AI学的好，轻松拿高薪--人工智能大厂面试题

导读：现在有很多的程序员都想转行做人工智能工资高这方面的，特别是许多的研究生们也是有想走人工智能这条路，的确，对于他们来说，想要更高的薪酬，走这条路就是一个不错的选择！

---

进大厂是不是都是大家的梦想，这里整理了一些面试题目

感兴趣的可以了解一下，如若整理不当，大家可以踊跃留言还有哪些面试问题的呀！

以下15个机器学习工程师面试题你是否能全部回答呢？

1、你会在时间序列数据集上使用什么交叉验证技术？是用k倍或LOOCV？

2、你是怎么理解偏差方差的平衡的？

3、给你一个有1000列和1百万列的训练数据集，这个数据集是基于分类问题的。经理要求你来降低该数据集的维度以减少模型计算时间，但你的机器内存有限。你会怎么做？（你可以自由做各种实际操作假设。）

4、全球平均温度的上升导致世界各地的海盗数量减少，这是否意味着海盗的数量减少引起气候变化？

5、给你一个数据集，这个数据集有缺失值，且这些缺失值分布再离中值有1个标准偏差的范围内，百分之多少的数据不会受到影响？为什么？

6、你意识到你的模型受到低偏差和高方差的困扰。那么，应该使用哪种算法来解决问题呢？为什么？

7、协方差和相关性有什么区别？

8、真阳性率和召回有什么关系？写出方程式。

9、Gradient boosting算法（GBM）和随机森林都是基于树的算法，它们有什么区别？

10、你认为把分类变量当成连续型变量会得到一个更好的预测模型吗？

11、“买了这个的客户，也买了…”亚马逊的建议是哪种算法的结果？

12、在k-means或kNN，我们是用欧式距离来计算最近的邻居之间的距离。为什么不用曼哈顿距离？

13、我知道校正R2或者F值是用来评估线性回归模型的，那用什么来评估逻辑回归模型？

14、为什么朴素贝叶斯如此“朴素”？

15、花了几个小时后，现在你急于建一个高精度的模型，结果，你建了5个GBM（Gradient Boosted Models），想着Boosting算法会展现“魔力”。不幸的是，没有一个模型比基准模型表现的更好。最后，你决定将这些模型结合到一起。尽管众所周知，结合模型通常精度高，但你就很不幸运。你到底错在哪里？ 

---

 有问题+没学习资料+没学习规划？加助理小姐姐微信通通解决，可以免费领取人工智能学习必读的电子书，深度学习+神经网络+CV计算机视觉200G学习资料一份，对人工智能迷茫需要学习路线规划的可以免费做个人的1v1规划哦！