专用主机方式建设网站,centos建立wordpress,广州哪个区封了,小程序搭建挣钱2020年校招已经开始了#xff0c;在疫情全球肆虐的背景下#xff0c;全球就业情况异常艰难#xff0c;加上美国对中国企业打压持续升级#xff0c;对于马上开始秋招找工作的毕业生而言#xff0c;更是难上加难。我们不能凭一己之力改变现状#xff0c;但我们可以凭借自己… 2020年校招已经开始了在疫情全球肆虐的背景下全球就业情况异常艰难加上美国对中国企业打压持续升级对于马上开始秋招找工作的毕业生而言更是难上加难。我们不能凭一己之力改变现状但我们可以凭借自己的努力改变自己想要找到心仪的工作唯有提升自己的硬件实力。 互联网面试通常都是有套路的特别是算法面试环节对于算法相关基础的的考察。因此推荐本资源整理了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。 资源整理自网络感谢作者细致整理和无私分享源地址https://github.com/sladesha/Reflection_Summary 300问题及最新答案下载地址 微信公众号“深度学习与NLP”回复关键字“sfie20”获取下载地址。 基础概念 方差和偏差 o解释方差 o解释偏差 o模型训练为什么要引入偏差和方差请理论论证 o什么情况下引发高方差 o如何解决高方差问题 o以上方法是否一定有效 o如何解决高偏差问题 o以上方法是否一定有效 o遇到过的机器学习中的偏差与方差问题 o就理论角度论证Bagging、Boosting的方差偏差问题 o遇到过的深度学习中的偏差与方差问题 o方差、偏差与模型的复杂度之间的关系 生成与判别模型 o什么叫生成模型 o什么叫判别模型 o什么时候会选择生成/判别模型 oCRF/朴素贝叶斯/EM/最大熵模型/马尔科夫随机场/混合高斯模型 o我的理解 先验概率和后验概率 o写出全概率公式贝叶斯公式 o说说你怎么理解为什么有全概率公式贝叶斯公式 o什么是先验概率 o什么是后验概率 o经典概率题 频率概率 o极大似然估计 - MLE o最大后验估计 - MAP o极大似然估计与最大后验概率的区别 o到底什么是似然什么是概率估计 AutoML oAutoML问题构成 o特征工程选择思路 o模型相关的选择思路 o常见梯度处理思路 oAutoML参数选择所使用的方法 o讲讲贝叶斯优化如何在automl上应用 o以高斯过程为例超参搜索的f的最优解求解acquisition function有哪些 o高斯过程回归手记 oAutoSklearn详解手记 oAutoML常规思路手记 数学 数据质量 o期望 o方差 o标准差 o协方差 o相关系数 最大公约数问题 o辗转相除法 o其他方法 牛顿法 o迭代公式推导 o实现它 概率密度分布 o均匀分布 o伯努利分布 o二项分布 o高斯分布 o拉普拉斯分布 o泊松分布 平面曲线的切线和法线 o平面曲线的切线 o平面曲线的法线 导数 o四则运算 o常见导数 o复合函数的运算法则 o莱布尼兹公式 微分中值定理 o费马定理 o拉格朗日中值定理 o柯西中值定理 泰勒公式 o泰勒公式 欧拉公式 o欧拉公式 矩阵 o范数 o特征值分解特征向量 o正定性 概率论 o条件概率 o独立 o概率基础公式 o全概率 o贝叶斯 o切比雪夫不等式 o抽球 o纸牌问题 o棍子/绳子问题 o贝叶斯题 o选择时间问题 o0~1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 o抽红蓝球球 数据预处理 数据平衡 o为什么要对数据进行采样 o是否一定需要对原始数据进行采样平衡 o有哪些常见的采样方法 o能否避免采样 o你平时怎么用采样方法 异常点处理 o统计方法 o矩阵分解方法 o特征值和特征向量的本质是什么 o矩阵乘法的实际意义 o密度的离群点检测 o聚类的离群点检测 o如何处理异常点 缺失值处理 o是不是一定需要对缺失值处理 o直接填充方法有哪些 o模型插值方法有哪些及方法的问题 o如何直接离散化 ohold位填充方法有哪些 o怎么理解分布补全 orandom方法使用前提 o总结 特征选择 o为什么要做特征选择 o从哪些方面可以做特征选择 o既然说了两个方向分别介绍一些吧 特征提取 o为什么需要对数据进行变换 o归一化和标准化之间的关系 o连续特征常用方法 o离散特征常用方法 o文本特征 o画一个最简单的最快速能实现的框架 机器学习 聚类 o请问从EM角度理解kmeans o为什么kmeans一定会收敛 okmeans初始点除了随机选取之外的方法 线性回归 o损失函数是啥 o最小二乘/梯度下降手推 o介绍一下岭回归 o什么时候使用岭回归 o什么时候用Lasso回归 逻辑回归 ologistic分布函数和密度函数手绘大概的图像 oLR推导基础5连问 o梯度下降如何并行化 oLR明明是分类模型为什么叫回归 o为什么LR可以用来做CTR预估 o满足什么样条件的数据用LR最好 oLR为什么使用sigmoid函数作为激活函数其他函数不行吗 o利用几率odds的意义在哪 oSigmoid函数到底起了什么作用 oLR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 oLR中若标签为1和-1损失函数如何推导 o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 o为什么要避免共线性 oLR可以用核么可以怎么用 oLR中的L1/L2正则项是啥 olr加l1还是l2好 o正则化是依据什么理论实现模型优化 oLR可以用来处理非线性问题么 o为什么LR需要归一化或者取对数 o为什么LR把特征离散化后效果更好离散化的好处有哪些 o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 oLR对比万物 oLR梯度下降方法 oLR的优缺点 o除了做分类你还会用LR做什么 o你有用过sklearn中的lr么你用的是哪个包 o看过源码么为什么去看 o谈一下sklearn.linear_model.LogisticRegression中的penalty和solver的选择 o谈一下sklearn.linear_model.LogisticRegression中对多分类是怎么处理的 o我的总结 决策树 o常见决策树 o简述决策树构建过程 o详述信息熵计算方法及存在问题 o详述信息增益计算方法 o详述信息增益率计算方法 o解释Gini系数 oID3存在的问题 oC4.5相对于ID3的改进点 oCART的连续特征改进点 oCART分类树建立算法的具体流程 oCART回归树建立算法的具体流程 oCART输出结果的逻辑 oCART树算法的剪枝过程是怎么样的 o树形结构为何不需要归一化 o决策树的优缺点 贝叶斯 o解释一下朴素贝叶斯中考虑到的条件独立假设 o讲一讲你眼中的贝叶斯公式和朴素贝叶斯分类差别 o朴素贝叶斯中出现的常见模型有哪些 o出现估计概率值为 0 怎么处理 o朴素贝叶斯的优缺点 o朴素贝叶斯与 LR 区别 随机森林 o解释下随机森林 o随机森林用的是什么树 o随机森林的生成过程 o解释下随机森林节点的分裂策略 o随机森林的损失函数是什么 o为了防止随机森林过拟合可以怎么做 o随机森林特征选择的过程 o是否用过随机森林有什么技巧 oRF的参数有哪些如何调参 oRF的优缺点 集成学习 o介绍一下Boosting的思想 o最小二乘回归树的切分过程是怎么样的 o有哪些直接利用了Boosting思想的树模型 ogbdt和boostingtree的boosting分别体现在哪里 ogbdt的中的tree是什么tree有什么特征 o常用回归问题的损失函数 o常用分类问题的损失函数 o什么是gbdt中的残差的负梯度 o如何用损失函数的负梯度实现gbdt o拟合损失函数的负梯度为什么是可行的 o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 oShrinkage收缩的作用 ofeature属性会被重复多次使用么 ogbdt如何进行正则化的 o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 ogbdt的优缺点 ogbdt和randomforest区别 oGBDT和LR的差异 oxgboost对比gbdt/boosting Tree有了哪些方向上的优化 oxgboost和gbdt的区别 oxgboost优化目标/损失函数改变成什么样 oxgboost如何使用MAE或MAPE作为目标函数 oxgboost如何寻找分裂节点的候选集 oxgboost如何处理缺失值 oxgboost在计算速度上有了哪些点上提升 oxgboost特征重要性是如何得到的 oxGBoost中如何对树进行剪枝 oxGBoost模型如果过拟合了怎么解决 oxgboost如何调参数 oXGboost缺点 oLightGBM对Xgboost的优化 oLightGBM亮点 FM/FFM SVM o简单介绍SVM o什么叫最优超平面 o什么是支持向量 oSVM 和全部数据有关还是和局部数据有关 o加大训练数据量一定能提高SVM准确率吗 o如何解决多分类问题 o可以做回归吗怎么做 oSVM 能解决哪些问题 o介绍一下你知道的不同的SVM分类器 o什么叫软间隔 oSVM 软间隔与硬间隔表达式 oSVM原问题和对偶问题的关系/解释原问题和对偶问题 o为什么要把原问题转换为对偶问题 o为什么求解对偶问题更加高效 oalpha系数有多少个 oKKT限制条件KKT条件有哪些完整描述 o引入拉格朗日的优化方法后的损失函数解释 o核函数的作用是啥 o核函数的种类和应用场景 o如何选择核函数 o常用核函数的定义 o核函数需要满足什么条件 o为什么在数据量大的情况下常常用lr代替核SVM o高斯核可以升到多少维为什么 oSVM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 o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 oLinear SVM 和 LR 有什么异同 深度学习 dropout batch_normalization o你觉得bn过程是什么样的 o手写一下bn过程 o知道LN么讲讲原理 bp过程 embedding softmax 梯度消失/爆炸 残差网络 o介绍残差网络 o残差网络为什么能解决梯度消失的问题 o残差网络残差作用 o你平时有用过么或者你在哪些地方遇到了 Attention oAttention对比RNN和CNN分别有哪点你觉得的优势 o写出Attention的公式 o解释你怎么理解Attention的公式的 oAttention模型怎么避免词袋模型的顺序问题的困境的 oAttention机制里面的q,k,v分别代表什么 o为什么self-attention可以替代seq2seq o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 自然语言处理 GloVe oGolVe的损失函数 o解释GolVe的损失函数 o为什么GolVe会用的相对比W2V少 Word2Vec o从隐藏层到输出的Softmax层的计算有哪些方法 o层次softmax流程 o负采样流程 oword2vec两种方法各自的优势 o怎么衡量学到的embedding的好坏 oword2vec和glove区别 o你觉得word2vec有哪些问题 CRF o阐述CRF原理 o线性链条件随机场的公式是 oCRF与HMM区别 oBertcrf中的各部分作用详解 LDA o详述LDA原理 oLDA中的主题矩阵如何计算 oLDA的共轭分布解释下 oPLSA和LDA的区别 o怎么确定LDA的topic个数 oLDA和Word2Vec区别LDA和Doc2Vec区别 oLDA算法里面Dirichlet分布的两个参数alpha和beta怎样确定trick? LSTM GRU Bert实现/使用的代码 oBert的双向体现在什么地方 oBert的是怎样预训练的 o在数据中随机选择 15% 的标记其中80%被换位[mask]10%不变、10%随机替换其他单词原因是什么 o为什么BERT有3个嵌入层它们都是如何实现的 obert的损失函数 o手写一个multi-head attention o长文本预测如何构造Tokens o你用过什么模块bert流程是怎么样的 o知道分词模块FullTokenizer做了哪些事情么 oBert中如何获得词意和句意 o源码中Attention后实际的流程是如何的 o为什么要在Attention后使用残差结构 o平时用官方Bert包么耗时怎么样 o你觉得BERT比普通LM的新颖点 oelmo、GPT、bert三者之间有什么区别 推荐 DIN实现/使用的代码 o主要使用了什么机制 oactivation unit的作用 oDICE怎么设计的 oDICE使用的过程中有什么需要注意的地方 DeepFM实现/使用的代码 oDNN与DeepFM之间的区别 oWideDeep与DeepFM之间的区别 o你在使用deepFM的时候是如何处理欠拟合和过拟合问题的 oDeepFM怎么优化的 o不定长文本数据如何输入deepFM odeepfm的embedding初始化有什么值得注意的地方吗 Xavier初始化 He初始化 YoutubeNet实现/使用的代码 o变长数据如何处理的 oinput是怎么构造的 o最后一次点击实际如何处理的 ooutput的是时候train和predict如何处理的 o如何进行负采样的 oitem向量在softmax的时候你们怎么选择的 oExample Age的理解 o什么叫做不对称的共同浏览asymmetric co-watch问题 o为什么不采取类似RNN的Sequence model oYouTube如何避免百万量级的softmax问题的 oserving过程中YouTube为什么不直接采用训练时的model进行预测而是采用了一种最近邻搜索的方法 oYoutube的用户对新视频有偏好那么在模型构建的过程中如何引入这个feature o在处理测试集的时候YouTube为什么不采用经典的随机留一法random holdout而是一定要把用户最近的一次观看行为作为测试集 o整个过程中有什么亮点有哪些决定性的提升 WideDeep MLR Neural Network全家桶 XDeepFM实现/使用的代码 o选用的原因考虑使用的场景是什么 o什么叫显示隐式什么叫元素级/向量级什么叫做高阶/低阶特征交互 o简单介绍一下XDeepFm的思想 o和DCN比有哪些核心的变化 o时间复杂度多少
