面试问题总结

机器学习模型分为：Generative Modeling（生成模型）和Discriminative Modeling（判别模型）两种，GM是由训练数据学习联合分布概率P(X,Y),然后求出条件概率P(Y|X)作为预测的模型，之所以称为生成模型，是因为模型标识了给定输入X产生输出Y的生成关系。典型的生成模型有：朴素贝叶斯和马尔科夫模型。判别模型是由训练数据直接学习决策函数F(X)或者条件概率分布P(Y|X)作为预测的模型，模型关心的是对给定的输入X，应该预测什么样子的输出Y，典型的判别模型有：K临近法，感知机，决策树，逻辑回归，SVM。

GM的特点：生成方法学习联合分布P(X,Y),所以可以从统计的角度表示数据的分布情况，能够反映同类数据本身的相似度。但它不关心到底划分各类的那个分类边界在哪里。

DM的特点：判别方法直接学习是决策函数Y = f(X)或者条件概率分布P(Y|X), 不能反映训练数据本身的特性。但它寻找不同类别之间的最优分类面，反映的是异类数据之间的差异。

对于目标跟踪算法，生成模型就是：学习一个代表目标的模型，然后通过它去搜索图像区域，然后最小化重构误差。

判别模型是将跟踪问题看成一个而分类问题，然后找到目标和背景的决策边界。

 

目前所遇到的面试问题：

1）数据处理：如何处理缺失数据(missing value)? 各种处理方法有什么利弊？

 

2）数据处理：如何将描述变量(categorical variables)转为连续变量(continuous variables)？

• 如何处理有序变量？

• 如何处理无序变量？

3）数据处理：如何进行选择特征选择？如何进行数据压缩？

• 特征选择：包裹式，过滤式，嵌入式

• 数据压缩：主成分分析，自编码等

4）模型解释: 试解释什么是欠拟合与过拟合？如何应对这两种情况？

 

5）模型解释: 什么是偏差与方差分解(Bias Variance Decomposition)？与欠拟合和过拟合有什么联系？

 

6）评估模型一般有什么手段？

• 分类模型评估方法？

• 回归问题评估方法？

• 数据不均衡的评估方法？

 

7）深度学习是否比其他学习模型都好？为什么？

 

8）C++的重载和重写区别，实现机制

 

9）C++的虚函数

 

10）SQL的索引的优缺点

 

11）static 和const的区别

static的作用是可以提供对象间的信息共享，静态成员只能在类外初始化，静态成员函数和静态数据成员可以通过类来直接调用，不依赖于某一个对象。

http://blog.csdn.net/damon_hoo/article/details/38903041

转载于:https://www.cnblogs.com/han1ning1/p/7275387.html