机器学习面试题集结号

机器器学习⾯面试题集结号

⼀一般技术⾯面有以下⼀一些环节：⾃自我介绍，项⽬目介绍，算法提问（推公式），数据结构提问（写代码）；⾃自我介绍：⼀一般尽量量简短，主要讲清楚⾃自⼰己的研究⽅方向，所取得成就以及优势所在即可；项⽬目介绍：简历上的项⽬目⼀一定要熟悉，介绍时候分三部曲：项⽬目背景，项⽬目⽅方案，项⽬目成果；对项⽬目中涉及到的⼀一些技术点⼀一定要很熟悉；算法提问：⼀一般是问常⻅见机器器学习模型原理理或者⼀一些机器器学习常⻅见问题的解决⽅方案（⽐比如正负样本不不平衡之类的），所以常⻅见的机器器学习模型⼀一定要很清楚原理理，必须会推公式，能知道⼯工程实现的⼀一些trick的话，那你就离sp不不远了了；

统计学习的核⼼心步骤：模型、策略略、算法，你应当对logistic、SVM、决策树、KNN及各种聚类⽅方法有深刻的理理解。能够随⼿手写出这些算法的核⼼心递归步的伪代码以及他们优化的函数表达式和对偶问题形式。

代码算法：基本算法（如快排等，需要熟练掌握） + 剑指Offer（⾯面试经常出相似的题） + LeetCode（剑指Offer的补充，增强动⼿手能⼒力力）2. 机器器学习：李李航《统计学习⽅方法》（读3遍都不不为过啊！） + Coursera Stanford《Machine Learning》（讲得很基础，但是没有告诉你所以然） + Coursera 台湾⼤大学《机器器学习⾼高级技法》（⾥里里⾯面详解了了SVM，Ensemble等模型的推导，优劣）3. 请详细地回忆⾃自⼰己做过的项⽬目，项⽬目⽤用了了什什么算法，为什什么⽤用它，有什什么优缺点等。如果没项⽬目经验可以参加天猫⼤大数据⽐比赛和Kaggle⽐比赛。4. 教你如何迅速秒杀掉：99%的海海量量数据处理理⾯面试题。（基本每次都有⼀一道海海量量数据处理理的⾯面试题）

数据结构算法⽔水题+常⽤用机器器学习算法推导+模型调优细节+业务认识

在⾯面试过程中，除了了基础的东⻄西要掌握，可以适当地向⾯面试官展示你的⼀一些其他的亮点，⽐比如跟⾯面试官谈论某些最近 paper 的进展以及⼀一些技术⽅方⾯面的想法等，突出⾃自⼰己的与众不不同；

掌握常⻅见的机器器学习模型（线性回归，逻辑回归， SVM ，感知机；决策树，随机森林林， GBDT ， XGBoost ；⻉贝叶斯， KNN ， K-means ， EM 等）；掌握常⻅见的机器器学习理理论（过拟合问题，交叉验证问题，模型选择问题，模型融合问题等）；掌握常⻅见的深度学习模型（ CNN ，RNN 等）；这⾥里里的掌握指的是能够熟悉推导公式并能知道模型的适⽤用场景；推荐书籍：《统计学习⽅方法》《机器器学习》《机器器学习实战》《 UFLDL 》⾃自然语⾔言处理理：掌握常⻅见的⽅方法（ tf-idf ， word2vec ， LDA ）；了了解推荐以及计算⼴广告相关知识；推荐书籍：《推荐系统实践》《计算⼴广告》通过参加数据挖掘竞赛熟悉相关业务场景，常⻅见的⽐比赛有 Kaggle ，阿⾥里里天池，datacastle 等；

⽐比如LR,FFM,SVM,RF,KNN，EM，Adaboost,PageRank，GBDT，Xgboost，HMM，DNN，推荐算法，聚类算法，图像，⾃自然语⾔言，等等机器器学习领域的算法，这些基本都会被问到

哪些优化⽅方法，随机梯度下降，⽜牛顿拟⽜牛顿原理理

常⻅见分类模型（ svm ，决策树，⻉贝叶斯等）的优缺点，适⽤用场景以及如何选型；