机器学习面试

机器学习面试

• 返回顶层目录

• 返回上层目录

• 机器学习

• 深度学习

• 代码能力

• 工程能力

机器学习

• SVM和LR的区别和联系

• LR可不可以做非线性分类

• bagging和boosting的区别

• 决策树，GBDT

• 介绍一下xgboost，xgboost和GBDT的区别

• l1正则化和l2正则化

• 如何处理类别不均衡问题

• 如何判断分类器的好坏（分类器的评价指标）

• 介绍Kmeans算法

• 特征工程的方法

深度学习

• 防止过拟合的方法，dropout的原理

• 常用的激活函数，sigmoid的缺点，relu的缺点

• 平时用什么优化方法，adam的缺点及解决方法

• 介绍平时调参的经验

• 介绍BatchNorm

• RNN的缺点，LSTM的作用，LSTM和GRU

• 除了LSTM和GRU是否了解其它循环单元

• 如何处理OOV问题

• 介绍word2vec的作用，缺点

• 常用的文本分类方法，优缺点

• 残差网络resnet介绍，解决什么问题

• CNN在图像中1*1卷积的作用

• 一维卷积的作用

• 介绍transformer，为什么比LSTM好，怎么获取顺序信息

• 介绍BERT，ELMO等

机器学习/深度学习这里，《百面机器学习》看两遍就可以了，如果有多余时间可以看一遍西瓜书或者统计学习方法。

代码能力

除了机器学习/深度学习水平之外，还要考察工程能力，以及代码编写。代码编写准备的方法比较统一，就是刷题。至少要刷完《剑指offer》的所有以及leetcode的"top interview questions"。需要注意的是写题并不是写对了就可以了，还要尽量保证代码的工整性，以及复杂度、异常处理、边界值等等。

工程能力

工程能力就是考察“机器学习工程师”岗位除了“机器学习”的相关能力了。考察的点很多，比如操作系统，线程/进程，编程语言特点等等，这块通常面试算法工程师的同学都比较薄弱，需要多准备。分享几个常考到的：

• 进程/线程的区别，python中怎么实现，谈谈GIL

• python2和python3的区别

• python中浅拷贝和深拷贝

• python的生成器是什么

参考资料

• 如何准备机器学习工程师的面试 ？

本文主要参考此知乎回答。

===

七月在线：一站式刷遍各大互联网公司人工智能笔试面试题

涵盖了所有知识点和课程。