算法工程师面试常见问题

编程语言

C++、python

基本算法

剑指offer+Leetcode基本就能解决 
剑指offer算法实现

传统机器学习

常见机器学习问题

1） 过拟合问题 
2） 交叉验证问题 
3） 模型融合问题 
4） 模型选择问题

面试常见问题

1) 几种模型（ SVM，LR，GBDT，EM ）的原理以及公式推导； 
2) RF,GBDT 的区别； GBDT,XgBoost的区别（烂大街的问题最好从底层原理去分析回答）； 
3) 决策树处理连续值的方法； 
4) 特征选择的方法； 
5) 过拟合的解决方法； 
6) K-means 的原理，优缺点以及改进； 
7) 常见分类模型（ SVM ，决策树，贝叶斯等）的优缺点，适用场景以及如何选型； 
8) SVM 为啥要引入拉格朗日的优化方法； 
9) 假设面试官什么都不懂，详细解释 CNN 的原理； 
10) 梯度下降的优缺点 
11) EM与K-means的关系； 
12) L1与L2的作用，区别以及如何解决L1求导困难； 
13) 如何用尽可能少的样本训练模型同时又保证模型的性能； 
14) ID3和C4.5的优缺点，树的融合(RF和GBDT) 
15) 特征提取方法，如何判断特征是否重要 
16) BP神经网络以及推导 
17) HMM模型状态推导 
18) 过拟合原因以及解决办法(深度学习同) 
19) 常见损失函数 
20）机器学习性能评价，准确率，召回率,ROC 
22）降采样，PCA，LDA

深度学习

常见问题

1）四种激活函数区别和作用 
2）过拟合解决方法 
3）(CNN)卷及神经网络各层作用 
4）(RNN)循环神经网络 
5）LSTM 
6）梯度弥散 
7）优化算法 adam，SGD等 
8）分析Alexnet,VGG的网络结构以及各层作用 
9）XgBoost(好像很多公司也面到了) 
10)梯度下降的优化 
12)卷积核参数计算 
13)TensorFlow中的session是什么，session和interactivesession的区别