)用基尼指數(shù)最小化準(zhǔn)則）
• GBDT與隨機(jī)森林算法的原理以及區(qū)別。
• 優(yōu)化算法中常遇到的KKT條件？作用是？
• 最近鄰算法KNN（分類(lèi)與回歸）
• L1和L2函數(shù)？L1和L2正則項(xiàng)的比較，如何解決 L1 求導(dǎo)困難？
• L1正則為何可把系數(shù)壓縮成0，說(shuō)明坐標(biāo)下降法的具體實(shí)現(xiàn)細(xì)節(jié)
• LR為什么用sigmoid函數(shù)。這個(gè)函數(shù)有什么優(yōu)點(diǎn)和缺點(diǎn)？為什么不用其他函數(shù)？
• LR和SVM的區(qū)別？libsvm和liblinear的區(qū)別？
• Logistics與隨機(jī)森林比較
• Logistics（理論推導(dǎo)）；Logistic回歸的推導(dǎo)，如何得到objective function？
• SVM與隨機(jī)森林的差別？
• SVM為何要引入拉格朗日的優(yōu)化方法？
• SVM原問(wèn)題和對(duì)偶問(wèn)題關(guān)系？
• SVM在哪個(gè)地方引入的核函數(shù), 如果用高斯核可以升到多少維。
• SVM如何防止過(guò)擬合？
• SVM的目標(biāo)函數(shù)？常用的核函數(shù)有哪些？
• SVM的過(guò)程，理論推導(dǎo)
• bagging、adaboost、boosting區(qū)別在哪
• EM 與 k-means 的關(guān)系？
• k-means算法中的k如何選?。?/li>
• k-means算法初始點(diǎn)怎么選擇？
• k-means的原理，優(yōu)缺點(diǎn)以及改進(jìn)。
• k折交叉驗(yàn)證中k取值多少有什么關(guān)系？
• L2懲罰項(xiàng)是怎么減小Overfitting的？L1，L2等范數(shù)的通式是？差別是？在什么場(chǎng)景下用什么范數(shù)？L1在0處不可導(dǎo)，怎么處理？
• 隨機(jī)森林和GBDT差別？
• RF, GBDT, xgboost的區(qū)別？
• 為什么要做數(shù)據(jù)歸一化？
• 梯度下降法的原理以及各個(gè)變種（批量梯度下降，隨機(jī)梯度下降法，mini 梯度下降法），以及這幾個(gè)方法會(huì)不會(huì)有局部最優(yōu)問(wèn)題。
• 牛頓法原理和適用場(chǎng)景，有什么缺點(diǎn)，如何改進(jìn)（擬牛頓法）
• 什么情況下一定會(huì)發(fā)生過(guò)擬合？
• 貝葉斯估計(jì)？
• 介紹LR、RF、GBDT ，分析它們的優(yōu)缺點(diǎn)
• 會(huì)哪些機(jī)器學(xué)習(xí)算法？信息熵公式？
• 決策樹(shù)原理；決策樹(shù)處理連續(xù)值的方法；決策樹(shù)如何防止過(guò)擬合；決策樹(shù)過(guò)擬合哪些方法，前后剪枝。
• 分類(lèi)模型可做回歸分析嗎？反過(guò)來(lái)可以嗎？
• 分類(lèi)模型和回歸模型的區(qū)別？
• 判別模型和生成模型？差別
• 各個(gè)模型的Loss function，牛頓學(xué)習(xí)法、SGD如何訓(xùn)練。
• 在模型的訓(xùn)練迭代中，怎么評(píng)估效果？
• 如何防止過(guò)擬合（增加數(shù)據(jù)，減少模型復(fù)雜度->正則化）
• 對(duì)于同分布的弱分類(lèi)器，求分類(lèi)器均值化之后的分布的均值跟方差。
• 對(duì)于機(jī)器學(xué)習(xí)你都學(xué)了哪些？講一個(gè)印象深的。
• 常見(jiàn)分類(lèi)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
• 數(shù)據(jù)歸一化的方式
• 手寫(xiě)k-means的偽代碼。
• 手寫(xiě)svm硬軟間隔對(duì)偶的推導(dǎo)
• 手寫(xiě)邏輯回歸（損失函數(shù)及更新方式推導(dǎo)）
• BP算法原理
• 改變隨機(jī)森林的訓(xùn)練樣本數(shù)據(jù)量，是否會(huì)影響到隨機(jī)森林學(xué)習(xí)到的模型的復(fù)雜度？
• 數(shù)據(jù)挖掘各種算法，以及各種場(chǎng)景下的解決方案
• 是否了解mutual infomation、chi-square、LR前后向、樹(shù)模型等特征選擇方式。
• 是否了解線(xiàn)性加權(quán)、bagging、boosting、cascade等模型融合方式
• 有哪些常見(jiàn)的分類(lèi)器，簡(jiǎn)單介紹下原理
• 機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的區(qū)別
• 線(xiàn)性回歸與邏輯回歸區(qū)別？
• 機(jī)器學(xué)習(xí)：幾種樹(shù)模型的原理和對(duì)比，樸素貝葉斯分類(lèi)器原理以及公式，出現(xiàn)估計(jì)概率值為 0 怎么處理（拉普拉斯平滑），缺點(diǎn)； 
• DBSCAN聚類(lèi)算法原理
• 主成分分析法原理、MapReduce原理、Spark等（數(shù)據(jù)崗題）
• 梯度下降、牛頓、擬牛頓算法的原理
• 梯度下降的優(yōu)缺點(diǎn)。
• 深度學(xué)習(xí)有很大部分是CNN，給他用通俗的語(yǔ)言解釋下卷積的概念，解釋下CNN中的優(yōu)勢(shì)及原因
• 牛頓法、隨機(jī)梯度下降算法和直接梯度下降算法的區(qū)別？
• 牛頓法推導(dǎo)
• 特征選擇方法有哪些
• 由數(shù)據(jù)引申到數(shù)據(jù)不平衡怎么處理（10W正例，1W負(fù)例，?？蜕嫌性}）
• 聊聊SVM，這段說(shuō)了好久，從基本的線(xiàn)性可分到不可分，相關(guān)升維，各種核函數(shù)，每個(gè)是如何實(shí)現(xiàn)升。以及出現(xiàn)了XX問(wèn)題，分析是樣本的原因還是其他原因。針對(duì)不同情況，采取什么解決方案較好。
• 自己實(shí)現(xiàn)過(guò)什么機(jī)器學(xué)習(xí)算法
• 解決過(guò)擬合的方法有哪些？
• 解釋一下過(guò)擬合和欠擬合，有哪些方法防止過(guò)擬合。
• 如何構(gòu)造決策樹(shù)、計(jì)算信息熵和信息增益、說(shuō)明C4.5 、ID3、 CART的區(qū)別及優(yōu)缺點(diǎn)
• 詳細(xì)討論了樣本采樣和bagging的問(wèn)題
• 說(shuō)一下Adaboost，權(quán)值更新公式。當(dāng)弱分類(lèi)器是LR時(shí)，每個(gè)樣本的的權(quán)重是w1，w2...,寫(xiě)出最終的決策公式。
• 說(shuō)了一下bagging跟boosting。
• 說(shuō)明L1和L2正則的效果與為什么形成這種情況（L1正則稀疏，L2正則平滑，之后說(shuō)明就是畫(huà)圖說(shuō)明正則化）
• 選個(gè)你熟悉的機(jī)器學(xué)習(xí)方法 ，著重介紹一下產(chǎn)生原因，推導(dǎo)公式，背后統(tǒng)計(jì)意義什么等等
• 邏輯回歸估計(jì)參數(shù)時(shí)的目標(biāo)函數(shù)
• 邏輯回歸的值表示概率嗎？
• 數(shù)據(jù)挖掘的基礎(chǔ)知識(shí)，包括SVM,邏輯回歸、EM、K-means等，然后給出很多場(chǎng)景問(wèn)你遇到這些情況你如何處理數(shù)據(jù)，怎么進(jìn)行建模等
• 隨機(jī)梯度下降，標(biāo)準(zhǔn)梯度
• 隨機(jī)森林和GBDT的區(qū)別？LR的參數(shù)怎么求解？有沒(méi)有最優(yōu)解？

最新評(píng)論