算法工程师面试常见问题

首先给大家推荐一下我老师大神的人工智能教学网站。教学不仅零基础,通俗易懂,而且非常风趣幽默,还时不时有内涵黄段子!点这里可以跳转到网站

八九月份就要开始找工作了,一直期待能够成为一名算法工程师,所以在这里总结一下算法工程师常见问题。期待9月秋招时能有一个好的结果。本篇博客会一直更新下去。

编程语言

C++、python

基本算法

剑指offer+Leetcode基本就能解决
剑指offer算法实现

传统机器学习

常见机器学习问题

1) 过拟合问题
2) 交叉验证问题
3) 模型融合问题
4) 模型选择问题

面试常见问题

1) 几种模型( SVM,LR,GBDT,EM )的原理以及公式推导;
2) RF,GBDT 的区别; GBDT,XgBoost的区别(烂大街的问题最好从底层原理去分析回答);
3) 决策树处理连续值的方法;
4) 特征选择的方法;
5) 过拟合的解决方法;
6) K-means 的原理,优缺点以及改进;
7) 常见分类模型( SVM ,决策树,贝叶斯等)的优缺点,适用场景以及如何选型;
8) SVM 为啥要引入拉格朗日的优化方法;
9) 假设面试官什么都不懂,详细解释 CNN 的原理;
10) 梯度下降的优缺点
11) EM与K-means的关系;
12) L1与L2的作用,区别以及如何解决L1求导困难;
13) 如何用尽可能少的样本训练模型同时又保证模型的性能;
14) ID3和C4.5的优缺点,树的融合(RF和GBDT)
15) 特征提取方法,如何判断特征是否重要
16) BP神经网络以及推导
17) HMM模型状态推导
18) 过拟合原因以及解决办法(深度学习同)
19) 常见损失函数
20)机器学习性能评价,准确率,召回率,ROC
22)降采样,PCA,LDA

深度学习

常见问题

1)四种激活函数区别和作用
2)过拟合解决方法
3)(CNN)卷及神经网络各层作用
4)(RNN)循环神经网络
5)LSTM
6)梯度弥散
7)优化算法 adam,SGD等
8)分析Alexnet,VGG的网络结构以及各层作用
9)XgBoost(好像很多公司也面到了)
10)梯度下降的优化
12)卷积核参数计算
13)TensorFlow中的session是什么,session和interactivesession的区别

点这里可以跳转到人工智能网站

发表评论