人工智能面试总结：160个机器学习面试题，赶紧先考考自己！

数据科学职位的典型面试过程会有很多轮，其中通常会涉及理论概念，目的是确定应聘者是否了解机器学习的基础知识。在这篇文章中，我想总结一下我所有的面试经历（面试or被面试）并提出了160多个数据科学理论问题的清单。其中包括以下主题：

• 线性回归
• 模型验证
• 分类和逻辑回归
• 正则化
• 决策树
• 随机森林
• GBDT
• 神经网络
• 文本分类
• 聚类
• 排序：搜索和推荐
• 时间序列

这篇文章中的问题数量似乎远远不够，请记住，面试流程是根据公司的需求和你的工作经历而定的。因此，如果你的工作中没有用过时间序列模型或计算机视觉模型，就不会收到类似的问题。

提示：如果不知道某些面试问题的答案，不要灰心。为了简化起见，我根据难度将问题分为三类：

• 容易
• 中号
• 专家

 

let us go！

有监督的机器学习

• 什么是有监督学习？

线性回归

• 什么是回归？哪些模型可用于解决回归问题？
• 什么是线性回归？什么时候使用它？
• 什么是正态分布？为什么要重视它？
• 如何检查变量是否遵循正态分布？‍
• 如何建立价格预测模型？价格是否正态分布？需要对价格进行预处理吗？‍
• 解决线性回归的模型有哪些？‍
• 什么是梯度下降？它是如何工作的？‍
• 什么是正规方程？‍
• 什么是SGD-随机梯度下降？与通常的梯度下降有何不同？‍
• 有哪些评估回归模型的指标？
• 什么是MSE和RMSE？

验证方式

• 什么是过拟合？
• 如何验证模型？
• 为什么需要将数据分为三个部分：训练，验证和测试？
• 解释交叉验证的工作原理？
• 什么是K折交叉验证？
• 如何在K折交叉验证中选择K？你最喜欢的K是什么？