关键词:
说明:这些是自己整理回答的答案 可以借鉴 也可能存在错误 欢迎指正
机器学习
- 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、朴素贝叶斯(naive Bayes)法的要求是?
- 10、训练集中类别不均衡,哪个参数最不准确?
- 11、你用的模型,最有挑战性的项目
- 12、SVM的作用,基本实现原理;
- 13、SVM的硬间隔,软间隔表达式;
- 14、SVM使用对偶计算的目的是什么,如何推出来的,手写推导;
- 15、SVM的物理意义是什么;
- 16、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、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
- 2、处理回归问题常用算法
- 3、处理聚类问题常用算法
- 4、推荐系统的常用算法
- 5、模型融合和提升的算法
- 6、其他重要算法
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、朴素贝叶斯(naive Bayes)法的要求是?
10、训练集中类别不均衡,哪个参数最不准确?
11、你用的模型,最有挑战性的项目
12、SVM的作用,基本实现原理;
13、SVM的硬间隔,软间隔表达式;
14、SVM使用对偶计算的目的是什么,如何推出来的,手写推导;
15、SVM的物理意义是什么;
16、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、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
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、DBSCAN原理和算法伪代码,与kmeans,OPTICS区别
4、推荐系统的常用算法
1、 问推荐算法,fm,lr,embedding
2、协同过滤的itemCF,userCF区别适用场景
3、 推荐系统的大概步骤,解决冷启动。。。
4、传统的机器学习算法了解吗
5、用mapreduce实现10亿级以上数据的kmeans
6、A/B test如何进行流量分流
7、协同过滤中的算法怎么细分
8、FM公式、FFM公式
5、模型融合和提升的算法
1、bagging和boosting的区别
2、boosting和 bagging区别
3、XGBOOST和GDBT的区别
4、GDBT的原理,以及常用的调参参数
6、AdaBoost和GBDT的区别,AdaBoost和GBDT的区别
7、gbdt推导
8、boosting和bagging在不同情况下的选用
9、gbdt推导和适用场景
10、说一下gbdt的全部算法过程
11、rf和gbdt基分类器区别,里面的决策树分别长啥样,怎么剪枝
12、随机森林和 GBDT 的区别
13、xgboost的特征重要性计算
14、xgboost的正则项表达式
15、xgboost原理,怎么防过拟合
16、xgboost,rf,lr优缺点场景。。。
17、xgboost特征并行化怎么做的
18、xgboost和lightgbm的区别和适用场景
6、其他重要算法
1、HMM隐马尔可夫模型的参数估计方法是?
2、Bootstrap方法是什么?
3、如何防止过拟合?
4、EM算法推导,jensen不等式确定的下界
程序员面试宝典:百面机器学习+百面深度学习算法工程师带你去面试
作者:葫芦娃,诸葛越,江云胜出版社:人民邮电出版社品牌:异步图书出版时间:2020-08-01程序员面试宝典:百面机器学习+百面深度学习算法工程师带你去面试 查看详情
阿里面试经验总结整理2——机器学习算法工程师
1.阿里一面我是XXX的硕士,机器学习专业,我研究方向偏向于深度学习;然后我本科是XXX的物联网工程专业,本科做过两个项目:1)基于大数据的股票市场分析2)基于用户操作的推荐系统;研究生阶段目前印象最深是做了两个... 查看详情
算法工程师(机器学习)面试题目2---数学基础(代码片段)
说明:这些是自己整理回答的答案可以借鉴也可能存在错误欢迎指正数学基础数学基础1.微积分1.1SGD,Momentum,Adagard,Adam原理SGD(StochasticGradientDecent)随机梯度下降Momentum(动量)AdaGard(AdaptiveGradientAlgorithmÿ... 查看详情
深度学习/机器视觉/数字ic/fpga/算法手撕代码目录总汇
目录FPGA/数字IC手撕代码总汇常用算法手撕代码总汇FPGA工程师经典面试题数字IC经典面试题深度学习/人工智能/机器学习面试题数字图像/计算机视觉面试题FPGA/数字IC手撕代码总汇FPGA/数字IC手撕代码1——数据上下边沿检测更新中... 查看详情
机器学习/人工智能的笔试面试题目——svm算法相关问题总结
目录1.简单讲解SVM模型原理?2.SVM为什么会对缺失值敏感?实际应用时候你是如何处理? 查看详情
《百面机器学习算法工程师带你去面试》pdf版+epub版
...https://pan.baidu.com/s/1DgV5JxWZgyQBKd7wkMXmWw《百面机器学习算法工程师带你去面试》高清PDF版,392页,带书签目录,文字可以复制;《百面机器学习算法工程师带你去面试》高清epub版,101页,带书签目录,文字可以复制。本书作为AI类... 查看详情
阿里面试——机器学习/算法面试经验案例集合
目录面试案例1一面二面三面面试案例2一面 二面面试案例3 查看详情
美团面试——机器学习/数据挖掘算法工程师
目录一面二面 三面hr面一面一面内容:自我介绍讲一下论文和项目讨论实习的东西怎么样提的特征做了哪些特征工程讲一下决策树随机森林随机森林的分裂节点的策略(两个随机);bagging和boosting的联系和区别;boosting中的adaboo... 查看详情
机器学习与算法面试太难?
机器学习与算法面试太难? 来源:https://mp.weixin.qq.com/s/GrkCvU2Ia_mEaQmiffLotQ作者:石晓文 八月参加了一些提前批的面试,包括阿里、百度、头条、贝壳、一点资讯等。整理了一些面试题,分享给大家。 一、机器学习基... 查看详情
常用机器学习面试基础概念题汇总
目录1、处理分类问题常用算法2、处理回归问题常用算法3、处理聚类问题常用算法 查看详情
腾讯面试——机器学习/算法面试案例集
目录案例1——电话面试电话一面电话二面案例2——线下面试一面二面 查看详情
机器学习算法岗面试常见问题
...数据穿越,统计特征用到了未来的信息或者标签信息 算法:算法过于复杂 解决: 1、将数据规范化,处理缺失值,增加数据量,采样,添加噪声数据 2、正则化,控制模型复杂程度, 3、earlystoping,减少迭代次... 查看详情
常见面试之机器学习算法思想简单梳理
机器学习之路--常用面试题目
该内容大部分来自<<百面机器学习算法工程师>>1.特征工程1.1为什么需要对数值类型进行归一化?使各个指标处于同一数值量级,消除数据之间的量纲影响。比如分析一个人的身高和体重对健康的影响。1.2补充知识点结构... 查看详情
机器学习&数据挖掘笔记_16(常见面试之机器学习算法思想简单梳理)
...93.html机器学习&数据挖掘笔记_16(常见面试之机器学习算法思想简单梳理) 前言: 找工作时(IT行业),除了常见的软件开发以外,机器学习岗位也可以当作是一个选择,不少计算机方向的研究生都会接触这个,... 查看详情
求职字节跳动2019校招机器学习算法工程师面试
面试问题总结。 问题:1.自我介绍。2.介绍了一下自己简历上的项目。3.SVM详细原理。4.Kmeans原理,何时停止迭代。算法题:1.一个随机整数产生器产生[1,5],如何设计一个产生[1,7]的随机整数产生器。解法:设k1,k2属于[1,5]... 查看详情
机器学习-4.开发流程算法基本认知
1.机器学习开发流程我们作为机器学习的开发工程师首先要明确自己学习的定位,也就是确定学习边界。大部分复杂模型的算法设计都是由算法工程师去做的,我们只需要:分析很多的数据;分析具体的业务;... 查看详情
分享《机器学习与应用》pdf+雷明+资料学习
...章为第二部分,是主体部分,介绍各种常用的有监督学习算法、无监督学习算法、半监督学习算法和强化学习算法。对于每种算法,从原理与推导、工程实现和实际应用3个方面进行介绍,对于大多数算法都配有实验程序。第21章... 查看详情