机器学习面试求职问题汇总
机器学习面试求职问题汇总
类型一：基础概念类问题
问题1：过拟合与欠拟合（定义、产生的原因、解决的方法各是什么）。
问题2：L1正则与L2正则（有哪些常见的正则化方法？作用各是什么？区别是什么？为什么加正则化项能防止模型过拟合）。
间题3：模型方差和偏差（能解释一下机器学习中的方差和偏差吗？哪些模型是降低模型方差的？哪些模型是降低模型偏差的？举例说明一下）。
问题4：奥卡姆剃刀（说一说机器学习中的奥卡剪梯刀原理）。
问题5：模型评估指标（回归模型和分类模型各有哪些常见的评估指标？各白的含义是什么？解释一下AUC？你在平时的实践过程中用到过哪些评估捐标？为什要选择这些指标）。
问题6：风险函数（说一下经验风险和结构风险的含义和异同点）。
问题7：优化算法（机器学习中常见的优化算法有哪些？梯度下降法和牛顿法的原理推导）。
问题8：激活函放（神经网络模型中常用的激活函数有哪些？说一下各自的特点)。
问题9：核函数（核函数的定义和作用是什么？常用的核函数有哪些？你用过些核函数？说一下高斯核函数中的参数作用）。
问题10：梯度消失与梯度爆炸（解释一下梯度消失与梯度爆炸问题，各自有什么解决方案）。
问题11：有监督学习和无监督学习（说一下有监督学习和无监督学习的特点，举例说明一下)。
问题12：生成模型与判别模型（你知道生成模型和判别模型吗？各自的将点是什么？哪些模型是生成模型，哪些模型是判别模型）。
类型二：模型原理类
问题13：线性回归（线性回归模型的原理、损失函数、正则化项)。
问题14：KNN模型（KNN模型的原理、三要素、优化方案以及模望的优缺点）。
问题15：朴素贝叶斯（朴素贝叶斯模型的原理推导，拉普拉斯平滑，后验概率最大化的含义以及模型的优/缺点）。
问题16：决策树（决策树模型的原理、特征评价指标、剪枝过程和原理、几种常见的决策树模型、各自的优/缺点）。
问题17：随机森林模型（RF模型的基本原理，RF模型的两个“随机”。从偏差和方差角度说一下RF模型的优缺点，以及RF模型和梯度提升树模型的区别）。
问题18：AdaBoost（AdaBoost模型的原理推导、从偏差和方差角度说一下AdaBoost、Adaboost模型的优点）。
问题19：梯度提升树模型（GBDT模型的原理推导、使用GBDT模型进行特征组合的过程、GBDT模型的优缺点）。
问题20：XGBoost（XGBoost模型的基本原理、XGBoost模型和GBDT模型的异同点、XGBoost模型的优缺点）。
问题21：Logistic回归模型（LR模型的原理、本质，LR模型的损失函数，能否使用均方损失、为什么）。
问题22：支持向量机模型（SVM模型的原理，什么是“支持向量”？为什么使用拉格朗日对偶性？说一下KKT条件、软间隔SVM和硬间隔SVM的异同点。SVM怎样实现非线性分类？SVM常用的核函数有哪些？SVM模型的优缺点各是什么）
问题23：K-Means类（K-Means聚类的过程和原理是什么？优化方案有哪各自优缺点是什么)。
问题24：层次聚类（层次聚类的过程、原理和优缺点）。
间题25：密度聚类（密度聚类的基本原理和优缺点）。
问题26：谱聚类（谱聚类的基本原理和优缺点）。
问题27：高斯混合聚类（高斯混合滚类的原理和优缺点）。
问题28：EM算法（EM算法的导过程和应用场景）。
问题29：特征分解与奇异值分解（特征分解与奇外值分解的原理、异同点、应用场景）。
问题30：主成分分析（PCA模型的原理、过程、应用场景)。
问题31：线性判别分析（LDA模型的原理、过程、应用场景）。
问题32：局部线性嵌入（LLE模型的原理、过程、应用场景）。
问题33：词向量（Word2Vec模型和Doc2Vec模型的类别，各自原理推导、应用和参数调节）。
问题34：深度神经网络（深度神经网终模型的原理，反向传播的推导过程，常用的激活函数，梯度消失与梯度爆炸问题怎么解决？说一下深度神经网络中的Dropout、早停、正则化）。
类型三：模型比较类
问题35：LR模型与SVM模型的异同点。
问题36：LR模型与朴素贝叶斯模型的异同点。
问题37：K近邻模型与 K-Means模型的异同点。
问题38：ID3决策树、C4.5决策树、CART决策树的异同点。
问题39：PCA模型与LDA模型的异同点。
问题40：Bagging模型与 Boosting模型的异同点。
问题41：GBDT模型与 XGBoost模型的异同点。
问题42：Word2Vec模型中CWOB模式与Skip模式的异同点。
问题43：Word2Vec模型和 Doc2Vec模型的异同点。
类型四：模型技巧类
问题44：模型调参（随便选一个上述涉及的模型，说一下它的调参方式与过程）。
问题45：特征组合（常见的特征组合方式有哪些？各自特点是什么）。
问题46：特征工程（结合实践解释一下你所理解的特征工程）。
问题47：缺失值问题（说一下你遇到的缺失值处理问题，你理方式？你使用过哪些，效果怎样）。
问题48：样本不平衡问题（你知道样本不平衡问题吗？你是怎样处理的？效果怎么样？除上采样和下采样外，你还能自己设计什么比较新颖的方式吗？）。
问题49：特征筛选（特征师选有哪几种常见的方式？结合自己的实践经验说下各自的原理和特点。）
问题50：模型选择（你一般怎样挑选合适的模？有实际的例子吗？）。
问题51：模型组合（你知道哪些模型组合方式？除了运用 AdaBoost和R，你白己有使用过 Bagging和 Embedding方式组合模型吗？结合实际例子说明一下）。
问题52：A/B测试（了解AB测试吗？为什么要使用A/B测试）。
问题53：降维（为什么要使用降维？你知道哪些降维方法？你用过哪些降维方式？结合实际使用说明一下）。
问题54：项目（你做过哪些相关的项目？挑一个你觉得印象最深刻的说明一下）。
问题55：踩过的坑（你在使川机器学习模型中踩过哪些坑？最后你是如何解决的）。
类型五：求职技巧类
问题56：机器学习求职要准备哪些项？各项对应如何准备？
问题57：机器学习相关的学习内容有哪些？学习路线应该怎么定？有什么推荐的学习资料？
间题58：机器学习岗位求职的投递方式有哪些？什么时间投递最合适？投递目标应该怎样选择？
问题59：机器学习岗位求职的简历最好与哪些内容？所做的项目应该如何描述？
问题60：面试过程中自我介绍如何说比较合适？求职心态应该如何摆正？如果遇到压力该如何面对？面试过程中如何掌握主导权？怎样回答面试官最后的“你还有什么要间我的”问题？怎样面对最后的人力资源面试？