|如何备战秋招？ML/DL/NLP算法基础面试必看问题及答案
本文插图
来源：AI算法与图像处理
本文约3000字 ， 建议阅读5分钟 。 本文为大家推荐一个十分详细全面的秋招求职面试资料合集 。
[ 导读 ]2020秋招在即 ， 今天给大家推荐一个十分详细全面的秋招求职面试资料合集 。 该资源 ， 整理了300多道算法岗位相关的面试题目并给出了详细的答案 ， 涉及算法基础知识、推荐系统、机器学习、深度学习、自然语言处理、数学基础知识、数据预处理等相关问题 ， 由互联网一线资深的面试官整理 ， 非常值得深入学习 ， 温故而知新 。
本文插图
***后台回复“20200914”获取资料合集~
资源目录如下：
基础概念
- 方差和偏差
- 解释方差
- 解释偏差
- 模型训练为什么要引入偏差和方差？请理论论证
- 什么情况下引发高方差
- 如何解决高方差问题
- 以上方法是否一定有效
- 如何解决高偏差问题
- 以上方法是否一定有效
- 遇到过的机器学习中的偏差与方差问题
- 就理论角度论证Bagging、Boosting的方差偏差问题
- 遇到过的深度学习中的偏差与方差问题
- 方差、偏差与模型的复杂度之间的关系
- 生成与判别模型
- 什么叫生成模型
- 什么叫判别模型
- 什么时候会选择生成/判别模型
- CRF/朴素贝叶斯/EM/最大熵模型/马尔科夫随机场/混合高斯模型
- 我的理解
- 先验概率和后验概率
- 写出全概率公式&贝叶斯公式
- 说说你怎么理解为什么有全概率公式&贝叶斯公式
- 什么是先验概率
- 什么是后验概率
- 经典概率题
- 频率概率
- 极大似然估计 - MLE
- 最大后验估计 - MAP
- 极大似然估计与最大后验概率的区别
- 到底什么是似然什么是概率估计
- AutoML
- AutoML问题构成
- 特征工程选择思路
- 模型相关的选择思路
- 常见梯度处理思路
- AutoML参数选择所使用的方法
- 讲讲贝叶斯优化如何在automl上应用
- 以高斯过程为例 ， 超参搜索的f的最优解求解acquisition function有哪些
- 高斯过程回归手记
- AutoSklearn详解手记
- AutoML常规思路手记
数学
- 数据质量
- 期望
- 方差
- 标准差
- 协方差
- 相关系数
- 最大公约数问题
- 辗转相除法
- 其他方法
- 牛顿法
- 迭代公式推导
- 实现它
- 拟牛顿法
- 概率密度分布
- 均匀分布
- 伯努利分布
- 二项分布
- 高斯分布
- 拉普拉斯分布
- 泊松分布
- 平面曲线的切线和法线
- 平面曲线的切线
- 平面曲线的法线
- 导数
- 四则运算
- 常见导数
- 复合函数的运算法则
- 莱布尼兹公式
- 微分中值定理
- 费马定理
- 拉格朗日中值定理
- 柯西中值定理
- 泰勒公式
- 泰勒公式
- 欧拉公式
- 欧拉公式
- 矩阵
- 范数
- 特征值分解 ， 特征向量
- 正定性
- 概率论
- 条件概率
- 独立
- 概率基础公式
- 全概率
- 贝叶斯
- 切比雪夫不等式
- 抽球
- 纸牌问题
- 棍子/绳子问题
- 贝叶斯题
- 选择时间问题
- 0~1均匀分布的随机器如何变化成均值为0 ， 方差为1的随机器
- 抽红蓝球球
机器学习
- 聚类
- 请问从EM角度理解kmeans
- 为什么kmeans一定会收敛
- kmeans初始点除了随机选取之外的方法
- 线性回归
- 损失函数是啥
- 最小二乘/梯度下降手推
- 介绍一下岭回归
- 什么时候使用岭回归
- 什么时候用Lasso回归
- 逻辑回归
- logistic分布函数和密度函数 ， 手绘大概的图像
- LR推导 ， 基础5连问
- 梯度下降如何并行化
- LR明明是分类模型为什么叫回归
- 为什么LR可以用来做CTR预估
- 满足什么样条件的数据用LR最好
- LR为什么使用sigmoid函数作为激活函数？其他函数不行吗
- 利用几率odds的意义在哪
- Sigmoid函数到底起了什么作用
- LR为什么要使用极大似然函数 ， 交互熵作为损失函数？那为什么不选平方损失函数的呢
- LR中若标签为+1和-1 ， 损失函数如何推导？
- 如果有很多的特征高度相关或者说有一个特征重复了100遍 ， 会造成怎样的影响
- 为什么要避免共线性
- LR可以用核么？可以怎么用
- LR中的L1/L2正则项是啥
- lr加l1还是l2好
- 正则化是依据什么理论实现模型优化
- LR可以用来处理非线性问题么
- 为什么LR需要归一化或者取对数
- 为什么LR把特征离散化后效果更好？离散化的好处有哪些
- 逻辑回归估计参数时的目标函数逻辑回归的值表示概率吗
- LR对比万物
- LR梯度下降方法
- LR的优缺点
- 除了做分类 ， 你还会用LR做什么
- 你有用过sklearn中的lr么？你用的是哪个包
- 看过源码么？为什么去看
- 谈一下sklearn.linear_model.LogisticRegression中的penalty和solver的选择
- 谈一下sklearn.linear_model.LogisticRegression中对多分类是怎么处理的
- 我的总结
- 决策树
- 常见决策树
- 简述决策树构建过程
- 详述信息熵计算方法及存在问题
- 详述信息增益计算方法
- 详述信息增益率计算方法
- 解释Gini系数
- ID3存在的问题
- C4.5相对于ID3的改进点
- CART的连续特征改进点
- CART分类树建立算法的具体流程
- CART回归树建立算法的具体流程
- CART输出结果的逻辑
- CART树算法的剪枝过程是怎么样的
- 树形结构为何不需要归一化
- 决策树的优缺点
- 贝叶斯
- 解释一下朴素贝叶斯中考虑到的条件独立假设
- 讲一讲你眼中的贝叶斯公式和朴素贝叶斯分类差别
- 朴素贝叶斯中出现的常见模型有哪些
- 出现估计概率值为 0 怎么处理
- 朴素贝叶斯的优缺点
- 朴素贝叶斯与 LR 区别
- 随机森林
- 解释下随机森林
- 随机森林用的是什么树
- 随机森林的生成过程
- 解释下随机森林节点的分裂策略
- 随机森林的损失函数是什么
- 为了防止随机森林过拟合可以怎么做
- 随机森林特征选择的过程
- 是否用过随机森林 ， 有什么技巧
- RF的参数有哪些 ， 如何调参
- RF的优缺点
- 集成学习
- 介绍一下Boosting的思想
- 最小二乘回归树的切分过程是怎么样的
- 有哪些直接利用了Boosting思想的树模型
- gbdt和boostingtree的boosting分别体现在哪里
- gbdt的中的tree是什么tree？有什么特征
- 常用回归问题的损失函数
- 常用分类问题的损失函数
- 什么是gbdt中的残差的负梯度
- 如何用损失函数的负梯度实现gbdt
- 拟合损失函数的负梯度为什么是可行的
- 即便拟合负梯度是可行的 ， 为什么不直接拟合残差？拟合负梯度好在哪里
- Shrinkage收缩的作用
- feature属性会被重复多次使用么
- gbdt如何进行正则化的
- 为什么集成算法大多使用树类模型作为基学习器？或者说 ， 为什么集成学习可以在树类模型上取得成功
- gbdt的优缺点
- gbdt和randomforest区别
- GBDT和LR的差异
- xgboost对比gbdt/boosting Tree有了哪些方向上的优化
- xgboost和gbdt的区别
- xgboost优化目标/损失函数改变成什么样
- xgboost如何使用MAE或MAPE作为目标函数
- xgboost如何寻找分裂节点的候选集
- xgboost如何处理缺失值
- xgboost在计算速度上有了哪些点上提升
- xgboost特征重要性是如何得到的
- xGBoost中如何对树进行剪枝
- xGBoost模型如果过拟合了怎么解决
- xgboost如何调参数
- XGboost缺点
- LightGBM对Xgboost的优化
- LightGBM亮点
- FM/FFM
- SVM
- 简单介绍SVM
- 什么叫最优超平面
- 什么是支持向量
- SVM 和全部数据有关还是和局部数据有关
- 加大训练数据量一定能提高SVM准确率吗
- 如何解决多分类问题
- 可以做回归吗 ， 怎么做
- SVM 能解决哪些问题
- 介绍一下你知道的不同的SVM分类器
- 什么叫软间隔
- SVM 软间隔与硬间隔表达式
- SVM原问题和对偶问题的关系/解释原问题和对偶问题
- 为什么要把原问题转换为对偶问题
- 为什么求解对偶问题更加高效
- alpha系数有多少个
- KKT限制条件 ， KKT条件有哪些 ， 完整描述
- 引入拉格朗日的优化方法后的损失函数解释
- 核函数的作用是啥
- 核函数的种类和应用场景
- 如何选择核函数
- 常用核函数的定义
- 核函数需要满足什么条件
- 为什么在数据量大的情况下常常用lr代替核SVM
- 高斯核可以升到多少维？为什么
- SVM和逻辑斯特回归对同一样本A进行训练 ， 如果某类中增加一些数据点 ， 那么原来的决策边界分别会怎么变化
- 各种机器学习的应用场景分别是什么？例如 ， k近邻,贝叶斯 ， 决策树 ， svm ， 逻辑斯蒂回归
- Linear SVM 和 LR 有什么异同
- dropout
- batch_normalization
- 你觉得bn过程是什么样的
- 手写一下bn过程
- 知道LN么？讲讲原理
- bp过程
- embedding
- softmax
- 梯度消失/爆炸
- 残差网络
- 介绍残差网络
- 残差网络为什么能解决梯度消失的问题
- 残差网络残差作用
- 你平时有用过么？或者你在哪些地方遇到了
- Attention
- Attention对比RNN和CNN ， 分别有哪点你觉得的优势
- 写出Attention的公式
- 解释你怎么理解Attention的公式的
- Attention模型怎么避免词袋模型的顺序问题的困境的
- Attention机制 ， 里面的q,k,v分别代表什么
- 为什么self-attention可以替代seq2seq
- 维度与点积大小的关系是怎么样的 ， 为什么使用维度的根号来放缩
推荐阅读
![#cnBeta#Editor上线：Word文档编辑的智能助手，[图]Microsoft](https://imgcdn.toutiaoyule.com/20200401/20200401082048096749a_t.jpeg)
- 小龙虾|三农探析：池塘养殖小龙虾如何高产？高产养殖技术全解析
- 菜籽饼|菜籽饼被誉为果园之宝，但用错了烧苗烧根，果农如何来使用？
- 水产养殖|生态水产养殖如何提高鱼病的预防工作？大疆渔业这样建议
- 瘦肉精|如何避开 315曝光的瘦肉精问题肉？
- 美国_军事|那个帮美国破解北斗卫星的清华才女高杏欣，13年过去了，近况如何
- 花菜有人焯水，有人直接下锅炒，都错了，看饭店大厨是如何做的
- 如何晚上发面早上蒸？教你用冷藏发酵，一学就会，馒头包子特好吃
- 急性肠胃炎|急性肠胃炎是如何“起哄”的？这4个“不舒服”一出现，赶紧就医
- 鸭子|养鸭要注意什么，在每个季节里，如何来放牧
- 柑橘|开春柑橘落叶严重怎么办？如何预防柑橘落叶？