算法工程师面试准备

分类回归模型

• LR
• GBDT
  • 原理以及公式推导
  • ID3和C4.5的优缺点，树的融合
  • GBDT的参数怎么调
  • boost算法的思路是什么样的？讲一下你对adaboost 和 gbdt的了解？
  • 决策树处理连续值的方法
  • 优缺点，适用场景以及如何选型
  • ID3，C4.5，CART等，决策树的split原理和剪枝策略
  • ID3和C4.5的优缺点，树的融合
  • RF(随机森林)
  • XgBoost
  • RF、GBDT和XGBoost都属于集成学习
• 贝叶斯（NB）
  • 优缺点，适用场景以及如何选型
  • 朴素贝叶斯的公式
  • EM
• 神经网络
  • BP神经网络推导
  • 如何工作
• SVM
  • 原理以及公式推导
  • 优缺点，适用场景以及如何选型
  • 为啥要引入拉格朗日的优化方法
  • 怎么理解损失函数，SVM的损失函数是什么，写出公式
• 概率图模型
  • HMM模型状态推导

模型通用问题

• 模型评估与选择
  • 机器学习性能评价，准确率，召回率,ROC
  • 偏差和方差是什么，高偏差和高方差说明了什么
  • 交叉验证问题 
  • 模型融合问题 
  • 模型选择问题
  • 分类模型如何选择？如何判断效果？如何计算AUC？你最熟悉的ensemble Classification model是什么？
• 特征选择
  • 特征选择的方法
  • 特征提取方法，如何判断特征是否重要
• 其他
  • 如何用尽可能少的样本训练模型同时又保证模型的性能
  • 过拟合问题 
    • 过拟合怎么解决，L1和L2正则化有什么区别
    • 常见的防止过拟合的方法是什么？为什么l1、l2正则会防止过拟合？
    • L1与L2的作用
    • 过拟合怎么解决，L1和L2正则化有什么区别
    • 常见的正则化有是么，有什么作用，为什么l1是会把feature压缩到0而l2做不到？
  • 梯度下降的优缺点
  • 降采样，PCA，LDA
  • pca的基于特征值压缩的方法
  • 基于isolation forest识别的方法
  • 梯度下降的优缺点
  • 常见损失函数
  • Bagging 和 Boosting的区别
  • 为什么用最小二乘而不是最小四乘
  • GB和牛顿法的区别，它们和泰勒公式的关系
  • 对比牛顿法、梯度下降法的关系
  • FM,FFM,DNN,W&D

聚类模型

• kmeans

  • 聚类过程

  • kmeans的原理及如何选择k？如何选择初始点？
  • 原理，优缺点以及改进

深度学习模型

• 循环神经网络中介绍一个你熟悉的
• 四种激活函数区别和作用 
• 过拟合解决方法
• 梯度弥散
• 优化算法 adam，SGD等 
• 分析Alexnet,VGG的网络结构以及各层作用 
• XgBoost(好像很多公司也面到了) 
• 梯度下降的优化 
• 卷积核参数计算 
• TensorFlow中的session是什么，session和interactivesession的区别
• CNN
  • (CNN)卷及神经网络各层作用 
• RNN
  • (RNN)循环神经网络 
  • LSTM 

NLP

• word2vec
• LDA
• bert,elmo,,glove,fasttext,wordrank,Seq2Seq

CV

推荐系统召回

• userCF
• itemCF

CTR预估

• LR+GBDT
• FM
• FFM
• W&D

参考链接

总结：常见算法工程师面试题目整理(一)

https://www.jianshu.com/p/c3c921dca07b

总结：常见算法工程师面试题目整理(二)

https://www.jianshu.com/p/4f91f0dcba95

算法工程师面试常见问题

https://blog.youkuaiyun.com/gzj_1101/article/details/79514902

2018/2019秋招/算法/NLP/深度学习/ML面试笔记

https://zhuanlan.zhihu.com/p/41975491