【导读】2020秋招在即，今天给大家推荐一个十分详细全面的秋招求职面试资料合集。该资源，整理了300多道算法岗位相关的面试题目并给出了详细的答案，涉及算法基础知识、推荐系统、机器学习、深度学习、自然语言处理、数学基础知识、数据预处理等相关问题，由互联网一线资深的面试官整理，非常值得深入学习，温故而知新。（文末提供下载方式）

  

【2020秋招】ML/DL/NLP/算法基础面试必看300问及答案_python

【2020秋招】ML/DL/NLP/算法基础面试必看300问及答案_python_02

资源目录如下：

基础概念

 

  • 方差和偏差

    • 解释方差

    • 解释偏差

    • 模型训练为什么要引入偏差和方差？请理论论证

    • 什么情况下引发高方差

    • 如何解决高方差问题

    • 以上方法是否一定有效

    • 如何解决高偏差问题

    • 以上方法是否一定有效

    • 遇到过的机器学习中的偏差与方差问题

    • 就理论角度论证Bagging、Boosting的方差偏差问题

    • 遇到过的深度学习中的偏差与方差问题

    • 方差、偏差与模型的复杂度之间的关系

  • 生成与判别模型

    • 什么叫生成模型

    • 什么叫判别模型

    • 什么时候会选择生成/判别模型

    • 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

    • 我的理解

  • 先验概率和后验概率

    • 写出全概率公式&贝叶斯公式

    • 说说你怎么理解为什么有全概率公式&贝叶斯公式

    • 什么是先验概率

    • 什么是后验概率

    • 经典概率题

  • 频率概率

    • 极大似然估计 - MLE

    • 最大后验估计 - MAP

    • 极大似然估计与最大后验概率的区别

    • 到底什么是似然什么是概率估计

  • AutoML

    • AutoML问题构成

    • 特征工程选择思路

    • 模型相关的选择思路

    • 常见梯度处理思路

    • AutoML参数选择所使用的方法

    • 讲讲贝叶斯优化如何在automl上应用

    • 以高斯过程为例，超参搜索的f的最优解求解acquisition function有哪些

    • 高斯过程回归手记

    • AutoSklearn详解手记

    • AutoML常规思路手记

 数学

    

  • 数据质量

    • 期望

    • 方差

    • 标准差

    • 协方差

    • 相关系数

  • 最大公约数问题

    • 辗转相除法

    • 其他方法

  • 牛顿法

    • 迭代公式推导

    • 实现它

  • 拟牛顿法

  • 概率密度分布

    • 均匀分布

    • 伯努利分布

    • 二项分布

    • 高斯分布

    • 拉普拉斯分布

    • 泊松分布

  • 平面曲线的切线和法线

    • 平面曲线的切线

    • 平面曲线的法线

  • 导数

    • 四则运算

    • 常见导数

    • 复合函数的运算法则

    • 莱布尼兹公式

  • 微分中值定理

    • 费马定理

    • 拉格朗日中值定理

    • 柯西中值定理

  • 泰勒公式

    • 泰勒公式

  • 欧拉公式

    • 欧拉公式

  • 矩阵

    • 范数

    • 特征值分解，特征向量

    • 正定性

  • 概率论

    • 条件概率

    • 独立

    • 概率基础公式

    • 全概率

    • 贝叶斯

    • 切比雪夫不等式

    • 抽球

    • 纸牌问题

    • 棍子/绳子问题

    • 贝叶斯题

    • 选择时间问题

    • 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

    • 抽红蓝球球

机器学习

     

  • 聚类

    • 请问从EM角度理解kmeans

    • 为什么kmeans一定会收敛

    • kmeans初始点除了随机选取之外的方法

  • 线性回归

    • 损失函数是啥

    • 最小二乘/梯度下降手推

    • 介绍一下岭回归

    • 什么时候使用岭回归

    • 什么时候用Lasso回归

  • 逻辑回归

    • logistic分布函数和密度函数，手绘大概的图像

    • LR推导，基础5连问

    • 梯度下降如何并行化

    • LR明明是分类模型为什么叫回归

    • 为什么LR可以用来做CTR预估

    • 满足什么样条件的数据用LR最好

    • LR为什么使用sigmoid函数作为激活函数？其他函数不行吗

    • 利用几率odds的意义在哪

    • Sigmoid函数到底起了什么作用

    • LR为什么要使用极大似然函数，交互熵作为损失函数？那为什么不选平方损失函数的呢

    • LR中若标签为+1和-1，损失函数如何推导？

    • 如果有很多的特征高度相关或者说有一个特征重复了100遍，会造成怎样的影响

    • 为什么要避免共线性

    • LR可以用核么？可以怎么用

    • LR中的L1/L2正则项是啥

    • lr加l1还是l2好

    • 正则化是依据什么理论实现模型优化

    • LR可以用来处理非线性问题么

    • 为什么LR需要归一化或者取对数

    • 为什么LR把特征离散化后效果更好？离散化的好处有哪些

    • 逻辑回归估计参数时的目标函数逻辑回归的值表示概率吗

    • LR对比万物

    • LR梯度下降方法

    • LR的优缺点

    • 除了做分类，你还会用LR做什么

    • 你有用过sklearn中的lr么？你用的是哪个包

    • 看过源码么？为什么去看

    • 谈一下sklearn.linear_model.LogisticRegression中的penalty和solver的选择

    • 谈一下sklearn.linear_model.LogisticRegression中对多分类是怎么处理的

    • 我的总结

  • 决策树

    • 常见决策树

    • 简述决策树构建过程

    • 详述信息熵计算方法及存在问题

    • 详述信息增益计算方法

    • 详述信息增益率计算方法

    • 解释Gini系数

    • ID3存在的问题

    • C4.5相对于ID3的改进点

    • CART的连续特征改进点

    • CART分类树建立算法的具体流程

    • CART回归树建立算法的具体流程

    • CART输出结果的逻辑

    • CART树算法的剪枝过程是怎么样的

    • 树形结构为何不需要归一化

    • 决策树的优缺点

  • 贝叶斯

    • 解释一下朴素贝叶斯中考虑到的条件独立假设

    • 讲一讲你眼中的贝叶斯公式和朴素贝叶斯分类差别

    • 朴素贝叶斯中出现的常见模型有哪些

    • 出现估计概率值为 0 怎么处理

    • 朴素贝叶斯的优缺点

    • 朴素贝叶斯与 LR 区别

  • 随机森林

    • 解释下随机森林

    • 随机森林用的是什么树

    • 随机森林的生成过程

    • 解释下随机森林节点的分裂策略

    • 随机森林的损失函数是什么

    • 为了防止随机森林过拟合可以怎么做

    • 随机森林特征选择的过程

    • 是否用过随机森林，有什么技巧

    • RF的参数有哪些，如何调参

    • RF的优缺点

  • 集成学习

    • 介绍一下Boosting的思想

    • 最小二乘回归树的切分过程是怎么样的

    • 有哪些直接利用了Boosting思想的树模型

    • gbdt和boostingtree的boosting分别体现在哪里

    • gbdt的中的tree是什么tree？有什么特征

    • 常用回归问题的损失函数

    • 常用分类问题的损失函数

    • 什么是gbdt中的残差的负梯度

    • 如何用损失函数的负梯度实现gbdt

    • 拟合损失函数的负梯度为什么是可行的

    • 即便拟合负梯度是可行的，为什么不直接拟合残差？拟合负梯度好在哪里

    • Shrinkage收缩的作用

    • feature属性会被重复多次使用么

    • gbdt如何进行正则化的

    • 为什么集成算法大多使用树类模型作为基学习器？或者说，为什么集成学习可以在树类模型上取得成功

    • gbdt的优缺点

    • gbdt和randomforest区别

    • GBDT和LR的差异

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

    • xgboost和gbdt的区别

    • xgboost优化目标/损失函数改变成什么样

    • xgboost如何使用MAE或MAPE作为目标函数

    • xgboost如何寻找分裂节点的候选集

    • xgboost如何处理缺失值

    • xgboost在计算速度上有了哪些点上提升

    • xgboost特征重要性是如何得到的

    • xGBoost中如何对树进行剪枝

    • xGBoost模型如果过拟合了怎么解决

    • xgboost如何调参数

    • XGboost缺点

    • LightGBM对Xgboost的优化

    • LightGBM亮点

  • FM/FFM

  • SVM

    • 简单介绍SVM

    • 什么叫最优超平面

    • 什么是支持向量

    • SVM 和全部数据有关还是和局部数据有关

    • 加大训练数据量一定能提高SVM准确率吗

    • 如何解决多分类问题

    • 可以做回归吗，怎么做

    • SVM 能解决哪些问题

    • 介绍一下你知道的不同的SVM分类器

    • 什么叫软间隔

    • SVM 软间隔与硬间隔表达式

    • SVM原问题和对偶问题的关系/解释原问题和对偶问题

    • 为什么要把原问题转换为对偶问题

    • 为什么求解对偶问题更加高效

    • alpha系数有多少个

    • KKT限制条件，KKT条件有哪些，完整描述

    • 引入拉格朗日的优化方法后的损失函数解释

    • 核函数的作用是啥

    • 核函数的种类和应用场景

    • 如何选择核函数

    • 常用核函数的定义

    • 核函数需要满足什么条件

    • 为什么在数据量大的情况下常常用lr代替核SVM

    • 高斯核可以升到多少维？为什么

    • SVM和逻辑斯特回归对同一样本A进行训练，如果某类中增加一些数据点，那么原来的决策边界分别会怎么变化

    • 各种机器学习的应用场景分别是什么？例如，k近邻,贝叶斯，决策树，svm，逻辑斯蒂回归

    • Linear SVM 和 LR 有什么异同

深度学习

    

  • dropout

  • batch_normalization

    • 你觉得bn过程是什么样的

    • 手写一下bn过程

    • 知道LN么？讲讲原理

  • bp过程

  • embedding

  • softmax

  • 梯度消失/爆炸

  • 残差网络

    • 介绍残差网络

    • 残差网络为什么能解决梯度消失的问题

    • 残差网络残差作用

    • 你平时有用过么？或者你在哪些地方遇到了

  • Attention

    • Attention对比RNN和CNN，分别有哪点你觉得的优势

    • 写出Attention的公式

    • 解释你怎么理解Attention的公式的

    • Attention模型怎么避免词袋模型的顺序问题的困境的

    • Attention机制，里面的q,k,v分别代表什么

    • 为什么self-attention可以替代seq2seq

    • 维度与点积大小的关系是怎么样的，为什么使用维度的根号来放缩