机器学习面试题

机器学习面试题

1.SVM、LR、决策树的对比？LR实现简单，训练速度非常快，但是模型较为简单。决策树容易过拟合，需要进行剪枝等。SVM既可以用于分类问题，也可以用于回归问题，并且可以通过核函数快速的计算，常见的损失函数常见的损失误差有五种：铰链损失（HingeLoss）：主要用于支持向量机（SVM）中；互熵损失（CrossEntropyLoss，SoftmaxLoss）：用于Logistic回归与Softmax
李涛AT北京·2021-06-11 13:47

机器学习期末考试

、机器学习链接1、机器学习期末复习试卷_zhouyan2000的博客-CSDN博客_机器学习期末考试}2、[机器学习笔试题]((4条消息)机器学习笔试题目_北冥有小鱼-CSDN博客_机器学习题目)3、机器学习面试题
不败顽童博主·2021-06-05 00:45

机器学习常见面试问题及答案汇总

一些常见的机器学习面试题（不定时更新）。激活函数的作用？激活函数为神经网络提供了非线性。
升不上三段的大鱼·2021-04-18 02:36

200道往年BAT机器学习面试题

本文作者总结了往年BAT机器学习面试题，干货满满，值得收藏。想要入职大厂可谓是千军万马过独木桥。为了通过层层考验，刷题肯定是必不可少的。
公众号机器学习与生成对抗网络·2021-03-11 21:25

史上最全的大厂机器学习面试题，赶紧收藏吧！（附详解答案）

本文为大家总结了往年BAT机器学习面试题，干货满满，值得收藏。刷题，是面试前的必备环节。想要入职大厂可谓是千军万马过独木桥。为了通过层层考验，刷题肯定是必不可少的。
人工智能与算法学习·2021-01-18 14:58

机器学习面试宝典200题！

本文作者总结了往年BAT机器学习面试题，干货满满，值得收藏。想要入职大厂可谓是千军万马过独木桥。为了通过层层考验，刷题肯定是必不可少的。
Datawhale·2021-01-07 19:00

1000 面试题，BAT 机器学习面试刷题宝典！

本文作者便总结了往年BAT机器学习面试题，干货满满，值得收藏。想要入职大厂可谓是千军万马过独木桥。为了通过层层考验，刷题肯定是必不可少的。
zenRRan·2020-12-09 19:52

几道机器学习面试题

Adaboost、GBDT和Xgboost的区别？传统GBDT以CART作为基分类器，xgboost还支持线性分类器，这个时候xgboost相当于带L1和L2正则化项的逻辑斯蒂回归（分类问题）或者线性回归（回归问题）。2传统GBDT在优化时只用到一阶导数信息，xgboost则对代价函数进行了二阶泰勒展开，同时用到了一阶和二阶导数。顺便提一下，xgboost工具支持自定义代价函数，只要函数可一阶和二
StellaLiu萤窗小语·2020-12-02 12:49

1000 面试题，BAT 机器学习面试刷题宝典！

本文作者便总结了往年BAT机器学习面试题，干货满满，值得收藏。想要入职大厂可谓是千军万马过独木桥。为了通过层层考验，刷题肯定是必不可少的。
机器学习算法那些事·2020-11-29 11:00

四种交叉验证法（留出法，K-Fold，留一法，Bootstrap）

机器学习面试题集-详解四种交叉验证方法[深度概念]·K-Fold交叉验证(Cross-Validation)的理解与应用1.K-Fold交叉验证概念------在机器学习建模过程中，通行的做法通常是将数据分为训练集和测试集
xys430381_1·2020-09-17 00:21

机器学习必刷题-手撕推导篇(1)：逻辑回归与kmeans

本系列文章对常见的机器学习面试题进行了搜集、分类和整理，主要包括”手撕推导篇“、“模型比较篇”、“工程经验篇”以及“基础概念篇”等多个板块，旨在帮助广大算法工作者能够从容应对求职面试！
wuli小萌哥·2020-09-12 03:17

机器学习面试题-神经网络怎么降维？

问题引入降维的算法有很多，那么在神经网络中适如何降维的呢？问题回答神经网络中可以通过autoencoder来实现降维，NN（神经网络）来对数据进行大量的降维是从2006开始的，这起源于science上的一篇文章：reducingthedimensionalityofdatawithneuralnetworks，作者就是鼎鼎有名的Hinton。autoencod一个e的基本结构如下所示，主要包含以及
耗子来啦·2020-09-10 13:34

机器学习面试题

这是整理的一些机器学习的面试题，详细的话可以关注日“百面机器学习”，回复干货领取神经网络中怎么降维？标准化和归一化有什么区别？LSTM为啥比RNN在梯度消失上要好？为啥L1正则先验分布是Laplace分布，L2正则先验分布是Gaussian分布？为什么归一化能加快梯度下降法求优化速度？简单说下Adaboost？SVM和LR区别和联系？机器学习中的距离和相似度度量方式有哪些？AUC为啥对正负样本比例
耗子来啦·2020-09-10 13:34

机器学习面试题-为啥LSTM比RNN好

这里写自定义目录标题问题引入问题回答问题引入其实这算是个经典的问题了，在一般的只要你做过时间序列相关的项目或者理论的时候，LSTM和RNN的对比肯定是要问的。那两者到底有啥区别呢？问题回答其实对于这个问题，要从RNN在发展过程中带来的令人诟病的短处说起，RNN在train参数的时候，需要反向传播梯度，这个梯度是这么算的:wi+1=wi−r⋅∂Loss∂w∣w:wi,r>0w^{i+1}=w^{i}
耗子来啦·2020-09-10 13:33

【机器学习面试题】——随机森林+AdaBoost

文章目录1.简单介绍随机森林2.随机森林的随机性体现在哪里？3.随机森林为什么不容易过拟合？4.为什么不用全样本训练？5.为什么要随机特征？6.RF与GBDT的区别？7.RF为什么比Bagging效率高？8.你已经建了一个有10000棵树的随机森林模型。在得到0.00的训练误差后，你非常高兴。但是，验证错误是34.23。到底是怎么回事？你还没有训练好你的模型吗？9.如何使用随机森林对特征重要性进行
黑桃5200·2020-08-25 09:10

考研复试机器学习面试题，我承认有赌的成分

马上就要考研复试了，如果你的导师不搞机器学习领域，那真的皆大欢喜。如果他在搞机器学习，我不得不预判导师的走位和他要放的技能。我心里是非常惶恐的，别说机器学习，就是python也略知一二。万一导师提到机器学习，对于小白一样的我来说，就是青铜遇上了王者，分分钟被吊打。怎么跟导师对线机器学习：首先，要预判导师的预判。导师也知道，大学生对机器学习只是简单地了解而非系统的学习，他不会出太难的问题刁难我们，所
春季觉醒·2020-08-22 02:50

机器学习算法各个击破

同时本课程汇总了作者在机器学习数据挖掘领域的经验和一线互联网公司的面试心得，通过列举常见机器学习面试题及相关答题技巧来帮助读者提高面试成功率。全部内容共计12篇图文课程，支持PDF下载和读者圈答疑。
蔚1·2020-08-03 06:35

机器学习面试题汇总(支持向量机相关)

机器学习面试题汇总(支持向量机相关)支持向量机面试题，SVM面试题1.SVM的原理是什么？2.SVM推导3.简述SVM软间隔4.如何使用SMO最优化方法求解SVM模型？
Potato_45·2020-08-03 03:43

决策树是什么？

让大家对决策树有一个直观的理解，当然在博文中我还会穿插一些大厂的机器学习面试题，如果您发现我有什么内容引用到您的文章，请提醒删除或者引用。或者说您有任何问题欢迎给我留言，我将尽力解答。
NLP小学生·2020-07-13 05:33

面试官最爱用的统计学、数据科学、机器学习面试题答案

【导读】本文盘点了数据科学和机器学习面试中的常见问题，着眼于不同类型的面试问题。如果您计划向数据科学领域转行，这些问题一定会有所帮助。技术的不断进步使得数据和信息的产生速度今非昔比，并且呈现出继续增长的趋势。此外，目前对解释、分析和使用这些数据的技术人员需求也很高，这在未来几年内会呈指数增长。这些新角色涵盖了从战略、运营到管理的所有方面。因此，当前和未来的需求将需要更多的数据科学家、数据工程师、数
高校俱乐部·2020-07-06 16:30

总结机器学习面试题---按照算法分类（更新整理中）

文章目录机器学习的整体逻辑LR逻辑回归1.损失函数2.梯度更新公式的推导3.正则化4.为什么不用平方损失函数而采用log损失函数？5.优化方法6.LR与softmax7.交叉熵与相对熵SVM1.支持向量2.推导过程，原理3.合页损失函数4.常用核函数5.SVM如何处理样本倾斜的问题？6.核函数如何解决非线性支持向量机问题7.LR与SVM算法的区别与联系？8.SVM和LR是如何处理多分类的？9.SV
Icevivina·2020-06-30 16:37

常见机器学习面试题

参考：http://kubicode.me/2015/08/16/Machine%20Learning/Common-Interview/?from=singlemessage#http://blog.csdn.NET/heyongluoyao8/article/details/49429629http://lib.csdn.Net/article/machinelearning/33798htt
xbmatrix·2020-06-29 23:38

41个机器学习面试题

####41EssentialMachineLearningInterviewQuestions(withanswers)一、算法理论Q1:什么是偏倚（bias）、方差（variable）均衡？偏倚指的是模型预测值与真实值的差异，是由使用的学习算法的某些错误或过于简单的假设造成的误差。它会导致模型欠拟合，很难有高的预测准确率。方差指的是不同训练数据训练的模型的预测值之间的差异，它是由于使用的算法模
喂鱼W_y·2020-06-29 22:53

机器学习面试题（三）模型评价指标、超参数调优、过拟合和欠拟合

如何评价一个模型的好坏呢，这里我们有如下几种方法：■Holdout检验即将模型分为训练集与测试集进行检验，比方说，对于一个点击率预测模型，我们把样本按照70%～30%的比例分成两部分，70%的样本用于模型训练；30%的样本用于模型验证，Holdout检验的缺点很明显，即在验证集上计算出来的最后评估指标与原始分组有很大关系。交叉检验k-折交叉验证：首先将全部样本划分成k个大小相等的样本子集；依次遍历
weixin_41611045·2020-06-29 01:18

机器学习面试题第一天

每天几道机器学习、深度学习、计算机视觉的面试题用来充实自己，题不在多，在于能不能理解，如果只是简单的复制粘贴，就是去了意义，我尽量将每道题都能用直接作为回答的答案来写，啦啦啦，开始啦！1、逻辑回归的优缺点？优点：a、简单快速内存小，可在短时间内迭代多个版本的模型。b、模型的可解释性非常好，可以直接看到各个特征对模型结果的影响，可解释性在某些领域很重要，所以业界很多仍然使用逻辑回归模型。c、特征工程
沐雨金鳞·2020-06-25 14:49

机器学习面试题汇总（51~100题）

机器学习面试题汇总（51~100题）51逻辑斯特回归为什么要对特征进行离散化？
oswinwff·2020-06-25 07:27

机器学习面试题汇总（1~50题）

机器学习面试题汇总（1~50题）1深度神经网络预防过拟合的方法？2SMOTE算法（过采样算法）？3为什么LR（逻辑回归）用sigmoid函数？4LR损失函数？5几种神经网络梯度下降方法？6克莱姆法则？
oswinwff·2020-06-25 07:27

机器学习面试题汇总(决策树相关)

机器学习面试题汇总(决策树相关)决策树面试题1.简述决策树的原理2.简述决策树的构建过程3.信息增益率有什么优缺点？4.如何对决策树进行剪枝？5.为什么决策树需要进行剪枝?
Potato_45·2020-06-25 06:56

机器学习面试题汇总(K-means，KNN相关)

机器学习面试题汇总(K-means，KNN相关)K-means，KNN面试题1.简述一下K-means算法的原理和工作流程2.简述一下KNN算法的原理3.KNN算法有哪些优点和缺点？
Potato_45·2020-06-25 06:56

机器学习面试题汇总(贝叶斯相关)

机器学习面试题汇总(贝叶斯相关)贝叶斯面试题1.简述朴素贝叶斯算法原理和工作流程2.什么是先验概率和后验概率？3.什么是条件概率？4.为什么朴素贝叶斯如此“朴素”？5.什么是贝叶斯决策理论？
Potato_45·2020-06-25 06:56

机器学习面试题汇总(特征工程相关)

机器学习面试题汇总(特征工程相关)特征工程面试题1.什么是特征工程？2.对于一个新的项目如何生成模型所需要使用的特征？3.原始数据通常存在哪些问题？4.谈谈你所了解的数据抽样方法5.什么是归一化？
Potato_45·2020-06-25 06:56

机器学习面试题面经

机器学习面试题面经深度学习卷积神经网络面试题面经PyTorch面试题面经Python面试题面经Linux，Git面试题面经HR面试题面经KNN：特点是完全跟着数据走，没有数学模型可言。
别说话写代码·2020-06-25 01:52

PyTorch面试题面经

机器学习面试题面经深度学习卷积神经网络面试题面经PyTorch面试题面经Python面试题面经Linux，Git面试题面经HR面试题面经1.conv2d的参数及含义2.pytorch如何微调finetuning
别说话写代码·2020-06-25 01:19

Python面试题面经

机器学习面试题面经深度学习卷积神经网络面试题面经PyTorch面试题面经Python面试题面经Linux，Git面试题面经HR面试题面经python2与python3几个区别：python2有xrange
别说话写代码·2020-06-25 01:19

人工智能面试总结：160个机器学习面试题，赶紧先考考自己！

数据科学职位的典型面试过程会有很多轮，其中通常会涉及理论概念，目的是确定应聘者是否了解机器学习的基础知识。在这篇文章中，我想总结一下我所有的面试经历（面试or被面试）并提出了160多个数据科学理论问题的清单。其中包括以下主题：线性回归模型验证分类和逻辑回归正则化决策树随机森林GBDT神经网络文本分类聚类排序：搜索和推荐时间序列这篇文章中的问题数量似乎远远不够，请记住，面试流程是根据公司的需求和你的
Python-Jack·2020-06-24 21:57

机器学习面试题解1

这几天开始刷面试题了，发现不记录一下根本不行，有很多细小的东西需要复习。首先就来记录一下我看到的一些面试题，不限于机器学习领域，但是是真实的面试机器学习工程师时遇到的问题，今天就来解决：十分钟内，恶意IP访问检测（累计访问1024次）理解题意：十分钟内，这个十分钟是动态的。可以说这个十分钟是一个滑片，动态后移的。怎么检测？没有具体的环境的话，先给一个提示，说这个是恶意ip。累计访问1024次什么意
memoryjdch·2020-06-24 14:42

机器学习面试题之KNN（六）

转自小狼狗的KNN面试问题的总结1.简述一下KNN算法的原理KNN既可以用于分类，也可以用于回归。本身没有显示的模型训练，多数情况用于分类算法。KNN算法我们主要要考虑三个重要的要素，对于固定的训练集，只要这三点确定了，算法的预测方式也就决定了。这三个最终的要素是k值的选取，距离度量的方式和分类决策规则。1，K值的选择一般选择一个较小的值，这取决于数据量的大小和数据维度。通常K为3~10.一种常见
jaffe_wei·2020-06-23 20:18

AI人工智能、机器学习 面试题（2020最新版）

人工智能、机器学习面试题总结，侧重于理解，回答供参考，欢迎讨论。General深度学习（DeepLearning,DL）和机器学习（MachineLearning,ML）的关系是什么？
AI人工智能与大数据·2020-06-23 11:14

【机器学习面试题】——循环神经网络(RNN)

文章目录1.为什么需要RNN？2.简要介绍RNN的基本结构单层网络结构经典RNN结构RNN的拓展结构3.CNN和RNN的区别？4.RNNs和FNNs(前馈神经网络)有什么区别？5.RNNs训练和传统ANN训练异同点？6.为什么RNN训练的时候Loss波动很大7.描述RNN的前向输出流程8.RNN中为什么会出现梯度消失,如何解决？9.LSTM核心思想图解10.LSTMs与GRUs有什么区别？11.B
黑桃5200·2020-06-21 21:45

【机器学习面试题】—— 卷积神经网络

文章目录1.卷积神经网络的结构输入层卷积层激活层池化层全连接层2.卷积在图像中有什么直观作用3.卷积层有哪些基本参数？4.卷积核有什么类型？5.二维卷积与三维卷积有什么区别？二维卷积三维卷积6.有哪些池化方法？池化原理池化类型7.1*1卷积的作用？8.卷积层和池化层有什么区别？9.卷积核是否一定越大越好？10.每层卷积是否只能用一种尺寸的卷积核？11.怎样才能减少卷积层参数量？12.在进行卷积操作
黑桃5200·2020-06-21 21:14

【机器学习面试题】——集成学习

文章目录1.什么是集成学习算法？2.集成学习主要有哪几种框架？3.简单介绍一下bagging，常用bagging算法有哪些？4.简单介绍一下boosting，常用boosting算法有哪些？5.boosting思想的数学表达式是什么？6.简单介绍一下stacking，常用stacking算法有哪些？7.你意识到你的模型受到低偏差和高方差问题的困扰，应该使用哪种算法来解决问题呢？为什么？8.常用的基
黑桃5200·2020-06-21 21:13

机器学习面试题1-20

1.哪些机器学习算法不需要做归一化？在实际应用中，通过梯度下降法求解的模型一般都是需要归一化的，比如线性回归、logistic回归、KNN、SVM、神经网络等模型。但树形模型不需要归一化，因为它们不关心变量的值，而是关心变量的分布和变量之间的条件概率，如决策树、随机森林(RandomForest)。归一化和标准化主要是为了使计算更方便比如两个变量的量纲不同可能一个的数值远大于另一个那么他们同时作为
是小晰瓜啊·2020-06-21 12:42

机器学习面试题21-40

21.数据不平衡问题这主要是由于数据分布不平衡造成的。解决方法如下：采样，对小样本加噪声采样，对大样本进行下采样数据生成，利用已知样本生成新的样本进行特殊的加权，如在Adaboost中或者SVM中采用对不平衡数据集不敏感的算法改变评价标准：用AUC/ROC来进行评价采用Bagging/Boosting/ensemble等方法在设计模型的时候考虑数据的先验分布。22.特征数量比数据量还大时，应该采用
是小晰瓜啊·2020-06-21 12:42

机器学习面试题41-60

41.是否可以捕获协连续变量和非连续变量之间的的相关性是的，我们可以用ANCOVA（协方差分析）技术来捕获连续型变量和分类变量之间的相关性。42.GBM和随机森林的区别最根本的区别是，随机森林算法使用bagging技术做出预测。GBM采用boosting技术做预测。在bagging技术中，数据集用随机采样的方法被划分成使n个样本。然后，使用单一的学习算法，在所有样本上建模。接着利用投票或者求平均来
是小晰瓜啊·2020-06-21 12:11

深度学习基础（面试题），卷积神经网络基础（面试题）

机器学习面试题面经深度学习卷积神经网络面试题面经PyTorch面试题面经Python面试题面经Linux，Git面试题面经HR面试题面经本文内容参考魏秀参《解析卷积神经网络》手写卷积池化代码池化层的反向传播
别说话写代码·2020-06-21 04:18

机器学习60道常见面试题大总结（三）

机器学习面试题最后一节了，前面两期的，你们都会了没啊？1.人工智能与机器学习的区别？基于经验数据的特性而设计和开发的算法被称为机器学习。
千锋python和唐唐·2020-06-21 00:17

机器学习常见60道面试题总结（二）

接着上期机器学习面试题更新，总结的面试题，是根据我的从业和面试经验来给大家出的教程，用得上的同学，希望对你有帮助！1.什么是偏差与方差？泛化误差可以分解成偏差的平方加上方差加上噪声。
千锋python和唐唐·2020-06-21 00:17

机器学习面试题-使用softmax中需要注意哪些问题？

关注微信公众号“百面机器学习”获得更多机器学习面试题问题引入softmax是一个很有用的东西，在我们的分类问题中经常被用到，大家在构建神经网络以及在学习word2vec的时候都会用到softmax函数，
hguo11·2020-05-18 23:12

ML-Interview(BAT)1000题系列

微信公众号《七月在线》的机器学习面试1000题系列汇总1.BAT机器学习面试题系列（第1~10题）来源：http://mp.weixin.qq.com/s/Xr3kWGuUECE9TZmJ1J9x6A2
Hebborn_hb·2020-02-17 13:08

机器学习面试题集 - 详解四种交叉验证方法

本文结构：什么是交叉验证法？为什么用交叉验证法？主要有哪些方法？优缺点？各方法应用举例？什么是交叉验证法？它的基本思想就是将原始数据（dataset）进行分组，一部分做为训练集来训练模型，另一部分做为测试集来评价模型。为什么用交叉验证法？交叉验证用于评估模型的预测性能，尤其是训练好的模型在新数据上的表，可以在一定程度上减小过拟合。还可以从有限的数据中获取尽可能多的有效信息。可以选择出合适的模型主要
不会停的蜗牛·2020-02-13 20:14
上一页 1 2 3 4 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他