AI算法面试题大纲（含答案）

新兴技术席卷全球。它们所带来的创新、机遇和威胁是独一无二的。随着它们的增长，对这些领域专家的需求也在增长。

根据最新的行业报告显示，新兴技术领域的工作，如人工智能和数据科学、机器学习等，都是最热门的新兴职业。从事人工智能或数据科学、机器学习等新兴技术领域的职业，既能带来丰厚的利润，也能激发智力。

在本文中，我整理了一些算法工程师面试问题，并给出了相应的答案。有志于算法工程师的人，以及有经验的ML专业人士，都可以在面试前利用这一点来完善一下他们的基础知识。

2019年深度学习面试必看问题

1. k -的意思和KNN是什么?

K-means是一种用于聚类问题处理的无监督算法，KNN或K近邻是一种用于回归和分类处理的有监督算法。

2.损失函数的梯度有正和负，如果随机的W值是负数，岂不是越减越小？例子中是不是只处理了梯度为正的情况。

首先说一下，梯度不是W，这个要注意。

前面也说过了，梯度是个向量，对于向量而言，正负指的是方向。我觉得这位同学想问的应该是，我们对W进行求导，值有正负的情况。

其实就是前面说的这条切线的斜率向左斜还是向右斜的问题。

不管切线向左斜还是向右斜，对于梯度下降法都是可以解决的。因为梯度的方向就是沿着该函数取较大值的方向。

而−α∇E(wτ)就是取梯度的反方向，如下图所示：因此无论如何都是可以取到最小值的。

总结一下，可以简单记忆理解：导数指的就是该点函数的梯度，并且和梯度的方向相同。所谓梯度下降，就是要取最小值，要沿着函数较小的方向。因此要把导数变为负的，改变梯度的方向−∇E(wτ)。

改变了方向之后，我们还要让梯度产生变化，沿着函数的较小的方向进行移动，因此要乘以一个常数（步长）α，就变成了−α∇E(wτ)。

因此下一时刻W的取值就显而易见了w(τ+1)=wτ−α∇E(wτ)。这就是梯度下降法！！结合实际生活，就是一个下山的过程。

建议大家可以按照视频，实现其中的案例代码。自己实践一下对概念的理解会更深刻。

3.这个公式没有写底，那他的底是多少？ 今天看了这个公式，没有搞懂如何推导的？

计算机里没写默认值是2，学校学习的时候，默认的底是e。

上学时候不写底是不对的，以e为底,得写成ln

就是目前来说很多数学公式哈，大家不要急着去看他的推导，给大家教个技巧哈，那就是我们在学新的东西的时候，我先达到我的目的，就是我先记住它，记住它的结论，就是他的这个最原始的公式，包括我们用的时候用的是哪个就可以了，先用。然后理解这一块儿的东西呢，就是随着大家的使用过程中，你首先要有一定的积累，然后呢，你再去尝试去理解他的一些过程。

 4.如何处理数据集中丢失的数据?

数据科学家面临的最大挑战之一与丢失数据的问题有关。您可以通过许多方式对缺失值进行属性设置，包括分配一个惟一的类别、行删除、使用均值/中值/模式替换、使用支持缺失值的算法以及预测缺失值等等。

5.有监督机器学习和无监督机器学习的区别?

在监督学习中，机器在有标记数据的帮助下进行训练，即，即带有正确答案标记的数据。而在无监督机器学习中，模型是通过自身发现信息来学习的。与有监督学习模型相比，无监督学习模型更适合于执行困难的处理任务。

6.机器学习和深度学习的区别是什么？

机器学习是人工智能的一个子集，它为机器提供了无需任何显式编程就能自动学习和改进的能力。而深度学习是机器学习的一个子集，人工神经网络能够做出直观的决定。

7.请问深度学习解决的是什么问题？和机器学习一样吗？和机器学习有什么关系？

其实啊，这个问题，我之前在公开课的时候已经给他讲过了，我这儿简单说一下，所谓的这个深度学习，他就指的是我们研究一个网络结构，或者网络产品比较深的一个模型，那为什么要深的，因为模型越大越深，他所能够代表的智能化程度就越高，而这个深度学习他要解决的就是如何让计算机具备学习能力，那么我们把这个可以简单称之为机器学习。

就简单的说，机器学习它本质上来说，研究的就是如何让计算机像人一样具备学习的能力，而这一学习主要有两个方向，一个是传统的机器学习，也就是大家现在口中所说的这个机器学习，它是基于数学算法的。那就比如说像SVM，KNN、K-means等等数学算法来做的那。另外一个方向就是我们现在也研究方向是基于仿生学方向的，主要研究的是神经网络，就是说，我们如何模拟人类的一个学习能力，然后搭建一个模型出来对吧，再把这个模型变成代码，让计算机来实现这个模型啊，就是说让计算机能够模拟人的行为去学习和思考。

其实现在所谓的这个人工智能这个东西呢，他其实大多数主要都是基于我们现在的这个仿生学去这个方向来了，虽然说仿生学这个方向是以前从机器学习里面出来的一个体系，但实际上目前来说这个体系已经非常完整了，就是说我们现在的这一套深度学习的体系呢，它足以解决以前的那种传统机器学习所解决了所有问题，并且可以解决的更好。

8.深度学习框架TensorFlow中有哪四种常用交叉熵？

（1） tf.nn.weighted_cross_entropy_with_logits

（2） tf.nn.sigmoid_cross_entropy_with_logits

（3） tf.nn.softmax_cross_entropy_with_logits

（4） tf.nn.sparse_softmax_cross_entropy_with_logits

9、LR和SVM的联系与区别是什么？

　　都是分类算法

　　如果不考虑核函数，LR和SVM都是线性分类算法，也就是说他们的分类决策面都是线性的。

　　LR和SVM都是监督学习算法

　　LR和SVM的损失函数不同

　　SVM只考虑局部的边界线附近的点 ，LR考虑全局，远离的点对边界线的确定也起作用。

10、什么叫过拟合，避免过拟合都有哪些措施？

      过拟合：就是在机器学习中，我么测试模型的时候，提高了在训练数据集的表现力时候，但是在训练集上的表现力反而下降了。

　　解决方案：

　　1.正则化 ；

　　2.在训练模型过程中，调节参数。学习率不要太大；

　　3.对数据进行交叉验证；

　　4.选择适合训练集合测试集数据的百分比，选取合适的停止训练标准，使对机器的训练在合适；

　　5.在神经网络模型中，我们可以减小权重；

结语：

经过大佬十余年的工作经验以及学员反馈，所得出来在算法工程师岗位面试中总结出来的经典面试题。今天也是在其中挑选几个比较重要的面试题。

为了帮助大家让学习变得轻松、高效，给大家免费分享一大批资料，让AI越来越普及。有啥不懂的可以加QQ群：519970686 ,交流讨论，学习交流，共同进步。

当真正开始学习的时候难免不知道从哪入手，导致效率低下影响继续学习的信心。

但最重要的是不知道哪些技术需要重点掌握，学习时频繁踩坑，最终浪费大量时间，所以拥有有效资源还是很有必要的。