机器学习求职60问答案

类型一：基础概念类问题

问题1：过拟合与欠拟合（定义、产生的原因、解决的方法各是什么）。

问题2：L1正则与L2正则（有哪些常见的正则化方法？作用各是什么？区别是什么？为什么加正则化项能防止模型过拟合）。

间题3：模型方差和偏差（能解释一下机器学习中的方差和偏差吗？哪些模型是降低模型方差的？哪些模型是降低模型偏差的？举例说明一下）。

问题4：奥卡姆剃刀（说一说机器学习中的奥卡剪梯刀原理）。

问题5：模型评估指标（回归模型和分类模型各有哪些常见的评估指标？各白的含义是什么？解释一下AUC？你在平时的实践过程中用到过哪些评估捐标？为什要选择这些指标）。

问题6：风险函数（说一下经验风险和结构风险的含义和异同点）。

问题7：优化算法（机器学习中常见的优化算法有哪些？梯度下降法和牛顿法的原理推导）。

问题8：激活函放（神经网络模型中常用的激活函数有哪些？说一下各自的特点)。

问题9：核函数（核函数的定义和作用是什么？常用的核函数有哪些？你用过些核函数？说一下高斯核函数中的参数作用）。

问题10：梯度消失与梯度爆炸（解释一下梯度消失与梯度爆炸问题，各自有什么解决方案）。

问题11：有监督学习和无监督学习（说一下有监督学习和无监督学习的特点，举例说明一下)。

问题12：生成模型与判别模型（你知道生成模型和判别模型吗？各自的将点是什么？哪些模型是生成模型，哪些模型是判别模型）。

类型二：模型原理类

问题13：线性回归（线性回归模型的原理、损失函数、正则化项)。

问题14：KNN模型（KNN模型的原理、三要素、优化方案以及模望的优缺点）。

问题15：朴素贝叶斯（朴素贝叶斯模型的原理推导，拉普拉斯平滑，后验概率最大化的含义以及模型的优/缺点）。

问题16：决策树（决策树模型的原理、特征评价指标、剪枝过程和原理、几种常见的决策树模型、各自的优/缺点）。

问题17：随机森林模型（RF模型的基本原理，RF模型的两个“随机”。从偏差和方差角度说一下RF模型的优缺