（零）重要问题

1. lightgbm, xgboost RF和GBDT的异同

（对于ID3,C4.5,CART也要了解，对于xgb的算法原理要充分理解，比如损失函数的推导过程，为什么要使用二阶泰勒展开。最好有一些调参经验）

2. svm损失函数推导

3. 朴素贝叶斯公式推导与实现

4. 处理不平衡常用方法

   • 处理不平衡数据的基本方法
   • 机器学习如何处理不平衡数据

5. 卷积层相比FC层有哪些优势？

   • fc全连接层的作用

6. 非线性分类算法有哪些

   • 机器学习分类算法
   • 非线性分类算法

7. 如何判断一个算法是线性的还是非线性的？

8. stacking/boosting/bagging的区别

9. 手动实现堆排序

10. 求AUC

11. L1和L2的区别

12. 实现快排

13. LR的实现，优点，如何并行，特征有共线性会怎么样？

14. pca和lda

    • 对比1
    • 对比2

15. 常见激活函数的优缺点

16. 从方差和偏差的角度比较bagging和boosting

17. 经验风险、期望风险、结构风险

18. SVM与LR的区别

19. 手写kmeans

20. 实际场景下做softmax容易出现一些问题，怎么解决

21. 进程和线程的区别

22. Python/C++多线程,多进程如何使用

23. Python迭代器，装饰器

24. Bootstrap抽样

25. 特征选择方法

26. 野指针是什么意思

27. 64匹马，八个赛道，找出最快的四匹，最坏情况下最少要比多少次（更常见的是25匹马，5个赛道找出最快的3匹）。

28. 12个小球，其中有一个与其他的重量不一样，给你一个天平，最坏情况下最少称多少次可以找出重量不同的小球。

29. 1000杯水中有一瓶是毒药，小老鼠喝一滴一小时就会死，给你10只小老鼠，在一小时内找出这瓶水 。

30. P-R曲线和ROC曲线的区别

31. 什么是凸问题？

32. 常见的凸优化方法？

33. CNN/RNN/LSTM的原理

34. 从方差，偏差，噪声的角度解释泛化误差

35. 特征工程相关。比如如何处理类别特征？onehot，tfidf会出现什么问题之类。

36. 词嵌入embedding相关知识

37. 梯度爆炸/梯度消失

38. 池化层，卷积层的作用

39. dropout（训练和测试阶段分别如何处理）

40. MLE,MAP和贝叶斯估计的区别

    • 参考1
    • 参考2

41. DNN反向传播的推导

42. LR为什么用交叉熵而不是MSE？

43. 为什么LR权重可以全部初始化为0，NN不行

44. 常见的几个聚类算法

45. 判别式模型和生成式模型