算法工程师-机器学习面试题总结

介绍

machine-learning-interview一个GitHub的仓库，主要是关于算法工程师-机器学习面试题总结，整理的笔记详细，属于超纲内容，A姐不好评论，我贴个前小部分目录，有兴趣的可以去看看是否合适。

部分目录

1、基本概念

•  1-1 简述解决一个机器学习问题时，你的流程是怎样的？

•  1-2 损失函数是什么，如何定义合理的损失函数？

•  1-3 回归模型和分类模型常用损失函数有哪些？各有什么优缺点

•  1-4 什么是结构误差和经验误差？训练模型的时候如何判断已经达到最优？

•  1-5 模型的“泛化”能力是指？如何提升模型泛化能力？

•  1-6 如何选择合适的模型评估指标？AUC、精准度、召回率、F1值都是什么？如何计算？有什么优缺点？

•  1-7 什么是混淆矩阵？

•  1-8 ROC曲线如何绘制？相比P-R曲线有什么特点？

•  1-9 如何评判模型是过拟合还是欠拟合？遇到过拟合或欠拟合时，你是如何解决？

•  1-10 你是如何针对应用场景选择合适的模型？

•  1-11 如何选择模型中的超参数？有什么方法，并说说其优劣点

•  1-12 误差分析是什么？你是如何进行误差分析？

•  1-13 你是如何理解模型的偏差和方差？什么样的情况是高偏差，什么情况是高方差？

•  1-14 出现高偏差或者高方差的时候你有什么优化策略？

•  1-15 奥卡姆剃刀定律是什么？对机器学习模型优化有何启发？举例说明

•  1-16 线性模型和非线性模型的区别？哪些模型是线性模型，哪些模型是非线性模型？

•  1-17 生成式模型和判别式模型的区别？哪些模型是生成式模型，哪些模型是判别式模型？

2、经典机器学习

•  2-1-1 你是怎样理解“特征”？

•  2-1-2 给定场景和问题，你如何设计特征？（特征工程方法论）

•  2-1-3 开发特征时候做如何做数据探索，怎样选择有用的特征？

•  2-1-4 你是如何做数据清洗的？举例说明

•  2-1-5 如何发现数据中的异常值，你是如何处理？

•  2-1-6 缺失值如何处理？

•  2-1-7 对于数值类型数据，你会怎样处理？为什么要做归一化？归一化有哪些方法？离散些方法，离散化和归一化有哪些优缺点？

•  2-1-8 标准化和归一化异同？

•  2-1-9 你是如何处理CTR类特征？

•  2-1-10 讲解贝叶斯平滑原理？以及如何训练得到平滑参数

•  2-1-11 类别型数据你是如何处理的？比如游戏品类，地域，设备

•  2-1-12 序号编码、one-hot编码、二进制编码都是什么？适合怎样的类别型数据？

•  2-1-13 时间类型数据你的处理方法是什么？原因？

•  2-1-14 你怎样理解组合特征？举个例子，并说明它和单特征有啥区别

•  2-1-15 如何处理高维组合特征？比如用户ID和内容ID？

•  2-1-16 如何理解笛卡尔积、外积、内积？

•  2-1-17 文本数据你会如何处理？

•  2-1-18 文本特征表示有哪些模型？他们的优缺点都是什么？

•  2-1-19 讲解TFF原理，它有什么优点和缺点？针对它的缺点，你有什么优化思路？

•  2-1-20 N-gram算法是什么？有什么优缺点？

•  2-1-21 讲解一下word2vec工作原理？损失函数是什么？

•  2-1-22 讲解一下LDA模型原理和训练过程？

•  2-1-23 Word2vec和LDA两个模型有什么区别和联系？

•  2-1-24 Skin-gram和cbow有何异同？

•  2-1-25 图像数据如何处理？有哪些常用的图像特征提取方法

•  2-1-26 你是怎样做特征选择的？卡方检验、信息值（IV）、VOE都是如何计算？

•  2-1-27 计算特征之间的相关性方法有哪些？有什么优缺点

算法工程师-机器学习面试题总结地址

machine-learning-interview：https://github.com/zhengjingwei/machine-learning-interview