微軟AI面試題有多難？這裡有一份樣卷，你也來試試？

究竟什麼樣的AI人才能被微軟這樣的巨頭聘用呢？

是不是要碼力超群，上來就能徒手寫個AlphaGo呢？還是要眼光毒辣，當場就能構想出未來20年AI發展前景呢？

當然不是！

今天，文摘君就淘來了幾道微軟AI 面試題，同時給出了最基本的解答。（注意是最基本解答哦，歡迎在文末留言給出你認為更好的答案。）

神秘的微軟AI面試題，其實非常平易近人。一起來答答看！

合併k個數列（比如k=2）數列並進行排序

代碼如上。最簡單的方法當然就是冒泡排序法啦。雖然不是最有效的，但卻容易描述和實現。

L1/L2正則度量有什麼區別？

L1範數損失函數也叫做最小一乘法（LAD）以及最小絕對誤差（LAE）。它主要在於最小化目標值（y_i）同預測值（f(x_i)）之間的絕對差值之和。

公式一

L2範數損失函數也叫做最小平方誤差（LSE）。它主要在於最小化目標值（Yi）以及預測值[f（xi）]之間差值平方之和。

公式二

對於較大的誤差誤差，L2比L1給出的懲罰更大。此外，加入L2正則後，模型係數會向0聚攏，但不會出現完全為0的情況，而L1損失函數則能使部分係數完全為0。

如何尋找百分位數？

就拿上面這道題目為例吧：過去12小時內共有1000人來過這個購物中心，請估測，截止至何時，購物中心剛好達到30%的總客流量？

我們可以通過多項式線性回歸（polynomial regression）或者平滑樣條（spline smoothing）等技巧作出下圖。

即為30%的客流量對應3000人

從Y值為3000的點畫一條水平線，當與曲線相交時，畫一條垂直線在橫軸上找到對應的時間值就可以啦。

怎麼區分好的可視化與壞的可視化？

針對這個問題，我們會有很多不同的答案。比如，一個不能很好地處理異常值（outliers）的可視化，就不是一個好的可視化。

比如說我們有一個數組，在一系列小數字中有一個很大的數據（[1,2,3,4,7777,5,6,9,2,3]），當我們可視化這個數組的時候，會產生如下的圖：

右圖原始圖片；中間圖規範化值；左圖標準化值

怎樣才能更好地可視化這組數據呢？正如上圖所示，即使我們對分析值進行了標準化或者規範化，產生的折線圖依然不能很好地表示這組數組。究竟要怎麼做呢？歡迎留言發表看法。

怎樣更快地計算出逆矩陣？

比如，可以考慮Gauss-Jordan法。

如果是一個2x2的矩陣就很簡單了。

逆矩陣是：

ad-bc≠0

只需要交換a和b，取b和c的負值，然後除以方陣ad-bc。

定義方差

方差是每個數據點與整個數據集平均值之間差值的平方和。換而言之，就是數據的變化性。下面這張圖就很好地解釋了什麼是方差。

首先我們計算出每隻狗和平均身高的差值；為了計算方差，將每個差值平方後加總，再求平均值。

最後，獻上本文出現的所有代碼：

https://colab.research.google.com/drive/1DYimC5CEKeXdT15tbptifYL2v5MPkyHj

相關報道：

https://towardsdatascience.com/my-take-on-microsoft-ai-interview-questions-with-interactive-code-part-1-c271388af633

來源：大數據文摘

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！