常见AI面试题及答案

考察数据科学家深度学习水平的30道题

特征工程

离散、连续特征一般怎么处理（onehot、归一化、why、方法 等）；

特征变换、构造/衍生新特征（woe、iv、统计量 等）；

特征筛选（离散、连续、多重共线性 等）；

采样（除了随机呢？）；

缺失值处理（离散、连续）...

机器学习

常用loss、正则、sgd、l-bfgs、auc公式及优缺点、数据不平衡时的调参...

booting：gbdt的loss、分裂节点依据、防过拟合；

xgb的loss选择、泰勒展开、正则（gbdt能加么）、并行、vs lightGBM；

lambdaMart的loss--如何直接优化metric（如NDCG）--学习/train过程；

svm的优化目标、软间隔、调参；

lr；rf；

深度学习

dnn为什么要“deep”、deep后带来的信息传递/梯度传递问题及其优化策略（可以从网络结构、activation、normalization等方面阐述）；

卷积层学习过程（前后向）及参数数量估计；

polling作用、优缺点、why用的越来越少；

rnn长依赖问题、梯度问题；

lstm的input output forget gate作用于哪、gru的update gate呢？

常用loss（分类、回归）、activation、optimizer（从一阶矩估计到二阶）、加了BN后做predict均值方差从哪来、常用的attention举例

强化学习

什么问题适合RL/MLE的缺陷、trail-and-error search、policy-based vs value-based、on-policy vs off-policy等

q learning中q值得更新（其实很好记：当前q值 += 学习率*（环境reward+ 新状态下最大的q值*衰减值）、为什么要乘衰减值）；

DQN使用network代替q_table的初衷、两个network（结构一致、参数交替更新）、存储记忆 off-policy；

policy gradients如何学习/拟合目标（ -log(prob)*vt 像不像交叉熵...）、按概率选action vs epsilon-greedy；

Actor-Critic中的actor与critic、优缺点、收敛问题、DDPG、

以上这些都是考察基本功的、基本都是书上的知识点

NLP

词法/序列标注相关：hmm、crf、lstm、lstm+crf（细节：对于转移特征、转移概率 hmm crf lstm+crf分别是怎么学的？）

句法：有了依存关系 如何确定主谓宾、举几个例子

word2vector：层次softmax、负采样、 vs GloVe

topic相关：lsa（可以引到svd、基于mse的fm）；lda why引入共轭先验分布、调参（针对两个先验）；

+DL：cnn filter的设计、seq2seq+attention的padding问题（对padding的字符如何做attention、如何忽略、用tensorflow/pytorch大致写一下）、tree lstm...

任务相关：beam search做生成、dialog中对回复做lable smooth 提高回复多样性...