机器学习(ML
)作为目前一个比较火领域,提供了许多有趣且高薪的工作和机会。
无论你是刚刚踏入机器学习领域的新手,还是已经积累了一定经验的从业者,面试都是检验你技能和知识的重要环节。
本文将梳理一些常见的面试问题,让你在面试中更加自信从容。
1. 基础知识
想要从事机器学习工作,至少应该熟悉:
- 数学基础:包括线性代数、微积分、优化、概率和统计等
- 机器学习基础:准备数据、验证和改进训练结果、解释模型、识别和避免过度拟合等
- 常用算法:比如线性回归、决策树、支持向量机、k 最近邻、神经网络、k 均值聚类、主成分分析等
- 编程能力:需要一些
Python
等编程语言知识,以及使用机器学习库的能力(如 NumPy、Pandas、scikit-learn、Matplotlib、Tensorflow 等)等
2. 常见问题整理
接下来,整理了一些适合初学者和中级人员的一般问题,这些问题与任何特定的机器学习算法或方法无关。
通过掌握这些常见问题及其解答思路,不仅能更加深入地理解机器学习的核心概念,还能在面试中展现出你的专业素养和解决问题的能力。
2.1. 机器学习算法有哪些类型
机器学习算法主要分为三种类型:
- 监督学习:对给定输入数据(特征)和输出数据之间的数学依赖关系(映射)进行建模。
主要解决回归和分类问题,其中回归问题具有连续的数字输出,而分类则处理离散的、通常是分类的输出。
- 无监督学习:在不提供任何输出的情况下在输入数据中查找结构、规则和模式。
无监督学习方法有几类,例如聚类分析、关联规则学习、异常检测等。
- 强化学习:采取行动最大化奖励,并根据过去的经验不断学习和改进。
此外,还有半监督学习,它介于监督学习和无监督学习之间。
2.2. 什么是数据标准化和归一化
机器学习(ML)中数据集标准化之后,就可以比较不同单位的特征,这是许多 ML
方法(如支持向量机、神经网络、k 均值聚类、线性判别分析等)的要求。
标准化通常意味着对特征进行重新调整,使其均值为零,标准差为一。
在某些情况下,可以使用最小-最大标准化来代替,它重新调整特征,以便最小值映射到零,最大值映射到一,而所有其他值在零和一之间线性分布。
2.3. 什么是R2
R2(决定系数)是一个数值,表示输入能够解释输出的程度。
一般用作拟合优度的度量,即回归问题中实际输出和预测输出的接近程度,此值越大越好,R2 = 1 表示完美拟合。
2.4. I类和II类错误是什么
I 类错误(假阳性错误)表示错误地拒绝了真实的原假设。
II 类错误(假阴性错误)是错误地接受错误的原假设。
2.5. 条件概率是什么
条件概率是在某些事件已经发生的情况下事件将发生的概率。
比如,在事件 F 发生的情况下,事件 E 发生的概率为:P(E|F) = P(EF) / P(F) ,其中** P(EF)** 是两个事件都发生的概率,而 P (F) 是 F 发生的概率。
2.6. 什么是训练、验证和测试数据集
训练集是数据集的一部分,用于训练模型,即拟合其参数;
验证集是超参数调整期间使用的数据集的另一部分;
测试集是数据集的第三部分,用于评估所选模型的性能。
数据集的这三个部分通常是独立的并且是随机选择的。
2.7. 什么是过拟合
当模型和现有数据匹配的太好时,通常会发生过度拟合。
过度拟合的模型通常在训练数据上表现良好,但在应用于看不见的数据(测试数据)时表现不佳。
复杂或灵活的模型更容易出现过度拟合。
2.8. 什么是降维
降维是一组减少机器学习模型特征(输入变量)数量的技术。
降维的主要方法有两种:
- 特征选择:选择最重要特征的子集
- 特征提取:用一组新的、更小的派生特征替换所有特征,以最大限度地减少冗余。
2.9. 内核技巧是什么
内核技巧与将数据映射到高维空间以使其明显可分离有关。
它避免计算该空间中数据点的新坐标,核技巧对于支持向量机和主成分分析很重要。
2.10. 梯度下降法是什么
梯度下降是一种快速、迭代、近似、基于梯度的优化方法,旨在找到函数的局部最小值。
它从起点沿最陡下降的方向迭代移动,使用函数的负梯度计算方向和步长。
如果函数是凸函数,则梯度下降搜索全局最小值。
2.11. 什么是聚类
聚类或聚类分析是根据数据点(观测值)特征之间的相似性将数据点(观测值)分为两个或多个组(簇)的过程。
一些聚类方法包括 k 均值聚类、均值漂移聚类、层次聚类、谱聚类、亲和传播、DBSCAN 等。
2.12. 偏差-方差权衡是什么
偏差是模型预测的输出与实际输出之间的差异;
方差是不同训练集的模型预测变异性的度量。
简单的模型可能拟合不足,并且具有高偏差和低方差;
相反,复杂模型(具有许多参数)有时会出现低偏差和高方差的过度拟合。
我们想要的是偏差和方差的尽可能低的值,为了实现这一目标,我们必须找到适当复杂性的模型。
3. 最后
当然,工作面试不仅仅是询问和回答与领域相关的问题。
还应该关注一些工作面试中的一般建议,比如:
- 预先了解准备面试的公司
- 准备好介绍自己在该领域的经验、兴趣以及想要这份工作的原因
- 准备好介绍自己的优势和为什么适合该职位
- 着装和举止得体
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
😝有需要的小伙伴,可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。
这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】
😝有需要的小伙伴,可以Vx扫描下方二维码免费领取==🆓