收集的机器学习面试问题

一. 关于机器学习与深度学习的基础知识
1. LR, SVM, GBDT, RF等模型
2. 各种损失函数
3. 过拟合与欠拟合， 怎么办
4. 正则化，怎么做，意义
5. NN与BP
6. 梯度下降算法及其变种
7. 各种激活函数
8. 不平衡类问题
9. 模型融合方法及其特点
10. 分类问题中用均方损失的缺陷
11. 深度学习模型为什么要深
12. CNN中为什么做卷积，卷积怎么做，为什么做池化， 池化怎么做
13. 说几个常见的CNN架构
14. 计算图构建，前向计算损失，反向计算梯度
15. RNN和LSTM的结构，LSTM的前向计算，梯度消失问题
16. CNN和RNN中的参数共享
17. GAN中要学习的两组参数是什么
18. 关于tensorflow，常量与变量，数据读取，计算图...
19. 关于caffe，caffe源码的几个基本组成部分...
20. 关于mxnet， ndarray, autograd....
21. 特征工程： 特征预处理，特征选择，特征降维
22. 霍夫变换检测直线怎么做
23. 词袋模型， tf_idf计算， 词向量与词嵌入
24. K-mean中K的选择，其他聚类算法
25. 生成模型与判别模型
26. 准确率，召回率，F1分数， 混淆矩阵, TPR, FPR, ROC， AUC
28. 关于抽样的一些问题
29. 卷积的物理意义
30. 概率图模型相关

二. 关于CPP
1. CPP和C的关系
2. CPP中面向对象的几个特性
3. CPP中的内存模型
4. CPP的多态机制
5. CPP的模板机制
6. STL的六大组件
7. STL中vector list set map及其特性
8. STL中的仿函数与函数指针的关系
9. STL中的算法，举例说明
10. STL中迭代器的类型

三. 关于python
1. python中的set 和dict
2. python中的类成员属性声明
3. python中如何遍历一个文件夹中所有的文件
4. python中的filter, map, reduce
5. python中的多线程
6. python中的装饰器
7. python中的迭代器
8. python模块numpy和pandas的一些东西

四. 关于GPU和cuda
1. GPU和CPU的体系结构差异
2. GPU的线程模型
3. GPU的内存模型
4. GPU中共享内存的动态分配
5. GPU和CPU协同编程时通信机制， 数据传递，串行并行机制
6. GPU中如何优化矩阵乘法
7. cuda中如何计算代码的执行时间
8. cuda中的cudamemorycopy
9. cuda中的kernel函数
10. cuda中cudamalloca

五. 关于编程题目
1. 背包问题的一个变形
2. 一棵树中两个节点的最近公共祖先
3. 判断一个数能否表示成一个素数的幂
4. 非递归后序遍历二叉树
5. 关于链表的几个问题，忘了
6. 关于字符串的几个问题， 忘了
7. 关于动态规划的几个问题， 忘了