算法工程师（机器学习）面试题目3---机器学习算法

Posted 2022-03-26 小葵花幼儿园园长

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
  • • 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
  • 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

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