机器学习算法岗常见笔试面试题整理

版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/kwame211/article/details/81670150

 

  • 数据库中的主键、索引和外键(数据分析岗经常问)
  • 决策树ID3和C4.5的差别?各自优点?
  • Boost算法
  • CART(回归树用平方误差最小化准则,分类树用基尼指数最小化准则)
  • GBDT与随机森林算法的原理以及区别。
  • 优化算法中常遇到的KKT条件?作用是?
  • 最近邻算法KNN(分类与回归)
  • L1和L2函数?L1和L2正则项的比较,如何解决 L1 求导困难?
  • L1正则为何可把系数压缩成0,说明坐标下降法的具体实现细节
  • LR为什么用sigmoid函数。这个函数有什么优点和缺点?为什么不用其他函数?
  • LR和SVM的区别?libsvm和liblinear的区别?
  • Logistics与随机森林比较
  • Logistics(理论推导);Logistic回归的推导,如何得到objective function?
  • SVM与随机森林的差别?
  • SVM为何要引入拉格朗日的优化方法?
  • SVM原问题和对偶问题关系?
  • SVM在哪个地方引入的核函数, 如果用高斯核可以升到多少维。
  • SVM如何防止过拟合?
  • SVM的目标函数?常用的核函数有哪些?
  • SVM的过程,理论推导
  • bagging、adaboost、boosting区别在哪
  • EM 与 k-means 的关系?
  • k-means算法中的k如何选取?
  • k-means算法初始点怎么选择?
  • k-means的原理,优缺点以及改进。
  • k折交叉验证中k取值多少有什么关系?
  • L2惩罚项是怎么减小Overfitting的?L1,L2等范数的通式是?差别是?在什么场景下用什么范数?L1在0处不可导,怎么处理?
  • 随机森林和GBDT差别?
  • RF, GBDT, xgboost的区别?
  • 为什么要做数据归一化?
  • 梯度下降法的原理以及各个变种(批量梯度下降,随机梯度下降法,mini 梯度下降法),以及这几个方法会不会有局部最优问题。
  • 牛顿法原理和适用场景,有什么缺点,如何改进(拟牛顿法)
  • 什么情况下一定会发生过拟合?
  • 贝叶斯估计?
  • 介绍LR、RF、GBDT ,分析它们的优缺点
  • 会哪些机器学习算法?信息熵公式?
  • 决策树原理;决策树处理连续值的方法;决策树如何防止过拟合;决策树过拟合哪些方法,前后剪枝。
  • 分类模型可做回归分析吗?反过来可以吗?
  • 分类模型和回归模型的区别?
  • 判别模型和生成模型?差别
  • 各个模型的Loss function,牛顿学习法、SGD如何训练。
  • 在模型的训练迭代中,怎么评估效果?
  • 如何防止过拟合(增加数据,减少模型复杂度->正则化)
  • 对于同分布的弱分类器,求分类器均值化之后的分布的均值跟方差。
  • 对于机器学习你都学了哪些?讲一个印象深的。
  • 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
  • 数据归一化的方式
  • 手写k-means的伪代码。
  • 手写svm硬软间隔对偶的推导
  • 手写逻辑回归(损失函数及更新方式推导)
  • BP算法原理
  • 改变随机森林的训练样本数据量,是否会影响到随机森林学习到的模型的复杂度?
  • 数据挖掘各种算法,以及各种场景下的解决方案
  • 是否了解mutual infomation、chi-square、LR前后向、树模型等特征选择方式。
  • 是否了解线性加权、bagging、boosting、cascade等模型融合方式
  • 有哪些常见的分类器,简单介绍下原理
  • 机器学习与深度学习的区别
  • 线性回归与逻辑回归区别?
  • 机器学习:几种树模型的原理和对比,朴素贝叶斯分类器原理以及公式,出现估计概率值为 0 怎么处理(拉普拉斯平滑),缺点; 
  • DBSCAN聚类算法原理
  • 主成分分析法原理、MapReduce原理、Spark等(数据岗题)
  • 梯度下降、牛顿、拟牛顿算法的原理
  • 梯度下降的优缺点。
  • 深度学习有很大部分是CNN,给他用通俗的语言解释下卷积的概念,解释下CNN中的优势及原因
  • 牛顿法、随机梯度下降算法和直接梯度下降算法的区别?
  • 牛顿法推导
  • 特征选择方法有哪些
  • 由数据引申到数据不平衡怎么处理(10W正例,1W负例,牛客上有原题)
  • 聊聊SVM,这段说了好久,从基本的线性可分到不可分,相关升维,各种核函数,每个是如何实现升。以及出现了XX问题,分析是样本的原因还是其他原因。针对不同情况,采取什么解决方案较好。
  • 自己实现过什么机器学习算法
  • 解决过拟合的方法有哪些?
  • 解释一下过拟合和欠拟合,有哪些方法防止过拟合。
  • 如何构造决策树、计算信息熵和信息增益、说明C4.5 、ID3、 CART的区别及优缺点
  • 详细讨论了样本采样和bagging的问题
  • 说一下Adaboost,权值更新公式。当弱分类器是LR时,每个样本的的权重是w1,w2...,写出最终的决策公式。
  • 说了一下bagging跟boosting。
  • 说明L1和L2正则的效果与为什么形成这种情况(L1正则稀疏,L2正则平滑,之后说明就是画图说明正则化)
  • 选个你熟悉的机器学习方法 ,着重介绍一下产生原因,推导公式,背后统计意义什么等等
  • 逻辑回归估计参数时的目标函数
  • 逻辑回归的值表示概率吗?
  • 数据挖掘的基础知识,包括SVM,逻辑回归、EM、K-means等,然后给出很多场景问你遇到这些情况你如何处理数据,怎么进行建模等
  • 随机梯度下降,标准梯度
  • 随机森林和GBDT的区别?LR的参数怎么求解?有没有最优解?
阅读更多
换一批

没有更多推荐了,返回首页