机器学习面试题

1.统计学习相关知识

模型、策略、算法、logistic、SVM、决策树、KNN及各种聚类方法

能写出核心伪代码和优化表达式、算法（梯度下降、牛顿法、随机搜索算法（基因、蚁群等））

2.hadoop、python

3.项目：ctr、搜索、广告、垃圾过滤、安全、推荐系统等

4.推荐：各类协同过滤的好与坏

5.LDA：共轭分布。

6.Top-N推荐问题

7.MapReduce模型

8.判别模型和生成模型

9.SVM的原理，SVM的核

10.K-means，如何用hadoop实现k-means

11.naive bayes和logistic regression的区别

12.LDA的原理和推导

13.广告点击率预测，用哪些数据什么算法

14.推荐系统的算法中最近邻和矩阵分解各自适用场景

15.用户流失率预测

16.数据结构算法水题+常用机器学习算法推导+模型调优细节+业务认识

17.Kmeans必须懂 ，KNN懂原理不用写， SVM、MR和Pagerank多看看

18.数据敏感性

19.代码算法：基本算法（如快排等，需要熟练掌握） + 剑指Offer（面试经常出相似的题） + LeetCode（剑指Offer的补充，增强动手能力）

20.机器学习：李航《统计学习方法》

21.没项目经验可以参加天猫大数据比赛和Kaggle比赛

22.svm em算法推导证明

23.决策树的模型很重要，GBDT，随机森林

1. 线性回归的梯度下降和牛顿法求解公式的推导

25.贝叶斯分类器的优化和特殊情况的处理

26.top n

27.系统设计：热门微博排行榜

28.分布式的矩阵向量乘的算法

29.最速下降法和共轭梯度法 wolfe条件 最速下降法和共轭梯度法的收敛速度如何判断

30.约束优化的KKT条件

31.SVM的原理，SVM里面的核

32.K-means，如何用hadoop实现k-means

33.naive bayes和logistic regression的区别

34.LDA的原理和推导

34.做广告点击率预测，用哪些数据什么算法

36.推荐系统的算法中最近邻和矩阵分解各自适用场景

37.用户流失率预测怎么做（游戏公司的数据挖掘都喜欢问这个）

38.一个游戏的设计过程中该收集什么数据

39.如何从登陆日志中挖掘尽可能多的信息

40.HMM可以做语句分析优化

41.决策树的模型很重要，GBDT，随机森林。

42.如果有背景，item和cf协同过滤的优缺点，如何从计算公式证明，各种情况的惩罚，hadoop上mr的实现，包括各种情况的惩罚。

43.线性回归的梯度下降和牛顿法求解公式的推导

44.贝叶斯分类器的优化和特殊情况的处理

45.实现一个分布式的矩阵向量乘的算法。。。

46.最速下降法和共轭梯度法 wolfe条件 最速下降法和共轭梯度法的收敛速度如何判断。。。
两种方法的概念答上来了 wolfe条件没准备到 收敛速度大概回答了一下 我印象中只记得共轭梯度的误差估计了

47.约束优化的KKT条件 KKT条件在边界区域的搜索行为的物理意义是什么。。。
KKT条件ok 物理意义没答上来

48.实现一个分布式的topN算法。。。

49.为什么可以使用logistic回归。。。

50.你了解的机器学习算法有哪些。。。

51.选一个你熟悉的算法 详细推导公式过程。。。