一线算法工程师经典面试题

一、机器学习基础题

1、LSTM的公式

2、RNN为什么出现梯度消失及BPTT的推导

3、DQN的基本原理么

4、GBDT和随机森林有什么区别

5、GBDT的原理，如何做分类和回归

6、随机森林的随机体现在哪方面

7、Wide &Deep的原理

8、GBDT+LR是怎么做的?

9、DQN模型为什么要做经验回放

10、数据之间如果不是独立同分布的会怎样

11、AUC的原理介绍一下

12、XGBOOst和GBDT的区别。

13、强化学习和监督学习的区别

14、神经网络里面的损失函数有哪些

15、机器学习中常见的激活函数有哪些？为什么通常需要零均值？

16、DeepFM介绍

17、FM推导

18、boosting和bagging的区别？

19、bagging为什么能减小方差？

20、交叉熵损失函数，0-1分类的交叉熵损失函数的形式。什么是凸函数？0-1分类如果用平方损失为什么用交叉熵而不是平方损失？

21、L1和L2有什么区别，从数学角度解释L2为什么能提升模型的泛化能力。

22、深度学习中，L2和dropout有哪些区别？

23、L1正则化有哪些好处

24、如果有一万个地理坐标，转