面试宝典

机器学习理论类：

1.  写出全概率公式&贝叶斯公式

2.  模型训练为什么要引入偏差(bias)和方差(variance)？  证

3.  CRF/朴素贝叶斯/EM/最大熵模型/马尔科夫随机场/混合高斯模型

CRF：https://www.imooc.com/article/27795

4.

 如何解决过拟合问题？

5.  One-hot的作用是什么？为什么不直接使用数字作为表示

6.  决策树和随机森林的区别是什么？

7.  朴素贝叶斯为什么“朴素naive”？

8.  kmeans初始点除了随机选取之外的方法

9.  LR明明是分类模型为什么叫回归

10. 梯度下降如何并行化

11. 梯度下降如何并行化

12. LR中的L1/L2正则项是啥

13. 简述决策树构建过程

14. 解释Gini系数

15. 决策树的优缺点

16. 出现估计概率值为 0 怎么处理

17. 随机森林的生成过程

18. 介绍一下Boosting的思想

19. gbdt的中的tree是什么tree？有什么特征

20. xgboost对比gbdt/boosting Tree有了哪些方向上的优化

21. 什么叫最优超平面

22. 什么是支持向量

23. SVM如何解决多分类问题

24. 核函数的作用是啥

 

特征工程类：

1.  怎么去除DataFrame里的缺失值？

2.  特征无量纲化的常见操作方法

3.  如何对类别变量进行独热编码？

4.  如何把“年龄”字段按照我们的阈值分段？

5.  如何根据变量相关性画出热力图？

6.  如何把分布修正为类正态分布？

7.  怎么简单使用PCA来划分数据且可视化呢？

8.  怎么简单使用LDA来划分数据且可视化呢？

 

深度学习类：

1.  你觉得batch-normalization过程是什么样的

2.  激活函数有什么用？常见的激活函数的区别是什么？

3.  Softmax的原理是什么？有什么作用？
CNN的平移不变性是什么？如何实现的？

4.  VGG，GoogleNet，ResNet等网络之间的区别是什么？

5.  残差网络为什么能解决梯度消失的问题

6.  LSTM为什么能解决梯度消失/爆炸的问题

7.  Attention对比RNN和CNN，分别有哪点你觉得的优势

8.  写出Attention的公式

9.  Attention机制，里面的q,k,v分别代表什么

10. 为什么self-attention可以替代seq2seq

 

推荐系统类：

1.  DNN与DeepFM之间的区别

2.  你在使用deepFM的时候是如何处理欠拟合和过拟合问题的

3.  deepfm的embedding初始化有什么值得注意的地方吗

4.  YoutubeNet 变长数据如何处理的

5.  YouTubeNet如何避免百万量级的softmax问题的

6.  推荐系统有哪些常见的评测指标？

7.  MLR的原理是什么？做了哪些优化？

 

计算机视觉（CV）类：

1.  常见的模型加速方法

2.  目标检测里如何有效解决常见的前景少背景多的问题

3.  目标检测里有什么情况是SSD、YOLOv3、Faster R-CNN等所不能解决的，假设网络拟合能力无限强

4.  ROIPool和ROIAlign的区别

5.  介绍常见的梯度下降优化方法

6.  Detection你觉的还有哪些可做的点

7.  mini-Batch SGD相对于GD有什么优点

8.  人体姿态估计主流的两个做法是啥？简单介绍下

9.  卷积的实现原理以及如何快速高效实现局部weight sharing的卷积操作方式

10. CycleGAN的生成效果为啥一般都是位置不变纹理变化，为啥不能产生不同位置的生成效果