一、数学基础:
1、微积分
1、SGD,Momentum,Adagard,Adam原理
2、L1不可导的时候该怎么办
3、sigmoid函数特性
2、统计学,概率论
1、a,b~U[0,1],互相独立,求Max(a,b)期望
2、一个活动,n个女生手里拿着长短不一的玫瑰花,无序的排成一排,一个男生从头走到尾,试图拿更长的玫瑰花,一旦拿了一朵就不能再拿其他的,错过了就不能回头,问最好的策略?
3、问题:某大公司有这么一个规定:只要有一个员工过生日,当天所有员工全部放假一天。但在其余时候,所有员工都没有假期,必须正常上班。这个公司需要雇用多少员工,才能让公司一年内所有员工的总工作时间期望值最大?
4、切比雪夫不等式
5、一根绳子,随机截成3段,可以组成一个三角形的概率有多大
6、最大似然估计和最大后验概率的区别?
7、什么是共轭先验分布
8、概率和似然的区别
9、频率学派和贝叶斯学派的区别
10、0~1均匀分布的随机器如何变化成均值为0,方差为1的随机器
11、Lasso的损失函数
12、Sfit特征提取和匹配的具体步骤
3、线性代数
1、求mk矩阵A和nk矩阵的欧几里得距离?
2、PCA中第一主成分是第一的原因?
3、欧拉公式
4、矩阵正定性的判断,Hessian矩阵正定性在梯度下降中的应用
5、概率题:抽蓝球红球,蓝结束红放回继续,平均结束游戏抽取次数
6、讲一下PCA
7、拟牛顿法的原理
8、编辑距离
二、机器学习算法
1、处理分类问题常用算法
1、交叉熵公式
2、LR公式
3 LR的推导,损失函数
4、逻辑回归怎么实现多分类
5 、SVM中什么时候用线性核什么时候用高斯核?
6、什么是支持向量机,SVM与LR的区别?
7.监督学习和无监督学习的区别
8.机器学习中的距离计算方法?
9、问题:朴素贝叶斯(naive Bayes)法的要求是?
10、问题:训练集中类别不均衡,哪个参数最不准确?
11、问题:你用的模型,最有挑战性的项目
12、问题:SVM的作用,基本实现原理;
13、问题:SVM的硬间隔,软间隔表达式;
14、问题:SVM使用对偶计算的目的是什么,如何推出来的,手写推导;
15、问题:SVM的物理意义是什么;
16、问题:如果给你一些数据集,你会如何分类(我是分情况答的,从数据的大小,特征,是否有缺失,分情况分别答的);
17、问题: 如果数据有问题,怎么处理;
18、分层抽样的适用范围
19、LR的损失函数
20、LR和线性回归的区别
21 生成模型和判别模型基本形式,有哪些?
22 核函数的种类和应用场景。
23 分类算法列一下有多少种?应用场景。
24、给你一个检测的项目,检测罐装的可口可乐,瓶装的可口可乐作为负样本,怎么弄?
25.SVM核函数的选择
26.SVM的损失函数
27.核函数的作用
28.SVM为什么使用对偶函数求解
29.ID3,C4.5和CART三种决策树的区别
30.SVM和全部数据有关还是和局部数据有关?
31为什么高斯核能够拟合无穷维度
32、第二面完整推导了svm一遍,还有强化学习问的很多,dqn的各种trick了解多少,怎么实现知不知道。
33、SVM所有核函数的了解应用,SVM的损失函数
34、LR和SVM 区别
35、朴素贝叶斯基本原理和预测过程
36、LR推导
37、交叉熵,还有个什么熵不记得了。。。
38、LR公式
39、交叉熵公式
2、处理回归问题常用算法
1、L1和L2正则化的区别
2、问题:Loss Function有哪些,怎么用?
3、问题:线性回归的表达式,损失函数;
4、线性回归的损失函数
5、机器学习:知道哪些传统机器学习模型
3、处理聚类问题常用算法
1、什么是DBSCAN
2、k-means算法流程
3、LDA的原理
4、介绍几种机器学习的算法,我就结合我的项目经理介绍了些RF, Kmeans等算法。
5、KMeans讲讲,KMeans有什么缺点,K怎么确定
6、Kmeans
7、DBSCAN原理和算法伪代码&#x