AI算法岗面试汇总

本人是2020届毕业生，这里整理了各位前辈的面试经验，予以参考。

数据结构

二叉树：

• 二叉树求叶节点的和，递归和非递归方法
• 判断2棵二叉树是否相同；
• 二叉树打印出最右侧的节点；
• 树（非二叉树）的合并，当前节点的值小于80的话，把值归到父节点，子节点变成父节点的子节点，并删除该节点；
• 判断相似二叉树，并优化到多项式时间复杂度；
• 求根节点到叶节点的最远距离；
• 链地址法中对于映射到同一个地址的数，设计数据结构能够快速查找出其中的数（比如对于1,11,21,31,41,51映射到同一个key(1)，如何快速找到31）（用树模型）

链表：

• 两个链表做加法（要考虑大数）；
• 翻转链表，如abcd变成badc；
• 快排的思想，如何做链表的快排，主要解释了过程；
• 对hash表的理解，有哪些解决冲突的方法（分别怎么用）；
• hash表在内存中是怎么查找的；
• 2个链表判断是否有公共节点（链表带环时的处理）；

基础，数组，字符串，矩阵，排序：

• 心算一个十进制转二进制
• 2个等长的有序数组，得到中位数；
• 两个排序的数组合并
• 二维数组求连通域；
• 在n个数的数组中，1到n中只有一个数没有出现，求这个数；
• 数组中只有一个数出现一次，其余出现两次，求出现一次的数（LeetCode）；
• 给定2个字符串，找到最长的公共子串（写完动态规划问能否改进）；
• 二路归并排序；
• topK的思想，说一下思路；
• 从一堆数据中找到前k个最大的数（写了个堆排序）
• 螺旋打印矩阵；
• 旋转矩阵，输入任意N维矩阵，输出变换后的矩阵，类似实现numpy的transpose；
• 旋转有序数组后的二分查找；
• 数组二分查找；
• 问数组按行、按列存储的区别；

其他：

• rand2变成rand3，并从概率角度解释；
• 从rand5变到rand8；

• 写一个class实现固定大小内存空间的读写删除；
• 实现均值滤波；
• 动态规划的思想；
• 有一个生成器，生成0的概率是p，生成1的概率是1-p，问如何生成1/2和1/2的概率
• x，y都是0到1 的均匀分布，求max(x, y)的期望；
• 汉诺塔实现；
• 手写RPN正负样本选取的过程代码；
• 有2个文件，文件太大无法将一个文件全部加载到内存，找出2个文件中相同的数；
• 给一堆x，y点，拟合出最佳直线，损失函数可以自己选择，最小二乘和迭代法都考了；
• 海量数据处理题，这个百度一搜一大把(重要)；参考：http://blog.csdn.net/v_july_v/article/details/7382693

 

AI算法

 

CNN：

神经网络：

• 深度学习相关问题 参考：https://blog.csdn.net/xwd18280820053/article/details/76026523
• CNN基本知识，smoothln loss的意义与作用，常见的loss function；
• 什么造成过拟合，常见的防止过拟合方法： data agumentation，early stop，regularisation，用更简单模型，dropout，加噪声，预训练网络freeze某几层；
• dropout原理，如何实现；
• 介绍一下batch normlization；
• 如何理解CNN；
• 介绍一下反卷积；
• 1*1的卷积有什么特别的用途
• 对于现在CNN发展的一个理解，最新成果的一些掌握；
• DNN给定结构情况下有哪些关键问题（优化算法，激活函数这2个方面）：有哪些优化算法，梯度下降怎么传播，后向、前向怎么结合（这个对后向传播机制熟练就没问题了）
• 有哪些激活函数？relu与逻辑函数的区别？（relu避免梯度消散，加快训练速度，起到稀疏性的作用）；
• 交叉熵代价函数与平方损失代价函数的区别，什么情况下两者等价？
• 优化算法了解多少（批梯度下降、随机梯度下降、mini-batch梯度下降的差异，还有动量的优化算法）；                 参考：http://blog.csdn.net/xwd18280820053/article/details/77529550
• 负梯度下降方向为什么是下降最快的方向；
• 画LSTM框架图；
• 问了一个概率随机游走的问题：一个人站在原点，只能往左或者往右，每次走1个单位长度距离，问走了n次之后距离原点距离X的期望；
•  

聚类：

• 有哪些聚类（K-means，Hierarchical methods--agglomerative和divisive，Gaussian Mixture Models）；                参考：https://www.zhihu.com/question/34554321
• 维数灾难，解决：随机森林；

分类器：

• 介绍一下:logistic regression,svm,gbdt,randomforest,xgboost,lightgbm（一般根据简历有针对性的问）；
• 朴素贝叶斯分类器思想、应用；
• 为什么用线性回归做分类效果不好；
• 比较一下k-means和高斯混合模型；
• SVM中C越大对模型有什么影响

应用：

• 介绍一下AUC,项目中评价指标为什么使用logloss而不用AUC
• 项目中是怎么做特征选择的（重要）
• one-hot encoding有什么好处
• 上亿个数据，每个数据20个维度（也就是一个向量），给你一个数据如何快速找到和该数据最相似的前几个（kd-Tree思想）
• 如何判断一个文章是不是谣言（标题，传播者，发布者，内容等）；

 

数学：

• 线性代数里边的矩阵特征值，特征向量，奇异值分解
• 极大似然估计和贝叶斯估计的区别