数据科学职位的典型面试过程会有很多轮，其中通常会触及理论概念，目的是肯定招聘者能否理解机器学习的根底学问。在这篇文章中，我想总结一下我一切的面试阅历（面试or被面试）并提出了160多个数据科学理论问题的清单。其中包括以下主题：
- 线性回归
- 模型考证
- 分类和逻辑回归
- 正则化
- 决策树
- 随机森林
- GBDT
- 神经网络
- 文本分类
- 聚类
- 排序：搜索和引荐
- 时间序列
这篇文章中的问题数量似乎远远不够，请记住，面试流程是依据公司的需求和你的工作阅历而定的。因而，假如你的工作中没有用过时间序列模型或计算机视觉模型，就不会收到相似的问题。
提示：假如不晓得某些面试问题的答案，不要灰心。为了简化起见，我依据难度将问题分为三类：
- 容易
- 中号
- 专家
2020年最新python教程和电子书,帮助您入门人工智能行业,方向对了,努力3个月,起薪过万并不难!
如果你看好人工智能产业,处于想学python或者找不到合适的入门教程,那么赶快来领取吧
获取方式：
1.点赞+关注+评论一下（勾选“同时转发”）
2.私信小V关键词 “ 资料 ”，即可免费获取哦！
还不会私信的小伙伴，可以按照以下步骤操作：
1、打开头条，点击右下角“我的”
2、在个人界面点击“关注”，当然这需要你先关注小编
3、在关注中找到小编，点击小编的头像进入他的个人界面，随后点击“私信”
4、随后进入私信发送界面，这样就可以愉快的私信聊天了；
let us go！
有监视的机器学习
- 什么是有监视学习？
线性回归
- 什么是回归？哪些模型可用于处理回归问题？
- 什么是线性回归？什么时分运用它？
- 什么是正态散布？为什么要注重它？
- 如何检查变量能否遵照正态散布？
- 如何树立价钱预测模型？价钱能否正态散布？需求对价钱停止预处置吗？
- 处理线性回归的模型有哪些？
- 什么是梯度降落？它是如何工作的？
- 什么是正轨方程？
- 什么是SGD-随机梯度降落？与通常的梯度降落有何不同？
- 有哪些评价回归模型的指标？
- 什么是MSE和RMSE？
考证方式
- 什么是过拟合？
- 如何考证模型？
- 为什么需求将数据分为三个局部：锻炼，考证和测试？
- 解释穿插考证的工作原理？
- 什么是K折穿插考证？
- 如何在K折穿插考证当选择K？你最喜欢的K是什么？
分类
- 什么是分类？哪些模型能够处理分类问题？
- 什么是逻辑回归？什么时分需求运用它？
- Logistic回归是线性模型吗？为什么？
- 什么是Sigmoid？它有什么作用？
- 如何评价分类模型？
- 什么是精确性？
- 精确性一直是一个好的指标吗？
- 什么是混杂表？表中的单元格表示什么？
- 什么是精度，召回率和F1分数？
- 精确率和召回率的权衡
- 什么是ROC曲线？什么时分运用？
- 什么是AUC（AU ROC）？什么时分运用？
- 如何解释AU ROC分数？
- 什么是PR曲线？
- PR曲线下的面积是几？这个指标有用吗？
- 在哪种状况下AU PR比AU ROC好？
- 如何处置分类变量？
- 为什么需求one-hot编码？
正则化
- 假如的数据中包含三列：x，y，z，其中z是x、y的和，那么线性回归模型会怎样？
- 假如数据中的z列是x和y列之和加上一些随机噪声，那么的线性回归模型会怎样？
- 什么是正则化？为什么需求它？
- 有哪些正则化技术？
- 什么样的正则化技术适用于线性模型？
- L2正则化在线性模型中是什么样的？
- 如何选择正确的正则化参数？
- L2正则化对线性模型的权重有什么影响？
- L1正则化在线性模型中是什么样的？
- L2和L1正则化有什么区别？
- 能够在线性模型中同时具有L1和L2正则化吗？
- 如何解释线性模型中的常数项？
- 如何解释线性模型中的权重？
- 假如一个变量的权重高于另一个变量的权重，那么能够说这个变量更重要吗？
- 什么时分需求对线性模型停止特征归一化？什么状况下能够不做归一化？
特征选择
- 什么是特征选择？为什么需求它？
- 特征选择对线性模型重要吗？
- 有哪些特征选择技术？
- 能够运用L1正则化停止特征选择吗？
- 能够运用L2正则化停止特征选择吗？
决策树
- 什么是决策树？
- 如何锻炼决策树？
- 决策树模型的主要参数是什么？
- 如何处置决策树中的分类变量？
- 与更复杂的模型相比，单个决策树有什么益处？
- 如何晓得哪些特征对决策树模型更重要？
随机森林
- 什么是随机森林？
- 为什么需求在随机森林中停止随机化？
- 随机森林模型的主要参数是什么？
- 如何选择随机森林中树的深度？
- 如何晓得随机森林需求几棵树？
- 随机森林的锻炼并行化容易？该怎样做？
- 随机森林中过多的树有什么潜在问题？
- 能否能够不找到最佳分割，而是随机选择几个分割，然后从当选择最佳分割？可行吗
- 数据中存在相关特征时会怎样？
梯度提升
- 什么是梯度加强树？
- 随机森林和梯度提升之间有什么区别？
- 能否能够并行化梯度提升模型的锻炼？怎样做？
- 梯度加强树种的特征重要性-有哪些可能的选择？
- 梯度提升模型的特征重要性，连续变量和离散变量之间能否有区别？
- 梯度提升模型中的主要参数是什么？
- 如何在XGBoost或LightGBM中调整参数？
- 如何在梯度提升模型当选择树的数量？
参数调整
- 你大致理解哪些参数调整战略？
- 网格搜索参数调整战略和随机搜索有什么区别？什么时分运用一个或另一个？
神经网络
- 神经网络能够处理哪些问题？
- 通常的全衔接前馈神经网络如何工作？
- 为什么需求激活功用？
- sigmoid 为激活函数有什么问题？
- 什么是ReLU？它比sigmoid 或tanh好吗？
- 如何初始化神经网络的权重？
- 假如将神经网络的一切权重都设置为0会怎样？
- 神经网络中有哪些正则化技术？
- 什么是1.1Dropout？为什么有用？它是如何工作的？
神经网络的优化
- 什么是反向传播？它是如何工作的？为什么需求它？
- 你晓得哪些锻炼神经网络的优化技术？
- 如何运用SGD（随机梯度降落）锻炼神经网络？
- 学习率是几？
- 学习率太大时会发作什么？太小？
- 如何设置学习率？
- 什么是Adam？Adam和SGD之间的主要区别是什么？
- 什么时分运用Adam和SGD？
- 要坚持学习率不变还是在锻炼过程中改动它？
- 如何肯定何时中止锻炼神经网络？
- 什么是ModelCheckpoint？
- 讲一下你是如何停止模型锻炼的？
用于计算机视觉的神经网络
- 如何运用神经网络停止计算机视觉？
- 什么是卷积层？
- 为什么需求卷积？不能运用全衔接层吗？
- CNN中的pooling是什么？为什么需求它？
- Max pooling如何工作？还有其他池化技术吗？
- CNN能否抗旋转？假如旋转图像，CNN的预测会怎样？
- 什么是数据加强？为什么需求它们？你晓得哪种加强？
- 如何选择要运用的加强？
- 你晓得什么样的CNN分类体系？
- 什么是迁移学习？它是如何工作的？
- 什么是目的检测？你晓得有哪些框架吗？
- 什么是对象分割？你晓得有哪些框架吗？
文字分类
- 如何运用机器学习停止文本分类？
- 什么是词袋模型？如何将其用于文本分类？
- 词袋模型的优缺陷是什么？
- 什么是N-gram？如何运用它们？
- 运用N-gram时，词袋模型中N应该是几？
- 什么是TF-IDF？它对文本分类有什么用？
- 你用过哪种模型对带有词袋特征的文本停止分类？
- 运用词袋停止文本分类时，你希望运用梯度提升树模型还是逻辑回归？
- 什么是词嵌入？为什么有用？你晓得Word2Vec吗？
- 你还晓得其他词嵌入的办法吗？
- 假如你的句子包含多个单词，则可能需求将多个单词嵌入组合为一个。你会怎样做？
- 在停止带有嵌入的文本分类时，运用梯度提升树模型还是逻辑回归？
- 如何运用神经网络停止文本分类？
- 如何运用CNN停止文本分类？
聚类
- 什么是无监视学习？
- 什么是聚类？什么时分需求它？
- K-means是如何工作的吗？
- 如何为K均值选择K？
- 你还晓得其他哪些聚类算法？
- 你晓得DBScan如何工作吗？
- 何时选择K-means，何时选择DBScan？
降维
- 维度灾难是什么？为什么要关怀它？
- 你晓得降维技巧吗？
- 什么是奇特值合成？它通常如何用于机器学习？
排序和搜索
- 什么是排序问题？能够运用哪些模型来处理它们？
- 文本信息检索任务重，什么是好的无监视baselines？
- 如何评价排序算法？运用哪些离线指标？
- k的精度和召回率是几？
- k的均匀精度均值是几？
- 如何运用机器学习停止搜索？
- 如何取得锻炼算法的排序数据？
- 能够将搜索问题表述为分类问题吗？
- 如何将点击数据用作锻炼数据以停止排序算法？
- 如何运用梯度提升树停止排序？
- 如何在线评价新的排序算法？
引荐系统
- 什么是引荐系统？
- 树立引荐系统时有什么好的 baseline？
- 什么是协同过滤？
- 如何将隐式反应（点击等）归入引荐系统？
- 什么是冷启动问题？
- 处理冷启动问题的可能办法？
时间序列
- 什么是时间序列？
- 时间序列与通常的回归问题有何不同？
- 用于处理时间序列问题的有哪些模型？
- 假如序列中有趋向，如何消弭它？为什么要这么做？
- 在时间t处测得只要一个变量“y”的序列。如何在时间t + 1预测“y”？运用哪种办法？
- 有一个带有变量“y”和一系列特征的序列。如何预测t + 1时的“y”？运用哪种办法？
- 运用树来处理时间序列问题有什么问题？
以上！希望它对各位有用，赶紧考考本人先，也希望大家面试顺利！更多人工智能，机器学习方面的教程也会继续更新！
分享到:
