[ 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？今天我們爲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。這是否意味着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，且這些缺失值分佈在離中值有1個標準偏差的範圍內。百分之多少的數據不會受到影響？爲什麼？
- 你意識到你的模型受到低偏差和高方差問題的困擾。那麼，應該使用哪種算法來解決問題呢？爲什麼？
- 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算法（GBM）和隨機森林都是基於樹的算法，它們有什麼區別？
- 你認爲把分類變量當成連續型變量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。爲什麼不用曼哈頓距離？
- 我知道校正R2或者F值是用來評估線性迴歸模型的。那用什麼來評估邏輯迴歸模型？
- 爲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），想着boosting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。儘管衆所周知，結合模型通常精度高，但你就很不幸運。你到底錯在哪裏？
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
算法工程師面試題
工作中的算法工程師，很多時候，會將生活中轉瞬即逝的靈感，付諸產品化。
將算法研究應用到工作中，與純粹的學術研究有着一點最大的不同，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。
知識儲備作爲成功的根底亦必不可少，以下是營長爲你精選的算法面試，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算法。
L1正則化產生稀疏性的原因。
如何對貝葉斯網絡進行採樣 。
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
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？爲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.爲什麼構建深度學習模型需要使用GPU？
7.何時（何處）應用神經網絡？
8.是否需要大量數據來訓練深度學習模型？
9.哪裏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侷限性？
前饋神經網絡和遞歸神經網絡之間有什麼區別？
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，爲什麼要用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人工智能面試題
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？爲了拋硬幣更公平，應該怎麼改進？
解釋一個非正態分佈，以及如何應用。
爲什麼要用特徵選擇？如果兩個預測因子高度相關，係數對邏輯迴歸有怎樣的影響？係數的置信區間是多少？
K-mean與高斯混合模型：K-means算法和EM算法的差別在哪裏？
使用高斯混合模型時，怎樣判斷它適用與否？(正態分佈)
聚類時標籤已知，怎樣評估模型的表現？
爲什麼不用邏輯迴歸，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佈。
求一個分佈的方差。
怎樣建立中位數的Estimator？
如果迴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
蘋果人工智能面試題
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？
爲了消除欺詐行爲，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爲的真實性？
給出兩個表格，一個表格用來存儲用戶 ID 以及購買產品 ID（爲1個字節），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 萬個存儲在不同服務器上的文件，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 算法。
如何設計一個客戶——服務器模型，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傳感器，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爲左右子樹上的鏡像。
什麼是隨機森林？爲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