网站建设制作的标准有哪些,网站你懂我意思正能量晚上在线观看不用下载免费,如何制作网页链接二维码,wordpress好不好机器学习面试题汇总与解析——前言与大纲
故事引入专栏介绍作者介绍大纲
受众#xff1a;本教程适合于Python已经入门的学生或人士#xff0c;有一定的编程基础。
本教程适合于算法工程师、机器学习求职的学生或人士。 故事引入 蒋 豆 芽#xff1a;老李#xff0c;我们…机器学习面试题汇总与解析——前言与大纲
故事引入专栏介绍作者介绍大纲
受众本教程适合于Python已经入门的学生或人士有一定的编程基础。
本教程适合于算法工程师、机器学习求职的学生或人士。 故事引入 蒋 豆 芽老李我们之前的C与嵌入式教程https://www.nowcoder.com/tutorial/10078/index 真的写得很棒啊知识点非常全面适合非科班的同学两年以来广受好评太酷了。
隔壁老李一脸欣喜我也感觉十分的欣慰。能够在繁忙的春秋招中帮助到大家真是很开心啊。
蒋 豆 芽嘿嘿这还没够呢我趁热打铁又写作了《机器学习面试题汇总与解析》继续来帮助大家应对算法岗位的求职。
隔壁老李好啊你豆芽不错不错你研究生就是搞机器学习的写作面经也是对自己的一个总结。
蒋 豆 芽嘿嘿本专栏特点如下 本专栏适合于Python已经入门的学生或人士有一定的编程基础。 本专栏适合于算法、机器学习求职的学生或人士。 本专栏特点 本专栏囊括了深度学习、机器学习、NLP、特征工程等一系列知识点的讲解并且最后总结出了高频面试考点附有答案共 450 道知识点讲解全面事半功倍为大家春秋招助力。不仅如此教程还讲解了简历制作、笔试面试准备、面试技巧等内容。
隔壁老李嗯嗯豆芽你总结的很好
蒋 豆 芽好好好老李让我们一起开启春秋招打怪之旅吧
隔壁老李冲 故事完 本专栏适合于Python已经入门的学生或人士有一定的编程基础。本专栏适合于算法工程师、机器学习、图像处理求职的学生或人士。本专栏针对面试题答案进行了优化尽量做到好记、言简意赅。这才是一份面试题总结的正确打开方式。这样才方便背诵如专栏内容有错漏欢迎在评论区指出或私聊我更改一起学习共同进步。相信大家都有着高尚的灵魂请尊重我的知识产权未经允许严禁各类机构和个人转载、传阅本专栏的内容。 作者介绍
湖南大学985硕士研究生1%保研国家奖学金、省优秀研究生称号获得者。校招面试过数十家公司经验丰富获得过华为、京东、顺丰科技等公司 offer。个人面试经历写作为专刊文章目前为牛客网专刊作者。擅长机器学习、C后台开发、嵌入式软件开发。非科班研究生立志进入互联网领域最后通过自己的努力拿到大公司的 offer将自己的经历写入了《蒋豆芽的秋招打怪之旅》故事中和大家分享春秋招的酸甜苦辣。 大纲 1. 深度学习——激活函数
1. 说一下你了解的激活函数分别应用于什么场景⭐⭐⭐⭐⭐
2. 说说你平时都用过什么激活函数各自什么特点⭐⭐⭐⭐⭐
3. 写一下 leaky ReLU 的公式跟 ReLU 比有什么优势⭐⭐⭐⭐⭐
4. 了解 ReLU6 吗⭐⭐⭐⭐⭐
5. sigmoid 有什么缺点有哪些解决办法⭐⭐⭐⭐⭐
6. ReLU 在零点可导吗不可导如何进行反向传播⭐⭐⭐⭐⭐
7. 推导 sigmoid 求导公式⭐⭐⭐⭐⭐
8. Softmax 公式Softmax 溢出怎么处理⭐⭐⭐⭐⭐
9. Softmax 公式求导⭐⭐⭐⭐⭐
10. 激活函数的定义与作用⭐⭐⭐⭐⭐
11. 神经网络输出均值为 0 的好处哪些激活函数均值为 0⭐⭐⭐⭐
11. Sigmoid 函数的特点⭐⭐⭐⭐⭐
12. ReLU 函数的特点⭐⭐⭐⭐⭐
12. Softmax 函数的应用场景⭐⭐⭐⭐⭐
13. 为什么需要使用非线性激活函数而不是线性激活函数⭐⭐⭐⭐
14. 在训练神经网络时选择激活函数有什么考虑因素⭐⭐⭐⭐
15. 在自然语言处理NLP任务中常用的激活函数有哪些⭐⭐⭐⭐ 2. 深度学习——初始化方法
1. 说说初始化方法有哪些⭐⭐⭐⭐⭐
2. 理想的参数初始化方法是什么⭐⭐⭐⭐⭐
3. 说说你用过的初始化方法都有哪些优缺点⭐⭐⭐⭐⭐
4. 网络参数初始化为 0 可以吗⭐⭐⭐⭐⭐
5. 随机初始化参数有什么问题⭐⭐⭐⭐⭐
6. 手推梯度消失和梯度爆炸问题⭐⭐⭐⭐⭐
7. 怎么缓解梯度消失⭐⭐⭐⭐⭐
8. 梯度消失的根本原因⭐⭐⭐⭐⭐
9. 说说归一化方法⭐⭐⭐⭐⭐
10. Xavier 初始化方法和 He 初始化方法有什么区别它们适用于什么类型的激活函数⭐⭐⭐⭐⭐ 3. 深度学习——损失函数
1. 说一下你了解的损失函数各自的运用场景⭐⭐⭐⭐⭐
2. 说说你平时都用过什么损失函数各自什么特点⭐⭐⭐⭐⭐
3. 交叉熵函数与最大似然函数的联系和区别⭐⭐⭐⭐⭐
4. 在用 sigmoid 作为激活函数的时候为什么要用交叉熵损失函数而不用均方误差损失函数⭐⭐⭐⭐⭐
5. 关于交叉熵损失函数Cross-entropy和平方损失MSE的区别⭐⭐⭐⭐⭐
6. 推导交叉熵损失函数⭐⭐⭐⭐⭐
7. 为什么交叉熵损失函数有 log 项⭐⭐⭐⭐⭐
8. 说说 adaboost 损失函数⭐⭐⭐⭐
9. 说说 SVM 损失函数⭐⭐⭐⭐
10. 简单的深度神经网络DNN的损失函数是什么⭐⭐⭐⭐
11. 说说 KL 散度⭐⭐⭐⭐
12. 说说 Yolo 的损失函数⭐⭐⭐⭐⭐
13. 交叉熵的设计思想是什么⭐⭐⭐⭐⭐
14. 说说 iou 计算⭐⭐⭐⭐⭐
15. 手写 miou 计算⭐⭐⭐⭐⭐
16. 交叉熵为什么可以做损失函数⭐⭐⭐⭐⭐
17. 什么是损失函数作用是什么⭐⭐⭐⭐⭐
18. 什么时候使用绝对值损失函数而不是均方误差损失函数⭐⭐⭐⭐⭐
19. 为什么在分类任务中使用交叉熵损失函数而不是均方误差损失函数⭐⭐⭐⭐⭐
20. 损失函数的分类⭐⭐⭐⭐⭐
21. 目标检测和分割的 loss 有什么区别⭐⭐⭐⭐⭐ 4. 深度学习——优化函数
1. 说一下你了解的优化函数⭐⭐⭐⭐⭐
2. SGD 和 Adam 谁收敛的比较快谁能达到全局最优解⭐⭐⭐⭐⭐
3. 说说常见的优化器以及优化思路写出他们的优化公式⭐⭐⭐⭐⭐
4. 深度学习中的优化算法总结 Optimizer⭐⭐⭐⭐⭐
5. adam 用到二阶矩的原理是什么⭐⭐⭐⭐⭐
6. Batch size 的大小如何选择过大的 batch size 和过小的 batch size 分别有什么影响⭐⭐⭐⭐⭐
7. 梯度下降的思想⭐⭐⭐⭐⭐
8. Momentum 随机梯度下降法的基本步骤⭐⭐⭐⭐⭐
9. 什么是优化函数常见的优化器有哪些⭐⭐⭐⭐⭐
10. 批次梯度下降法和随机梯度下降法的区别⭐⭐⭐⭐⭐
11. 什么是鞍点如何跨过鞍点⭐⭐⭐⭐⭐
12. 说说优化器的发展过程⭐⭐⭐⭐⭐
13. 优化器如何选择⭐⭐⭐⭐⭐
14. 什么是梯度下降法它的优缺点是什么⭐⭐⭐⭐⭐
15. 什么是自适应学习率优化算法请举例说明。⭐⭐⭐⭐⭐
16. 什么是学习率衰减Learning Rate Decay为什么要使用学习率衰减⭐⭐⭐⭐⭐
17. 什么是梯度剪裁Gradient Clipping为什么要使用梯度剪裁⭐⭐⭐⭐⭐
18. 什么是Adam优化算法它与其他优化算法相比有什么优势⭐⭐⭐⭐⭐ 5. 深度学习——正则化
1. 解决模型训练过拟合有哪些思路⭐⭐⭐⭐⭐
2. 如何判断过拟合⭐⭐⭐⭐⭐
3. 正则化 l 1 l_1 l1lasso和 l 2 l_2 l2ridge的区别⭐⭐⭐⭐⭐
4. L1 有什么缺点⭐⭐⭐⭐⭐
5. L1 正则为什么可以达到模型特征的稀疏性⭐⭐⭐⭐⭐
6. 说说BNBatch Normolization的原理⭐⭐⭐⭐⭐
7. 知道 BN 吗公式写一下有什么作用与优势BN 的计算过程。⭐⭐⭐⭐⭐
8. BN 训练和测试有什么不同⭐⭐⭐⭐⭐
9. 介绍一下 BN 和 LN有什么差异LN 是在哪个维度上进行归一化⭐⭐⭐⭐⭐
10. 要同时使用 BN 和 dropout 该如何使用⭐⭐⭐⭐⭐
11. BN 的 gama labada 意义⭐⭐⭐⭐⭐
12. 数据增强的方法⭐⭐⭐⭐⭐
13. 两个正则化的参数分布⭐⭐⭐⭐⭐
14. 在预测的时候是使用 dropout 训练出的权重还是要乘以 keep-prib 呢为什么⭐⭐⭐⭐⭐
15. 为什么 Lasso 可以筛选变量?⭐⭐⭐⭐⭐
16. L1 正则化为什么能缓解过拟合⭐⭐⭐⭐⭐
17. BNCONV 融合公式及作用⭐⭐⭐⭐⭐
18. 什么是正则化为什么在机器学习中需要使用正则化技术⭐⭐⭐⭐⭐
19. 正则化的原理⭐⭐⭐⭐⭐
20. 正则化对模型的复杂度有什么影响如何权衡正则化的力度⭐⭐⭐⭐⭐ 6. 深度学习——卷积与池化
1. 说说有哪些卷积⭐⭐⭐⭐⭐
2. 卷积实现原理用代码实现一下⭐⭐⭐⭐⭐
3. 卷积基本计算公式⭐⭐⭐⭐⭐
4. 卷积操作后的特征图大小⭐⭐⭐⭐⭐
5. 常规卷积和深度可分离卷积的计算量⭐⭐⭐⭐⭐
6. 反卷积是怎么做的 unpooling 中 maxPooling 怎么实现⭐⭐⭐⭐⭐
7. 什么是空洞卷积⭐⭐⭐⭐⭐
8. 知道哪些卷积类型请介绍一下⭐⭐⭐⭐⭐
9. 为什么 Depthwise 卷积后还要进行 pointwise 卷积⭐⭐⭐⭐⭐
10. 卷积的底层实现/加速技巧⭐⭐⭐⭐⭐
11. 1x1卷积有什么作用⭐⭐⭐⭐⭐
12. CNN有什么特点和优势⭐⭐⭐⭐⭐
13. 说说你了解的 pooling 方法⭐⭐⭐⭐⭐
14. pooling 层的作用⭐⭐⭐⭐⭐
15. 常用的 pooling 方法有哪些那个更好⭐⭐⭐⭐⭐
16. 说一下 ROI Pooling⭐⭐⭐⭐⭐
17. 说一下 maxpooling 的反向传播怎么处理⭐⭐⭐⭐⭐
18. 语义分割上采样的方法⭐⭐⭐⭐⭐
19. 说说金字塔池化⭐⭐⭐⭐⭐
20. 卷积神经网络CNN中的卷积层有什么作用⭐⭐⭐⭐⭐
21. 卷积层中的步长stride和填充padding有什么作用⭐⭐⭐⭐⭐
22. 什么是卷积神经网络中的局部感受野local receptive field⭐⭐⭐⭐⭐
23. 卷积层中的参数共享是什么意思⭐⭐⭐⭐⭐
24. 卷积神经网络中的池化层和卷积层有何不同⭐⭐⭐⭐⭐
25. 卷积层与全连接层之间有什么区别⭐⭐⭐⭐⭐
26. 卷积核的作用是什么它如何影响特征提取⭐⭐⭐⭐⭐
27. 卷积神经网络中的多通道卷积是如何工作的⭐⭐⭐⭐⭐
28. 池化层对输入图像的尺寸有何影响池化层的操作是否具有可逆性⭐⭐⭐⭐⭐
29. 池化操作是否具有参数如果有它们是如何学习的⭐⭐⭐⭐⭐
30. RoI Pooling 有什么缺陷⭐⭐⭐⭐⭐ 7. 深度学习——技术发展
1. 说说分类网络的发展⭐⭐⭐⭐
2. 为什么要设计残差连接⭐⭐⭐⭐⭐
3. 说说语义分割网络的发展⭐⭐⭐⭐
4. deeplabV3 有什么改进具体讲一下⭐⭐⭐⭐⭐
5. vgg16 同期还有哪些网络inception 结构有什么特点⭐⭐⭐⭐⭐
6. 什么是感受野⭐⭐⭐⭐⭐
7. 讲一下 mobileNet 系列ResNet 系列⭐⭐⭐⭐⭐
8. 说说目标检测的发展⭐⭐⭐⭐⭐
9. 讲一下目标检测 one stage two stage讲一下 yoloV1⭐⭐⭐⭐⭐
10. yolo 实现损失函数⭐⭐⭐⭐⭐
11. Faster R-CNN 的具体流程⭐⭐⭐⭐⭐
12. Faster R-CNN 训练和测试的流程有什么不一样⭐⭐⭐⭐⭐
13. YOLOv3 和 Faster R-CNN 的差异⭐⭐⭐⭐⭐
14. YOLO 系列有几个版本YOLOv4 用到了哪优化方法⭐⭐⭐⭐⭐
15.除了聚类还有哪些 anchor 的设计⭐⭐⭐⭐⭐
16. anchor 的理解⭐⭐⭐⭐⭐
17. Anchor-free 的优势在哪里⭐⭐⭐⭐⭐
18. 介绍目标检测比赛中的有用的 trick 有哪些⭐⭐⭐⭐
19. 说一下非极大值抑制NMS实现细节手写 nms⭐⭐⭐⭐⭐
20. faster RCNN原理介绍要详细画出图⭐⭐⭐⭐⭐
21. RPN 网络的作用和实现细节⭐⭐⭐⭐⭐
22. RPN 的损失函数⭐⭐⭐⭐⭐
23. RPN 中的 anchor box 是怎么选取的⭐⭐⭐⭐⭐
23. 为什么提出 anchor box为什么使用不同尺寸和不同长宽比⭐⭐⭐⭐⭐
24. ROI Pooling 与 ROI Align (Mask R-CNN) 的区别⭐⭐⭐⭐⭐
25. NMS 算法中假设两个目标靠的很近则会识别成一个bbox会有什么问题怎么解决⭐⭐⭐⭐⭐
26. Faster rcnn有什么不足的地方吗如何改进⭐⭐⭐⭐⭐
27. 简要阐述一下FPN网络具体是怎么操作的 FPN 网络的结构⭐⭐⭐⭐⭐
28. 阐述一下FPN为什么能提升小目标的准确率⭐⭐⭐⭐⭐
29. 简要阐述一下 RetinaNet⭐⭐⭐⭐⭐
30. 阐述一下 Mask RCNN 网络这个网络相比于 Faster RCNN 网络有哪些改进的地方⭐⭐⭐⭐⭐
31. 分析一下 SSD,YOLO,Faster rcnn 等常用检测网络对小目标检测效果不好的原因⭐⭐⭐⭐⭐
32. 如何理解 concat 和 add 这两种常见的 feature map 特征融合方式⭐⭐⭐⭐⭐
33. 阐述一下如何检测小物体⭐⭐⭐⭐⭐
34. 阐述一下目标检测任务中的多尺度⭐⭐⭐⭐⭐
35. 介绍下 YOLO 的版本发展⭐⭐⭐⭐⭐ 8. 深度学习——NLP
1. LSTM 与 Transformer 的区别⭐⭐⭐⭐⭐
2. BERT是什么简要介绍一下BERT的结构和原理。⭐⭐⭐⭐⭐
3. cbow 与 skip-gram 的区别和优缺点⭐⭐⭐⭐⭐
4. Bert 的 MLM 预训练任务 mask 的目的是什么⭐⭐⭐⭐⭐
5. CRF 原理⭐⭐⭐⭐
6. Bert 采用哪种 Normalization 结构LayerNorm 和 BatchNorm 区别LayerNorm 结构有参数吗参数的作用⭐⭐⭐⭐⭐
7. 如何优化 BERT 效果⭐⭐⭐⭐⭐
8. BERT self-attention 相比 LSTM 优点是什么⭐⭐⭐⭐⭐
9. 说说循环神经网络⭐⭐⭐⭐⭐
10. 说说 LSTM⭐⭐⭐⭐⭐
11. LSTM 的结构⭐⭐⭐⭐⭐
12. LSTM 的三个门怎么运作的写一下三个门的公式⭐⭐⭐⭐⭐
13. LSTM 为什么可以解决长期依赖LSTM 会梯度消失吗⭐⭐⭐⭐⭐
14. LSTM 相较于 RNN 的优势⭐⭐⭐⭐⭐
15. 讲一下 LSTMLSTM相对于 RNN 有哪些改进 LSTM 为什么可以解决长期问题相对与 RNN 改进在哪
16. 讲一下 LSTM 吧门都是怎么迭代的⭐⭐⭐⭐⭐
17. RNN 为什么难以训练LSTM 又做了什么改进⭐⭐⭐⭐⭐
18. wide deep 模型 wide 部分和 deep 部分分别侧重学习什么信息⭐⭐⭐⭐⭐
19. DeepFM 一定优于 wide deep 吗⭐⭐⭐⭐⭐
20. BERT 的输入是什么它如何处理变长的文本序列⭐⭐⭐⭐⭐
21. 什么是 BERT 的词嵌入Word Embeddings它与传统的词嵌入方法有何不同⭐⭐⭐⭐⭐
22. self-attention 理解和作用为什么要除以根号 dk⭐⭐⭐⭐⭐
23. BERT 中并行计算体现在哪儿⭐⭐⭐⭐⭐
24. 翻译中 Q\K\V 对应的是什么⭐⭐⭐⭐⭐
26. 介绍 Transformer 以及讲优势⭐⭐⭐⭐⭐
27. Transformer encoder 和 decoder 的介绍⭐⭐⭐⭐⭐
28. Transformer 的 position encoding 和 BERT 的 position embedding 的区别⭐⭐⭐⭐⭐
29. BERT 模型结构⭐⭐⭐⭐⭐
30. 请解释一下词嵌入Word Embeddings是什么为什么它在NLP中很重要⭐⭐⭐⭐
31. 什么是序列到序列Sequence-to-Sequence模型有什么应用⭐⭐⭐⭐⭐
32. 什么是情感分析Sentiment Analysis请说明情感分析的应用场景和常用的方法。⭐⭐⭐⭐
33. 请解释一下主题建模Topic Modeling是什么以及常用的主题建模算法。⭐⭐⭐⭐
34. 什么是门控循环单元Gated Recurrent Unit, GRU它与 LSTM 有什么区别和类似之处⭐⭐⭐⭐⭐
35. BERT 是如何进行预训练和微调的解释一下 BERT 的预训练任务和微调任务。⭐⭐⭐⭐⭐
36. BERT 的优势和局限是什么它在哪些方面有改进空间⭐⭐⭐⭐⭐
37. 最近的 BERT 模型变体有哪些列举一些 BERT 的扩展和改进。⭐⭐⭐⭐⭐
38. 介绍一下 Word2Vec ⭐⭐⭐
39. 请解释一下 Transformer 模型的基本结构和原理。⭐⭐⭐⭐⭐
40. Transformer中的位置编码Positional Encoding有什么作用如何实现位置编码⭐⭐⭐
41. Transformer 中的编码器和解码器的作用分别是什么它们之间有什么区别⭐⭐⭐⭐
42. Transformer 模型中的多头注意力机制Multi-Head Attention是如何工作的为什么使用多头注意力⭐⭐⭐⭐
43. Transformer 模型中的损失函数是什么⭐⭐⭐⭐
44. Transformer 模型中的前馈神经网络Feed-Forward Network是什么它有什么作用⭐⭐⭐⭐
45. GPT 与 BERT 相比有何不同它们各自适用于哪些任务⭐⭐⭐⭐ 9. 深度学习——GAN
1. GAN 是用来干什么的怎么用的介绍一下⭐⭐⭐⭐⭐
2. GAN 的优缺点是什么?⭐⭐⭐⭐⭐
3. GAN 为什么不好收敛⭐⭐⭐⭐⭐
4. 为什么 GAN 中的优化器不常用 SGD⭐⭐⭐⭐⭐
5. 生成对抗网络在哪里用到的起什么作用损失函数是什么⭐⭐⭐⭐⭐
6. 训练 GAN 的一些技巧⭐⭐⭐⭐⭐
7. 说说 GAN 的训练过程⭐⭐⭐⭐⭐
8. Pix2pix 和 cycleGan 的区别⭐⭐⭐⭐⭐
9. GAN 中的模式崩溃Mode Collapse是什么它如何产生如何避免模式崩溃⭐⭐⭐⭐⭐
10. 什么是生成对抗网络的改进版 DCGAN它在原始 GAN 的基础上有什么改进⭐⭐⭐⭐⭐
11. 生成对抗网络能否用于其他任务而不仅仅是图像生成请举例说明。⭐⭐⭐⭐⭐
12. 什么是生成对抗网络的生成器的输入噪声Latent Noise为什么要引入噪声⭐⭐⭐⭐⭐
13. 生成对抗网络如何处理多模态数据例如文本到图像的生成⭐⭐⭐⭐⭐ 10. 深度学习——模型优化
1. 若 CNN 网络很庞大在手机上运行效率不高对应模型压缩方法有了解吗⭐⭐⭐⭐⭐
2. 介绍一下模型压缩常用的方法为什么用知识蒸馏⭐⭐⭐⭐⭐
3. 知道模型蒸馏吗谈下原理⭐⭐⭐⭐
4. 做过模型优化吗模型蒸馏和模型裁剪⭐⭐⭐⭐⭐
5. squeezeNet 的 Fire Module 有什么特点⭐⭐⭐⭐
6. 降低网络复杂度但不影响精度的方法⭐⭐⭐⭐⭐
7. 如果让模型速度提高一倍有什么解决方案⭐⭐⭐⭐⭐ 12. 机器学习——评价指标
1. 说说机器学习评价指标⭐⭐⭐⭐⭐
2. AUC 是什么AUC 是否对正负样本比例敏感⭐⭐⭐⭐⭐
3. 分类模型如何评价⭐⭐⭐⭐⭐
4. 准确率与精准率的区别⭐⭐⭐⭐⭐
5. AUC 的意义和两种计算方法⭐⭐⭐⭐⭐
6. 讲讲分类回归推荐搜索的评价指标⭐⭐⭐⭐⭐
7. AB test 的原理⭐⭐⭐⭐⭐
8. 解释一下混淆矩阵Confusion Matrix以及如何从中计算评价指标。⭐⭐⭐⭐
9. 说说判别式与生成式模型⭐⭐⭐⭐
10. 判别式与生成式模型对应的算法⭐⭐⭐⭐
11. 判别式与生成式模型的区别⭐⭐⭐⭐
12. 例举常用的机器学习算法⭐⭐⭐⭐ 13. 机器学习——回归
1. 逻辑回归 LR 详细推导⭐⭐⭐⭐⭐
2. 回归和分类的区别⭐⭐⭐⭐⭐
3. 逻辑回归特征是否需要归一化⭐⭐⭐⭐⭐
4. 什么样的模型需要特征归一化⭐⭐⭐⭐⭐
5. 如何提升逻辑回归 LR 的模型性能⭐⭐⭐⭐⭐
6. 逻辑回归为啥要做特征离散化⭐⭐⭐⭐⭐
7. LR 的详细过程如何优化⭐⭐⭐⭐⭐
8. LR 公式推导⭐⭐⭐⭐⭐
9. 最小二乘法在什么条件下与极大似然估计等价⭐⭐⭐⭐⭐
10. 逻辑回归为什么不用平方损失函数⭐⭐⭐⭐⭐
11. LR 可以处理非线性情况吗⭐⭐⭐⭐⭐
12. LR 的参数可以初始化 0 吗⭐⭐⭐⭐⭐
13. 说一下机器学习和神经网络之间的模型之间的区别⭐⭐⭐⭐⭐
14. 线性回归和逻辑回归的区别⭐⭐⭐⭐⭐
15. 线性回归和逻辑回归的优缺点⭐⭐⭐⭐⭐
16. 什么是多项式回归它与线性回归有何区别⭐⭐⭐⭐⭐
17. 请解释一下岭回归和 Lasso 回归。它们的作用是什么⭐⭐⭐⭐⭐
18. 什么是最小二乘法它在回归中有什么作用⭐⭐⭐⭐⭐
19. 线性回归简单代码实现⭐⭐⭐⭐⭐
20. 逻辑回归简单代码实现⭐⭐⭐⭐⭐ 14. 机器学习——kNN
1. kNN 介绍一下⭐⭐⭐⭐
2. kNN 优缺点⭐⭐⭐⭐
3. kNN 的 k 值怎么选⭐⭐⭐⭐
4. kNN 数据需要归一化吗⭐⭐⭐⭐
5. kNN 三要素说一下⭐⭐⭐⭐
6. 欧式距离与曼哈顿距离区别⭐⭐⭐⭐
7. kNN 的 k 设置的过大或过小会有什么问题⭐⭐⭐⭐
8. kNN 算法在处理高维数据时有什么问题⭐⭐⭐⭐
9. 如何处理不平衡数据集的情况下的 kNN 分类问题⭐⭐⭐⭐
10. kNN 算法如何处理缺失值⭐⭐⭐⭐
11. 如何加速 kNN 算法的计算过程⭐⭐⭐⭐
12. kNN 简单代码实现⭐⭐⭐⭐ 15. 机器学习——聚类
1. K-means 介绍一下⭐⭐⭐⭐⭐
2. K-means 优缺点⭐⭐⭐⭐⭐
3. K-means 的簇K怎么选⭐⭐⭐⭐⭐
4. K-means 如何调优⭐⭐⭐⭐⭐
5. 知道哪些聚类模型⭐⭐⭐⭐⭐
6. K-means 的过程⭐⭐⭐⭐⭐
7. K-means 聚类如何选择初始点⭐⭐⭐⭐⭐
8. K-means 聚类聚的是特征还是样本特征的距离如何计算⭐⭐⭐⭐⭐
9. 聚类算法知道哪些⭐⭐⭐⭐⭐
10. K-means 算法和 EM 算法的区别⭐⭐⭐⭐⭐
11. 写 K-means 代码⭐⭐⭐⭐⭐
12. 介绍 K-means⭐⭐⭐⭐⭐
13. K-means 算法的收敛条件是什么⭐⭐⭐⭐⭐
14. K-means 算法在处理大规模数据时有什么问题如何解决这些问题⭐⭐⭐⭐⭐
15. 如何评估 K-means 聚类的性能和聚类结果的质量⭐⭐⭐⭐⭐
16. K-means 算法的运行时间复杂度是多少⭐⭐⭐⭐⭐ 16. 机器学习——决策树
1. 决策树介绍一下⭐⭐⭐⭐⭐
2. 决策树优缺点⭐⭐⭐⭐⭐
3. 决策树的划分标准是什么⭐⭐⭐⭐⭐
4. ID3 和 C4.5 的区别⭐⭐⭐⭐⭐
5. 树模型对离散特征怎么处理的⭐⭐⭐⭐⭐
6. 树模型怎么决定一个叶子结点是否要分裂⭐⭐⭐⭐⭐
7. 决策树出现过拟合的原因及解决办法⭐⭐⭐⭐⭐
8. 如何对决策树进行剪枝⭐⭐⭐⭐⭐
9. 决策树需要进行归一化处理吗⭐⭐⭐⭐⭐
10. 决策树与逻辑回归的区别⭐⭐⭐⭐⭐
11. 说下决策树的损失函数⭐⭐⭐⭐⭐
12. 决策树是如何处理连续特征和离散特征的⭐⭐⭐⭐⭐
13. 决策树如何处理缺失值和异常值⭐⭐⭐⭐⭐
14. 决策树简单代码实现⭐⭐⭐⭐ 17. 机器学习——SVM
1. 推导 SVM⭐⭐⭐⭐⭐
2. LR 和 SVM 联系与区别⭐⭐⭐⭐⭐
3. SVM 介绍一下⭐⭐⭐⭐⭐
4. 讲一下 SVM 的原理⭐⭐⭐⭐⭐
5. 如果特征比较多用 LR 还是 SVM?⭐⭐⭐⭐⭐
6. 介绍 SVM⭐⭐⭐⭐⭐
7. SVM 是否可以用随机梯度下降⭐⭐⭐⭐⭐
8. SVM 优缺点⭐⭐⭐⭐⭐
9. 为什么要将求解 SVM 的原始问题转换为其对偶问题⭐⭐⭐⭐⭐
10. 为什么 SVM 对缺失数据敏感⭐⭐⭐⭐⭐
11. SVM 怎么防止过拟合 ?⭐⭐⭐⭐⭐
12. SVM 如何处理线性可分和线性不可分的情况⭐⭐⭐⭐⭐
13. SVM 中的核函数有什么作用常见的核函数有哪些⭐⭐⭐⭐⭐
14. 什么是支持向量它们在 SVM 中起什么作用⭐⭐⭐⭐⭐
15. SVM 的优化目标是什么如何解决该优化问题⭐⭐⭐⭐⭐
16. SVM的正则化参数C是什么它对模型有什么影响⭐⭐⭐⭐⭐
17. SVM如何处理多类分类问题⭐⭐⭐⭐⭐
18. SVM在处理高维数据时有什么问题如何应对⭐⭐⭐⭐⭐
19. SVM用于解决什么类型的问题它适用于分类问题还是回归问题⭐⭐⭐⭐⭐
20. SVM 简单代码实现⭐⭐⭐⭐ 18. 机器学习——集成学习
1. LightGBM 和 XGBoost、GBDT 的区别⭐⭐⭐⭐⭐
2. XGBoost 和 GBDT 的区别⭐⭐⭐⭐⭐
3. XGBoost 的 block 结构⭐⭐⭐⭐⭐
4. XGBoost 的优缺点⭐⭐⭐⭐⭐
5. 集成学习 Bootstrap Bagging Boosting⭐⭐⭐⭐⭐
6. RF 和 GBDT 的区别⭐⭐⭐⭐⭐
7. GBDT 是否适合于处理大规模的 ID 特征⭐⭐⭐⭐⭐
8. LightGBM 的直方图 排序后会比 XGBoost 的效果差吗为什么⭐⭐⭐⭐⭐
9. XGBoost 正则化项和什么有关⭐⭐⭐⭐⭐
10. 随机森林哪两个随机⭐⭐⭐⭐⭐
11. bootstrap 怎么做的⭐⭐⭐⭐⭐
12. 介绍 GBDT 的详细计算过程⭐⭐⭐⭐⭐
13. XGBoost 的正则项是什么⭐⭐⭐⭐⭐
14. XGBoost 缺失值处理方法⭐⭐⭐⭐⭐
15. 为什么 xgboost 要二阶展开⭐⭐⭐⭐⭐
16. 集成学习的方法有哪些⭐⭐⭐⭐⭐
17. 泰勒公式求 e 的近似值⭐⭐⭐⭐⭐
19. GBDT 的 G 梯度的向量长度为多少⭐⭐⭐⭐⭐
20. 什么是集成学习简要解释其原理和优势。⭐⭐⭐⭐⭐
21. Bagging 和 Boosting 的区别是什么⭐⭐⭐⭐⭐
22. 请解释一下随机森林Random Forest的原理。⭐⭐⭐⭐⭐
23. GBDTGradient Boosting Decision Trees是如何工作的请列出其算法步骤。⭐⭐⭐⭐⭐
24. Stacking 是什么请解释其工作原理。⭐⭐⭐⭐⭐
25. 集成学习中如何处理模型之间的差异和冲突⭐⭐⭐⭐⭐
26. 集成学习在解决什么类型的问题上表现较好⭐⭐⭐⭐⭐
27. 在集成学习中如何处理数据不平衡问题⭐⭐⭐⭐⭐ 19. 机器学习——朴素贝叶斯
1. 朴素贝叶斯介绍一下⭐⭐⭐⭐⭐
2. 朴素贝叶斯优缺点⭐⭐⭐⭐⭐
3. 贝叶斯公式⭐⭐⭐⭐⭐
4. 朴素贝叶斯中的“朴素”怎么理解⭐⭐⭐⭐⭐
5. 什么是拉普拉斯平滑法?⭐⭐⭐⭐⭐
6. 朴素贝叶斯中有没有超参数可以调⭐⭐⭐⭐⭐
7. 你知道朴素贝叶斯有哪些应用吗⭐⭐⭐⭐⭐
8. 朴素贝叶斯对异常值敏不敏感⭐⭐⭐⭐⭐
9. 频率学派与贝叶斯学派的差别⭐⭐⭐⭐
10. 概率与期望的公式⭐⭐⭐⭐
11. 先验概率与后验概率⭐⭐⭐⭐
12. 朴素贝叶斯算法中如何处理连续特征和离散特征⭐⭐⭐⭐
13. 朴素贝叶斯算法有哪些常见的变种请简要介绍其中一种变种。⭐⭐⭐⭐ 20. 机器学习——PCA 与 LDA
1. PCA 介绍一下⭐⭐⭐⭐⭐
2. 说说 PCA 的步骤⭐⭐⭐⭐⭐
3. PCA 原理⭐⭐⭐⭐⭐
4. PCA 降维之后的维度怎么确定⭐⭐⭐⭐⭐
5. 说说 PCA 的优缺点⭐⭐⭐⭐⭐
6. 推导一下 PCA⭐⭐⭐⭐⭐
7. 降维方法有哪些⭐⭐⭐⭐⭐
8. 介绍一下 LDA⭐⭐⭐⭐⭐
9. LDA 的中心思想是什么⭐⭐⭐⭐⭐
10. LDA 的优缺点⭐⭐⭐⭐⭐
11. 说说 LDA 的步骤⭐⭐⭐⭐⭐
12. 推导一下 LDA⭐⭐⭐⭐⭐
13. PCA 和 LDA 有什么区别⭐⭐⭐⭐⭐
14. 偏差与方差⭐⭐⭐⭐
15. SVD 懂么⭐⭐⭐⭐⭐
16. 方差和协方差的理解⭐⭐⭐⭐
17. 伯努利分布和二项分布的区别⭐⭐⭐⭐
18. 除了 PCA 和 LDA 之外你还了解其他的降维方法吗请简要介绍一种。⭐⭐⭐⭐ 21. 机器学习——特征工程
1. 特征工程有哪些⭐⭐⭐⭐⭐
2. 遇到缺值的情况有哪些处理方式⭐⭐⭐⭐⭐
3. 样本不均衡的处理办法⭐⭐⭐⭐⭐
4. 训练时样本不平衡问题如何解决小样本问题如何解决⭐⭐⭐⭐⭐
5. 常见的筛选特征的方法有哪些⭐⭐⭐⭐⭐
6. 数据怎么清洗缺失值怎么填充⭐⭐⭐⭐⭐
7. 出现 Nan 的原因⭐⭐⭐⭐⭐
8. 特征筛选怎么找出相似性高的特征并去掉⭐⭐⭐⭐⭐
9. 对于不同场景机器学习和深度学习你怎么选择你更习惯机器学习还是深度学习⭐⭐⭐⭐⭐
10. 包含百万、上亿特征的数据在深度学习中怎么处理⭐⭐⭐⭐⭐
11. 类别型数据你是如何处理的比如游戏品类地域设备⭐⭐⭐⭐
12. 计算特征之间的相关性方法有哪些⭐⭐⭐⭐
13. 解释一下特征缩放的作用和常用的特征缩放方法。⭐⭐⭐⭐
14. 什么是特征交互为什么特征交互对模型性能有影响⭐⭐⭐⭐ 22. 传统算法
1. 傅里叶变换公式及其推导⭐⭐⭐
2. 边缘检测算法⭐⭐⭐
3. 牛顿法的推导过程⭐⭐⭐
4. 了解哪些插值算法⭐⭐⭐
5. SIFT的整个详细流程⭐⭐⭐
6. SIFT和SURF的区别⭐⭐⭐
7. 牛顿法和拟牛顿法⭐⭐⭐
8. FFT 和 DFT 的区别⭐⭐⭐
9. 双线性差值的操作过程⭐⭐⭐
10. 椒盐噪声用什么滤波⭐⭐⭐
11. canny算子是怎么做的简述Canny算子的计算步骤⭐⭐⭐
12. SIFT特征是如何保持旋转不变性的⭐⭐⭐
13. LBP特征⭐⭐⭐
14. 图像特征提取之HOG特征⭐⭐⭐
15. 简述一下图像处理中的膨胀和腐蚀操作⭐⭐⭐
16. 简述一下分水岭算法⭐⭐⭐ 23. Python
1. python 深拷贝与浅拷贝⭐⭐⭐⭐⭐
2. python 多线程能用多个 cpu 么⭐⭐⭐⭐⭐
3. python 垃圾回收机制⭐⭐⭐⭐⭐
4. python 里的生成器是什么⭐⭐⭐⭐⭐
5. 迭代器和生成器的区别⭐⭐⭐⭐⭐
6. 装饰器⭐⭐⭐⭐⭐
7. python 有哪些数据类型⭐⭐⭐⭐⭐
8. Python 中列表 List 中的 delremove和 pop 等的用法和区别⭐⭐⭐⭐⭐
9. python yeild 和 return 的区别⭐⭐⭐⭐⭐
10. python set 底层实现⭐⭐⭐⭐⭐
11. python 字典和 set() 的区别⭐⭐⭐⭐⭐
12. 怎么对字典的值进行排序⭐⭐⭐⭐⭐
13. __init__ 和 __new__ 和 __call__ 的区别⭐⭐⭐⭐⭐
14. import 常用库⭐⭐⭐
15. python 的 lamda 函数⭐⭐⭐⭐⭐
16. Python 内存管理⭐⭐⭐⭐⭐
17. python 在内存上做了哪些优化⭐⭐⭐⭐⭐
18. Python 中类方法和静态方法的区别⭐⭐⭐⭐⭐
19. python 多线程怎么实现⭐⭐⭐⭐⭐
20. 点积和矩阵相乘的区别⭐⭐⭐⭐
21. Python 中错误和异常处理⭐⭐⭐⭐
22. Python 的传参是传值还是传址⭐⭐⭐⭐
23. 什么是猴子补丁⭐⭐⭐⭐
24. 当退出 Python 时是否释放所有内存分配⭐⭐⭐⭐
25. Python 中的 is 和 有什么区别⭐⭐⭐⭐
26. gbk 和 utf8 的区别⭐⭐⭐⭐
27. 遍历字典可以用什么方法⭐⭐⭐⭐
28. 反转列表的方法⭐⭐⭐⭐
29. python 元组中元组转为字典⭐⭐⭐⭐
30. range 在 python2 和 python3 里的区别⭐⭐⭐⭐
31. __init__.py 文件的作用以及意义⭐⭐⭐⭐
32. Python 列表去重复元素⭐⭐⭐⭐
