机器学习岗面试点滴聚集

作者：Andrewseu

此文将不断更新，谨希望能给正在找实习找工作的同道中人一些参考和帮助！

如需转载，请告知！

面试技术层面主要分为四块：编程基础，专业知识基础，机器学习理论和实战经验。具体准备方法可以参考：

1. 编程基础

首先选择一门语言，然后上Leetcode粗暴的刷题，配以《剑指offer》，效果更佳，大部分面试笔试中数据结构部分就小菜一碟了！刷题过程中注意多做总结，先思路，再上代码，事半功倍！

2.专业知识基础

不管CS非CS这种时候肯定都忘差不多了，计算机网络，操作系统，计算机组成原理，数据结构等，最快捷的方式是看面经那些常见的店找书深入研究一番，即可！

3.机器学习理论

基本的套路是 Andrew NG的《机器学习》+李航的《统计学习方法》+林轩田的《机器学习基石》《机器学习技法》，掌握经典算法的原理和推倒，勤做笔记，多做总结，配以博客发表最佳！

常见的机器学习模型：感知机，线性回归，逻辑回归，支持向量机，决策树，随机森林，GBDT，XGBoost，贝叶斯，KNN，K-means等；

常见的机器学习理论：过拟合问题，交叉验证问题，模型选择问题，模型融合问题等；

4.实战经验

理论总归是理论，理论总归来时要在实践中深化，也需要实践经验的积累。如果有实际项目，那最好；if not，那就上kaggle刷题，学习别人的思路，多看别人的代码！

其实这个世界就是满满的套路，只要有足够的热情，去追逐，BAT不在话下，FLAG也指日可待，潜心修炼，终将成为一代传奇！

面试题汇总：

（1 ）几种模型（ svm ， lr ， gbdt ， em ）的原理以及公式推导；

（2 ） rf ， gbdt 的区别； gbdt ， xgboost 的区别；

（3 ）决策树处理连续值的方法；

（4 ）特征选择的方法；

（5 ）过拟合的解决方法；

（6 ） kmeans 的原理，优缺点以及改进；

（7 ）常见分类模型（ svm ，决策树，贝叶斯等）的优缺点，适用场景以及如何选型；

（8 ） svm 为啥要引入拉格朗日的优化方法；

（9 ）假设面试官什么都不懂，详细解释 CNN 的原理；

（10）有监督算法和无监督算法的区别；

（11 ）梯度下降的优缺点；

（12 ） 解释对偶的概念；

（13 ） L1 与 L2 的区别以及如何解决 L1 求导困难；

（14 ）如何用尽可能少的样本训练模型同时又保证模型的性能；

（15 ）解释 word2vec 的原理以及哈夫曼树的改进；

（16 ）为什么会产生过拟合，有哪些方法可以预防或克服过拟合；

（17 ）在模型的训练迭代中，怎么评估效果；

（18 ）最短路径代码；

（19） 100 张牌，每次只能抽一张，抽过的牌会丢掉，怎么选出最大的牌；

（20） kmeans 代码；

（21） sql 语句的一些优化技巧；