python算法工程师面试题_算法工程师面试常见问题

八九月份就要开始找工作了，一直期待能够成为一名算法工程师，所以在这里总结一下算法工程师常见问题。期待9月秋招时能有一个好的结果。本篇博客会一直更新下去。

C++、python

剑指offer+Leetcode基本就能解决

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

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

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

---------------------本文来自 gzj_1101 的CSDN 博客 ，全文地址请点击：https://blog.csdn.net/gzj_1101/article/details/79514902?utm_source=copy