問題1：過擬合與欠擬合（定義、產生的原因、解決的方法各是什麼）。
問題2：l1正則與l2正則（有哪些常見的正則化方法？作用各是什麼？區別是什麼？為什麼加正則化項能防止模型過擬合）。
間題3：模型方差和偏差（能解釋一下機器學習中的方差和偏差嗎？哪些模型是降低模型方差的？哪些模型是降低模型偏差的？舉例說明一下）。
問題4：奧卡姆剃刀（說一說機器學習中的奧卡剪梯刀原理）。
問題5：模型評估指標（回歸模型和分類模型各有哪些常見的評估指標？各白的含義是什麼？解釋一下auc？你在平時的實踐過程中用到過哪些評估捐標？為什要選擇這些指標）。
問題6：風險函式（說一下經驗風險和結構風險的含義和異同點）。
問題7：優化演算法（機器學習中常見的優化演算法有哪些？梯度下降法和牛頓法的原理推導）。
問題8：啟用函放（神經網路模型中常用的啟用函式有哪些？說一下各自的特點)。
問題9：核函式（核函式的定義和作用是什麼？常用的核函式有哪些？你用過些核函式？說一下高斯核函式中的引數作用）。
問題10：梯度消失與梯度**（解釋一下梯度消失與梯度**問題，各自有什麼解決方案）。
問題11：有監督學習和無監督學習（說一下有監督學習和無監督學習的特點，舉例說明一下)。
問題12：生成模型與判別模型（你知道生成模型和判別模型嗎？各自的將點是什麼？哪些模型是生成模型，哪些模型是判別模型）。
問題13：線性回歸（線性回歸模型的原理、損失函式、正則化項)。
問題14：knn模型（knn模型的原理、三要素、優化方案以及模望的優缺點）。
問題15：樸素貝葉斯（樸素貝葉斯模型的原理推導，拉普拉斯平滑，後驗概率最大化的含義以及模型的優/缺點）。
問題16：決策樹（決策樹模型的原理、特徵評價指標、剪枝過程和原理、幾種常見的決策樹模型、各自的優/缺點）。
問題17：隨機森林模型（rf模型的基本原理，rf模型的兩個「隨機」。從偏差和方差角度說一下rf模型的優缺點，以及rf模型和梯度提公升樹模型的區別）。
問題18：adaboost（adaboost模型的原理推導、從偏差和方差角度說一下adaboost、adaboost模型的優點）。
問題19：梯度提公升樹模型（gbdt模型的原理推導、使用gbdt模型進行特徵組合的過程、gbdt模型的優缺點）。
問題20：xgboost（xgboost模型的基本原理、xgboost模型和gbdt模型的異同點、xgboost模型的優缺點）。
問題21：logistic回歸模型（lr模型的原理、本質，lr模型的損失函式，能否使用均方損失、為什麼）。
問題22：支援向量機模型（svm模型的原理，什麼是「支援向量」？為什麼使用拉格朗日對偶性？說一下kkt條件、軟間隔svm和硬間隔svm的異同點。svm怎樣實現非線性分類？svm常用的核函式有哪些？svm模型的優缺點各是什麼）
問題23：k-means類（k-means聚類的過程和原理是什麼？優化方案有哪各自優缺點是什麼)。
問題24：層次聚類（層次聚類的過程、原理和優缺點）。
間題25：密度聚類（密度聚類的基本原理和優缺點）。
問題26：譜聚類（譜聚類的基本原理和優缺點）。
問題27：高斯混合聚類（高斯混合滾類的原理和優缺點）。
問題28：em演算法（em演算法的導過程和應用場景）。
問題29：特徵分解與奇異值分解（特徵分解與奇外值分解的原理、異同點、應用場景）。
問題30：主成分分析（pca模型的原理、過程、應用場景)。
問題31：線性判別分析（lda模型的原理、過程、應用場景）。
問題32：區域性線性嵌入（lle模型的原理、過程、應用場景）。
問題33：詞向量（word2vec模型和doc2vec模型的類別，各自原理推導、應用和引數調節）。
問題34：深度神經網路（深度神經網終模型的原理，反向傳播的推導過程，常用的啟用函式，梯度消失與梯度**問題怎麼解決？說一下深度神經網路中的dropout、早停、正則化）。
問題35：lr模型與svm模型的異同點。
問題36：lr模型與樸素貝葉斯模型的異同點。
問題37：k近鄰模型與 k-means模型的異同點。
問題38：id3決策樹、c4.5決策樹、cart決策樹的異同點。
問題39：pca模型與lda模型的異同點。
問題40：bagging模型與 boosting模型的異同點。
問題41：gbdt模型與 xgboost模型的異同點。
問題42：word2vec模型中cwob模式與skip模式的異同點。
問題43：word2vec模型和 doc2vec模型的異同點。
問題44：模型調參（隨便選乙個上述涉及的模型，說一下它的調參方式與過程）。
問題45：特徵組合（常見的特徵組合方式有哪些？各自特點是什麼）。
問題46：特徵工程（結合實踐解釋一下你所理解的特徵工程）。
問題47：缺失值問題（說一下你遇到的缺失值處理問題，你理方式？你使用過哪些，效果怎樣）。
問題48：樣本不平衡問題（你知道樣本不平衡問題嗎？你是怎樣處理的？效果怎麼樣？除上取樣和下取樣外，你還能自己設計什麼比較新穎的方式嗎？）。
問題49：特徵篩選（特徵師選有哪幾種常見的方式？結合自己的實踐經驗說下各自的原理和特點。）
問題50：模型選擇（你一般怎樣挑選合適的模？有實際的例子嗎？）。
問題51：模型組合（你知道哪些模型組合方式？除了運用 adaboost和r，你白己有使用過 bagging和 embedding方式組合模型嗎？結合實際例子說明一下）。
問題52：a/b測試（了解ab測試嗎？為什麼要使用a/b測試）。
問題53：降維（為什麼要使用降維？你知道哪些降維方法？你用過哪些降維方式？結合實際使用說明一下）。
問題55：踩過的坑（你在使川機器學習模型中踩過哪些坑？最後你是如何解決的）。
問題56：機器學習求職要準備哪些項？各項對應如何準備？
間題58：機器學習崗位求職的投遞方式有哪些？什麼時間投遞最合適？投遞目標應該怎樣選擇？
問題59：機器學習崗位求職的簡歷最好與哪些內容？所做的專案應該如何描述？
問題60：面試過程中自我介紹如何說比較合適？求職心態應該如何擺正？如果遇到壓力該如何面對？面試過程中如何掌握主導權？怎樣回答面試官最後的「你還有什麼要間我的」問題？怎樣面對最後的人力資源面試？
求職面試 基礎 基礎問題彙總
取模 5 mod 2 1 5 mod 2 5 2floor 5 2 5 2 3 1 當除數與被除數的符號相同時，rem和mod的結果是完全相同的 當除數與被除數的符號不相同時，結果不同。具體說，rem結果的符號與被除數相同 mod結果的符號與除數相同。1.求 整數商 c a b 2.計算模或者餘數 ...
機器學習問題彙總
1 什麼是分類問題，什麼是回歸問題？區別在 有沒有聯絡？回歸問題 是對輸入資料求乙個逼近真實結果的機率，比如 高考結果能上清華北大的機率。2 線性回歸，邏輯斯蒂回歸，擬合函式，損失函式，梯度下降，學習率，正則化，sigmoid函式之間的聯絡？參考 梯度下降法解線性回歸 梯度下降法解邏輯斯蒂回歸 er...
機器學習崗位面試問題彙總 之 深度學習
自己結合網路內容總結，歡迎指正歡迎補充。最新更新 20170624 版本2 增加22 28 1.模式識別 機器學習 深度學習的區別與聯絡 模式識別 過去 程式 機器做智慧型的事 決策樹等 機器學習 熱點領域 給資料 學習資料 深度學習 前言領域 強調模型 2.早年神經網路被淘汰的原因 耗時 區域性最...