數據科學職位的典型面試過程會有很多輪，其中通常會觸及理論概念，目的是肯定招聘者能否理解機器學習的根底學問。在這篇文章中，我想總結一下我一切的面試閱歷（面試or被面試）並提出了160多個數據科學理論問題的清單。其中包括以下主題：
- 線性迴歸
- 模型考證
- 分類和邏輯迴歸
- 正則化
- 決策樹
- 隨機森林
- GBDT
- 神經網絡
- 文本分類
- 聚類
- 排序：搜索和引薦
- 時間序列
這篇文章中的問題數量似乎遠遠不夠，請記住，面試流程是依據公司的需求和你的工作閱歷而定的。因而，假如你的工作中沒有用過時間序列模型或計算機視覺模型，就不會收到相似的問題。
提示：假如不曉得某些面試問題的答案，不要灰心。為了簡化起見，我依據難度將問題分為三類：
- 容易
- 中號
- 專家
2020年最新python教程和電子書,幫助您入門人工智能行業,方向對了,努力3個月,起薪過萬並不難!
如果你看好人工智能產業,處於想學python或者找不到合適的入門教程,那麼趕快來領取吧
獲取方式：
1.點贊+關注+評論一下（勾選“同時轉發”）
2.私信小V關鍵詞 “ 資料 ”，即可免費獲取哦！
還不會私信的小夥伴，可以按照以下步驟操作：
1、打開頭條，點擊右下角“我的”
2、在個人界面點擊“關注”，當然這需要你先關注小編
3、在關注中找到小編，點擊小編的頭像進入他的個人界面，隨後點擊“私信”
4、隨後進入私信發送界面，這樣就可以愉快的私信聊天了；
let us go！
有監視的機器學習
- 什麼是有監視學習？
線性迴歸
- 什麼是迴歸？哪些模型可用於處理迴歸問題？
- 什麼是線性迴歸？什麼時分運用它？
- 什麼是正態散佈？為什麼要注重它？
- 如何檢查變量能否遵照正態散佈？
- 如何樹立價錢預測模型？價錢能否正態散佈？需求對價錢停止預處置嗎？
- 處理線性迴歸的模型有哪些？
- 什麼是梯度降落？它是如何工作的？
- 什麼是正軌方程？
- 什麼是SGD-隨機梯度降落？與通常的梯度降落有何不同？
- 有哪些評價迴歸模型的指標？
- 什麼是MSE和RMSE？
考證方式
- 什麼是過擬合？
- 如何考證模型？
- 為什麼需求將數據分為三個局部：鍛鍊，考證和測試？
- 解釋穿插考證的工作原理？
- 什麼是K折穿插考證？
- 如何在K折穿插考證當選擇K？你最喜歡的K是什麼？
分類
- 什麼是分類？哪些模型能夠處理分類問題？
- 什麼是邏輯迴歸？什麼時分需求運用它？
- Logistic迴歸是線性模型嗎？為什麼？
- 什麼是Sigmoid？它有什麼作用？
- 如何評價分類模型？
- 什麼是精確性？
- 精確性一直是一個好的指標嗎？
- 什麼是混雜表？表中的單元格表示什麼？
- 什麼是精度，召回率和F1分數？
- 精確率和召回率的權衡
- 什麼是ROC曲線？什麼時分運用？
- 什麼是AUC（AU ROC）？什麼時分運用？
- 如何解釋AU ROC分數？
- 什麼是PR曲線？
- PR曲線下的面積是幾？這個指標有用嗎？
- 在哪種狀況下AU PR比AU ROC好？
- 如何處置分類變量？
- 為什麼需求one-hot編碼？
正則化
- 假如的數據中包含三列：x，y，z，其中z是x、y的和，那麼線性迴歸模型會怎樣？
- 假如數據中的z列是x和y列之和加上一些隨機噪聲，那麼的線性迴歸模型會怎樣？
- 什麼是正則化？為什麼需求它？
- 有哪些正則化技術？
- 什麼樣的正則化技術適用於線性模型？
- L2正則化在線性模型中是什麼樣的？
- 如何選擇正確的正則化參數？
- L2正則化對線性模型的權重有什麼影響？
- L1正則化在線性模型中是什麼樣的？
- L2和L1正則化有什麼區別？
- 能夠在線性模型中同時具有L1和L2正則化嗎？
- 如何解釋線性模型中的常數項？
- 如何解釋線性模型中的權重？
- 假如一個變量的權重高於另一個變量的權重，那麼能夠說這個變量更重要嗎？
- 什麼時分需求對線性模型停止特徵歸一化？什麼狀況下能夠不做歸一化？
特徵選擇
- 什麼是特徵選擇？為什麼需求它？
- 特徵選擇對線性模型重要嗎？
- 有哪些特徵選擇技術？
- 能夠運用L1正則化停止特徵選擇嗎？
- 能夠運用L2正則化停止特徵選擇嗎？
決策樹
- 什麼是決策樹？
- 如何鍛鍊決策樹？
- 決策樹模型的主要參數是什麼？
- 如何處置決策樹中的分類變量？
- 與更復雜的模型相比，單個決策樹有什麼益處？
- 如何曉得哪些特徵對決策樹模型更重要？
隨機森林
- 什麼是隨機森林？
- 為什麼需求在隨機森林中停止隨機化？
- 隨機森林模型的主要參數是什麼？
- 如何選擇隨機森林中樹的深度？
- 如何曉得隨機森林需求幾棵樹？
- 隨機森林的鍛鍊並行化容易？該怎樣做？
- 隨機森林中過多的樹有什麼潛在問題？
- 能否能夠不找到最佳分割，而是隨機選擇幾個分割，然後從當選擇最佳分割？可行嗎
- 數據中存在相關特徵時會怎樣？
梯度提升
- 什麼是梯度加強樹？
- 隨機森林和梯度提升之間有什麼區別？
- 能否能夠並行化梯度提升模型的鍛鍊？怎樣做？
- 梯度加強樹種的特徵重要性-有哪些可能的選擇？
- 梯度提升模型的特徵重要性，連續變量和離散變量之間能否有區別？
- 梯度提升模型中的主要參數是什麼？
- 如何在XGBoost或LightGBM中調整參數？
- 如何在梯度提升模型當選擇樹的數量？
參數調整
- 你大致理解哪些參數調整戰略？
- 網格搜索參數調整戰略和隨機搜索有什麼區別？什麼時分運用一個或另一個？
神經網絡
- 神經網絡能夠處理哪些問題？
- 通常的全銜接前饋神經網絡如何工作？
- 為什麼需求激活功用？
- sigmoid 為激活函數有什麼問題？
- 什麼是ReLU？它比sigmoid 或tanh好嗎？
- 如何初始化神經網絡的權重？
- 假如將神經網絡的一切權重都設置為0會怎樣？
- 神經網絡中有哪些正則化技術？
- 什麼是1.1Dropout？為什麼有用？它是如何工作的？
神經網絡的優化
- 什麼是反向傳播？它是如何工作的？為什麼需求它？
- 你曉得哪些鍛鍊神經網絡的優化技術？
- 如何運用SGD（隨機梯度降落）鍛鍊神經網絡？
- 學習率是幾？
- 學習率太大時會發作什麼？太小？
- 如何設置學習率？
- 什麼是Adam？Adam和SGD之間的主要區別是什麼？
- 什麼時分運用Adam和SGD？
- 要堅持學習率不變還是在鍛鍊過程中改動它？
- 如何肯定何時中止鍛鍊神經網絡？
- 什麼是ModelCheckpoint？
- 講一下你是如何停止模型鍛鍊的？
用於計算機視覺的神經網絡
- 如何運用神經網絡停止計算機視覺？
- 什麼是卷積層？
- 為什麼需求卷積？不能運用全銜接層嗎？
- CNN中的pooling是什麼？為什麼需求它？
- Max pooling如何工作？還有其他池化技術嗎？
- CNN能否抗旋轉？假如旋轉圖像，CNN的預測會怎樣？
- 什麼是數據加強？為什麼需求它們？你曉得哪種加強？
- 如何選擇要運用的加強？
- 你曉得什麼樣的CNN分類體系？
- 什麼是遷移學習？它是如何工作的？
- 什麼是目的檢測？你曉得有哪些框架嗎？
- 什麼是對象分割？你曉得有哪些框架嗎？
文字分類
- 如何運用機器學習停止文本分類？
- 什麼是詞袋模型？如何將其用於文本分類？
- 詞袋模型的優缺陷是什麼？
- 什麼是N-gram？如何運用它們？
- 運用N-gram時，詞袋模型中N應該是幾？
- 什麼是TF-IDF？它對文本分類有什麼用？
- 你用過哪種模型對帶有詞袋特徵的文本停止分類？
- 運用詞袋停止文本分類時，你希望運用梯度提升樹模型還是邏輯迴歸？
- 什麼是詞嵌入？為什麼有用？你曉得Word2Vec嗎？
- 你還曉得其他詞嵌入的辦法嗎？
- 假如你的句子包含多個單詞，則可能需求將多個單詞嵌入組合為一個。你會怎樣做？
- 在停止帶有嵌入的文本分類時，運用梯度提升樹模型還是邏輯迴歸？
- 如何運用神經網絡停止文本分類？
- 如何運用CNN停止文本分類？
聚類
- 什麼是無監視學習？
- 什麼是聚類？什麼時分需求它？
- K-means是如何工作的嗎？
- 如何為K均值選擇K？
- 你還曉得其他哪些聚類算法？
- 你曉得DBScan如何工作嗎？
- 何時選擇K-means，何時選擇DBScan？
降維
- 維度災難是什麼？為什麼要關懷它？
- 你曉得降維技巧嗎？
- 什麼是奇特值合成？它通常如何用於機器學習？
排序和搜索
- 什麼是排序問題？能夠運用哪些模型來處理它們？
- 文本信息檢索任務重，什麼是好的無監視baselines？
- 如何評價排序算法？運用哪些離線指標？
- k的精度和召回率是幾？
- k的均勻精度均值是幾？
- 如何運用機器學習停止搜索？
- 如何取得鍛鍊算法的排序數據？
- 能夠將搜索問題表述為分類問題嗎？
- 如何將點擊數據用作鍛鍊數據以停止排序算法？
- 如何運用梯度提升樹停止排序？
- 如何在線評價新的排序算法？
引薦系統
- 什麼是引薦系統？
- 樹立引薦系統時有什麼好的 baseline？
- 什麼是協同過濾？
- 如何將隱式反應（點擊等）歸入引薦系統？
- 什麼是冷啟動問題？
- 處理冷啟動問題的可能辦法？
時間序列
- 什麼是時間序列？
- 時間序列與通常的迴歸問題有何不同？
- 用於處理時間序列問題的有哪些模型？
- 假如序列中有趨向，如何消弭它？為什麼要這麼做？
- 在時間t處測得只要一個變量“y”的序列。如何在時間t + 1預測“y”？運用哪種辦法？
- 有一個帶有變量“y”和一系列特徵的序列。如何預測t + 1時的“y”？運用哪種辦法？
- 運用樹來處理時間序列問題有什麼問題？
以上！希望它對各位有用，趕緊考考本人先，也希望大家面試順利！更多人工智能，機器學習方面的教程也會繼續更新！
分享到:
