75道常見AI面試題助你清掃知識盲點

本文乾貨多，建議收藏。

本文精心準備了一份AI相關崗位的面試題，幫大家掃清知識盲點，自信上場！

[ 導讀 ]正值求職、跳槽季，無論你是換工作還是找實習，沒有真本事都是萬萬不行的，可是如何高效率複習呢？今天我們為大家精心準備了一份 AI相關崗位的面試題，幫大家掃清知識盲點，自信上場！

機器學習工程師面試

必備面試題：

你會在時間序列數據集上使用什麼交叉驗證技術？是用k倍或LOOCV？

你是怎麼理解偏差方差的平衡的？

給你一個有1000列和1百萬行的訓練數據集，這個數據集是基於分類問題的。經理要求你來降低該數據集的維度以減少模型計算時間，但你的機器內存有限。你會怎麼做？

全球平均溫度的上升導致世界各地的海盜數量減少。這是否意味著海盜的數量減少引起氣候變化？

給你一個數據集，這個數據集有缺失值，且這些缺失值分布在離中值有1個標準偏差的範圍內。百分之多少的數據不會受到影響？為什麼？

你意識到你的模型受到低偏差和高方差問題的困擾。那麼，應該使用哪種演算法來解決問題呢？為什麼？

協方差和相關性有什麼區別？

真陽性率和召回有什麼關係？寫出方程式。

Gradient boosting演算法（GBM）和隨機森林都是基於樹的演算法，它們有什麼區別？

你認為把分類變數當成連續型變數會更得到一個更好的預測模型嗎？

「買了這個的客戶，也買了......」亞馬遜的建議是哪種演算法的結果？

在k-means或kNN，我們是用歐氏距離來計算最近的鄰居之間的距離。為什麼不用曼哈頓距離？

我知道校正R2或者F值是用來評估線性回歸模型的。那用什麼來評估邏輯回歸模型？

為什麼樸素貝葉斯如此「樸素」？

花了幾個小時後，現在你急於建一個高精度的模型。結果，你建了5 個GBM（Gradient Boosted Models），想著boosting演算法會展現「魔力」。不幸的是，沒有一個模型比基準模型表現得更好。最後，你決定將這些模型結合到一起。儘管眾所周知，結合模型通常精度高，但你就很不幸運。你到底錯在哪裡？

以上題目答案詳解：

https://www.tinymind.cn/articles/109

推薦收藏：

機器學習教材中的 7 大經典問題

https://www.tiny

演算法工程師面試題

工作中的演算法工程師，很多時候，會將生活中轉瞬即逝的靈感，付諸產品化。

將演算法研究應用到工作中，與純粹的學術研究有著一點最大的不同，即需要從用戶的角度思考問題。很多時候，你需要明確設計的產品特徵、提升的數據指標，是不是能真正迎合用戶的需求，這便要求演算法工程師能在多個模型間選擇出最合適的那個，然後通過快速迭代達到一個可以走向產品化的結果。

知識儲備作為成功的根底亦必不可少，以下是營長為你精選的演算法面試，幫你檢查下自己的技能是否在線。

必備面試題：

LDA(線性判別分析) 和 PCA 的區別與聯繫。

K-均值演算法收斂性的證明。

如何確定 LDA (隱狄利克雷模型) 中主題的個數。

隨機梯度下降法的一些改進演算法。

L1正則化產生稀疏性的原因。

如何對貝葉斯網路進行採樣 。

從方差、偏差角度解釋 Boosting 和 Bagging。

ResNet的提出背景和核心理論。

LSTM是如何實現長短期記憶功能的。

WGAN解決了原始 GAN 中的什麼問題。

以上題目答案詳解：

https://www.tinymind.cn/articles/1275

推薦收藏：

是男人就過8題！樓教主出題，請接招

https://www.tinymind.cn/articles/47

演算法和編程面試題精選TOP50！(附代碼 解題思路 答案)

https://www.tinymind.cn/articles/375

深度學習12大常見面試題

必備面試題：

1.什麼是深度學習？為什麼它會如此受歡迎？

3.深度學習與機器學習有什麼區別？

4.深度學習的先決條件是什麼？

5.選擇哪些工具/語言構建深度學習模型？

6.為什麼構建深度學習模型需要使用GPU？

7.何時（何處）應用神經網路？

8.是否需要大量數據來訓練深度學習模型？

9.哪裡可以找到一些基本的深度學習項目用來練習？

10.深度學習的一些免費學習資源。

最後附上深度學習的相關面試問題有哪些？

深度學習模型如何學習？

深度學習模型有哪些局限性？

前饋神經網路和遞歸神經網路之間有什麼區別？

什麼是激活特徵函數？

什麼是CNN，它有什麼用途？

什麼是池化？ 簡述其工作原理。

什麼是dropout層，為什麼要用dropout層？

什麼是消失梯度問題，如何克服？

什麼是優化函數？說出幾個常見的優化函數。

以上題目答案詳解：

https://www.tinymind.cn/articles/608

Python常見面試題

100 Python編程題給你練~（附答案）

https://www.tinymind.cn/articles/3987

10個Python常見面試題，這些弄不明白不要說學過Python！

https://www.tinymind.cn/articles/376

Google人工智慧面試題

必備面試題：

求導1/x。

畫出log (x 10)曲線。

怎樣設計一次客戶滿意度調查？

一枚硬幣拋10次，得到8正2反。試析拋硬幣是否公平？p值是多少？

接上題。10枚硬幣，每一枚拋10次，結果會如何？為了拋硬幣更公平，應該怎麼改進？

解釋一個非正態分布，以及如何應用。

為什麼要用特徵選擇？如果兩個預測因子高度相關，係數對邏輯回歸有怎樣的影響？係數的置信區間是多少？

K-mean與高斯混合模型：K-means演算法和EM演算法的差別在哪裡？

使用高斯混合模型時，怎樣判斷它適用與否？(正態分布)

聚類時標籤已知，怎樣評估模型的表現？

為什麼不用邏輯回歸，而要用GBM？

每年應聘Google的人有多少？

你給一個Google APP做了些修改。怎樣測試某項指標是否有增長

描述數據分析的流程。

高斯混合模型 (GMM) 中，推導方程。

怎樣衡量用戶對視頻的喜愛程度？

模擬一個二元正態分布。

求一個分布的方差。

怎樣建立中位數的Estimator？

如果回歸模型中的兩個係數估計，分別是統計顯著的，把兩個放在一起測試，會不會同樣顯著？

以上題目答案詳解：

https://www.tinymind.cn/articles/98

蘋果人工智慧面試題

必備面試題：

有成千上萬個用戶，每個用戶都有 100 個交易，在 10000 個產品和小組中，用戶所參與有意義的部分，你是如何處理這一問題的？

為了消除欺詐行為，我們對這些數據進行預篩選，如何才能找到一個數據樣本，幫助我們判斷一個欺詐行為的真實性？

給出兩個表格，一個表格用來存儲用戶 ID 以及購買產品 ID（為1個位元組），另一個表格則存儲標有產品名稱的產品 ID。我們嘗試尋找被同一用戶同時購買的這樣一個成對的產品，像葡萄酒和開瓶器，薯片和啤酒。那麼，如何去尋找前 100 個同時存在且成對出現的產品？

詳細描述 L1 正則化和 L2 正則化二者之間的區別，特別是它們本身對模型訓練過程的影響有什麼不同？

假設你有 10 萬個存儲在不同伺服器上的文件，你想對所有的文件進行加工，那麼用 Hadoop 如何處理?

Python 和 Scala 之間有什麼區別?

解釋一下 LRU Cache 演算法。

如何設計一個客戶——伺服器模型，客服端每分鐘都可以發送位置數據。

如何將數據從一個 Hadoop 聚類傳遞給另一個 Hadoop 聚類？

Java 中的內存有哪些不同的類型？

你是如何處理數百個標題中的元數據這一繁瑣任務的？

在數據流和可訪問性方面，如何在隱藏時間幀內進行測量？其中在隱藏時間幀內，核心超負荷將計算機能量重定向到 cellar dome 的過度複雜文件系統的邊界結構。

你最希望擁有的超能力是什麼？

如果你有一個時間序列感測器，請預測其下一個讀數。

使用 SQL 創建 market basket 輸出。

你有沒有過心理物理學實驗的經驗？（Research Portfolio based question）

你在表徵方法上的專長是什麼？通常使用什麼？你是如何在研究中使用它，有沒有什麼有趣的結果？（Research Portfolio based question）

如何進行故障分析？

檢查一個二叉樹是否為左右子樹上的鏡像。

什麼是隨機森林？為什麼樸素貝葉斯效果更好？

以上題目答案詳解：

https://www.tinymind.cn/articles/139

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！