机器学习面试题汇总与解析——前言与大纲

1. 故事引入
2. 专栏介绍
3. 作者介绍
4. 大纲

受众：本教程适合于Python已经入门的学生或人士，有一定的编程基础。

本教程适合于算法工程师、机器学习求职的学生或人士。

---

故事引入

---

蒋 豆 芽：老李，我们之前的C++与嵌入式教程（https://www.nowcoder.com/tutorial/10078/index ） 真的写得很棒啊，知识点非常全面，适合非科班的同学，两年以来广受好评，太酷了。

隔壁老李：（一脸欣喜）我也感觉十分的欣慰。能够在繁忙的春秋招中帮助到大家，真是很开心啊。

蒋 豆 芽：嘿嘿，这还没够呢！我趁热打铁，又写作了《机器学习面试题汇总与解析》，继续来帮助大家应对算法岗位的求职。

隔壁老李：好啊你，豆芽，不错不错！你研究生就是搞机器学习的，写作面经也是对自己的一个总结。

蒋 豆 芽：嘿嘿，本专栏特点如下：

• 本专栏适合于Python已经入门的学生或人士，有一定的编程基础。

• 本专栏适合于算法、机器学习求职的学生或人士。

• 本专栏特点：

  • 本专栏囊括了深度学习、机器学习、NLP、特征工程等一系列知识点的讲解，并且最后总结出了高频面试考点（附有答案）共 450 道，知识点讲解全面，事半功倍，为大家春秋招助力。不仅如此，教程还讲解了简历制作、笔试面试准备、面试技巧等内容。

隔壁老李：嗯嗯，豆芽，你总结的很好！

蒋 豆 芽：好好好！老李，让我们一起开启春秋招打怪之旅吧！！！

隔壁老李：冲！

---

故事完

---

• 本专栏适合于Python已经入门的学生或人士，有一定的编程基础。
• 本专栏适合于算法工程师、机器学习、图像处理求职的学生或人士。
• 本专栏针对面试题答案进行了优化，尽量做到好记、言简意赅。这才是一份面试题总结的正确打开方式。这样才方便背诵
• 如专栏内容有错漏，欢迎在评论区指出或私聊我更改，一起学习，共同进步。
• 相信大家都有着高尚的灵魂，请尊重我的知识产权，未经允许严禁各类机构和个人转载、传阅本专栏的内容。

---

作者介绍

湖南大学（985）硕士研究生（1%保研），国家奖学金、省优秀研究生称号获得者。校招面试过数十家公司，经验丰富，获得过华为、京东、顺丰科技等公司 offer。个人面试经历写作为专刊文章，目前为牛客网专刊作者。擅长机器学习、C++后台开发、嵌入式软件开发。非科班研究生，立志进入互联网领域，最后通过自己的努力拿到大公司的 offer，将自己的经历写入了《蒋豆芽的秋招打怪之旅》故事中，和大家分享春秋招的酸甜苦辣。

大纲

1. 深度学习——激活函数

1. 说一下你了解的激活函数？分别应用于什么场景？⭐⭐⭐⭐⭐

2. 说说你平时都用过什么激活函数，各自什么特点？⭐⭐⭐⭐⭐

3. 写一下 leaky ReLU 的公式，跟 ReLU 比有什么优势？⭐⭐⭐⭐⭐

4. 了解 ReLU6 吗？⭐⭐⭐⭐⭐

5. sigmoid 有什么缺点，有哪些解决办法？⭐⭐⭐⭐⭐

6. ReLU 在零点可导吗，不可导如何进行反向传播？⭐⭐⭐⭐⭐

7. 推导 sigmoid 求导公式⭐⭐⭐⭐⭐

8. Softmax 公式，Softmax 溢出怎么处理⭐⭐⭐⭐⭐

9. Softmax 公式求导⭐⭐⭐⭐⭐

10. 激活函数的定义与作用⭐⭐⭐⭐⭐

11. 神经网络输出均值为 0 的好处，哪些激活函数均值为 0？⭐⭐⭐⭐

11. Sigmoid 函数的特点⭐⭐⭐⭐⭐

12. ReLU 函数的特点⭐⭐⭐⭐⭐

12. Softmax 函数的应用场景⭐⭐⭐⭐⭐

13. 为什么需要使用非线性激活函数而不是线性激活函数？⭐⭐⭐⭐

14. 在训练神经网络时，选择激活函数有什么考虑因素？⭐⭐⭐⭐

15. 在自然语言处理（NLP）任务中，常用的激活函数有哪些？⭐⭐⭐⭐

2. 深度学习——初始化方法

1. 说说初始化方法有哪些？⭐⭐⭐⭐⭐

2. 理想的参数初始化方法是什么？⭐⭐⭐⭐⭐

3. 说说你用过的初始化方法，都有哪些优缺点⭐⭐⭐⭐⭐

4. 网络参数初始化为 0 可以吗？⭐⭐⭐⭐⭐

5. 随机初始化参数有什么问题？⭐⭐⭐⭐⭐

6. 手推梯度消失和梯度爆炸问题⭐⭐⭐⭐⭐

7. 怎么缓解梯度消失⭐⭐⭐⭐⭐

8. 梯度消失的根本原因⭐⭐⭐⭐⭐

9. 说说归一化方法⭐⭐⭐⭐⭐

10. Xavier 初始化方法和 He 初始化方法有什么区别？它们适用于什么类型的激活函数？⭐⭐⭐⭐⭐

3. 深度学习——损失函数

1. 说一下你了解的损失函数？各自的运用场景⭐⭐⭐⭐⭐

2. 说说你平时都用过什么损失函数，各自什么特点？⭐⭐⭐⭐⭐

3. 交叉熵函数与最大似然函数的联系和区别？⭐⭐⭐⭐⭐

4. 在用 sigmoid 作为激活函数的时候，为什么要用交叉熵损失函数，而不用均方误差损失函数？⭐⭐⭐⭐⭐

5. 关于交叉熵损失函数（Cross-entropy）和平方损失（MSE）的区别？⭐⭐⭐⭐⭐

6. 推导交叉熵损失函数？⭐⭐⭐⭐⭐

7. 为什么交叉熵损失函数有 log 项？⭐⭐⭐⭐⭐

8. 说说 adaboost 损失函数⭐⭐⭐⭐

9. 说说 SVM 损失函数⭐⭐⭐⭐

10. 简单的深度神经网络（DNN）的损失函数是什么？⭐⭐⭐⭐

11. 说说 KL 散度⭐⭐⭐⭐

12. 说说 Yolo 的损失函数⭐⭐⭐⭐⭐

13. 交叉熵的设计思想是什么⭐⭐⭐⭐⭐

14. 说说 iou 计算⭐⭐⭐⭐⭐

15. 手写 miou 计算⭐⭐⭐⭐⭐

16. 交叉熵为什么可以做损失函数⭐⭐⭐⭐⭐

17. 什么是损失函数，作用是什么？⭐⭐⭐⭐⭐

18. 什么时候使用绝对值损失函数而不是均方误差损失函数？⭐⭐⭐⭐⭐

19. 为什么在分类任务中使用交叉熵损失函数而不是均方误差损失函数？⭐⭐⭐⭐⭐

20. 损失函数的分类⭐⭐⭐⭐⭐

21. 目标检测和分割的 loss 有什么区别⭐⭐⭐⭐⭐

4. 深度学习——优化函数

1. 说一下你了解的优化函数？⭐⭐⭐⭐⭐

2. SGD 和 Adam 谁收敛的比较快？谁能达到全局最优解？⭐⭐⭐⭐⭐

3. 说说常见的优化器以及优化思路，写出他们的优化公式⭐⭐⭐⭐⭐

4. 深度学习中的优化算法总结 Optimizer⭐⭐⭐⭐⭐

5. adam 用到二阶矩的原理是什么⭐⭐⭐⭐⭐

6. Batch size 的大小如何选择，过大的 batch size 和过小的 batch size 分别有什么影响⭐⭐⭐⭐⭐

7. 梯度下降的思想⭐⭐⭐⭐⭐

8. Momentum 随机梯度下降法的基本步骤⭐⭐⭐⭐⭐

9. 什么是优化函数，常见的优化器有哪些？⭐⭐⭐⭐⭐

10. 批次梯度下降法和随机梯度下降法的区别⭐⭐⭐⭐⭐

11. 什么是鞍点，如何跨过鞍点⭐⭐⭐⭐⭐

12. 说说优化器的发展过程⭐⭐⭐⭐⭐

13. 优化器如何选择⭐⭐⭐⭐⭐

14. 什么是梯度下降法？它的优缺点是什么？⭐⭐⭐⭐⭐

15. 什么是自适应学习率优化算法？请举例说明。⭐⭐⭐⭐⭐

16. 什么是学习率衰减（Learning Rate Decay）？为什么要使用学习率衰减？⭐⭐⭐⭐⭐

17. 什么是梯度剪裁（Gradient Clipping）？为什么要使用梯度剪裁？⭐⭐⭐⭐⭐

18. 什么是Adam优化算法？它与其他优化算法相比有什么优势？⭐⭐⭐⭐⭐

5. 深度学习——正则化

1. 解决模型训练过拟合有哪些思路？⭐⭐⭐⭐⭐

2. 如何判断过拟合？⭐⭐⭐⭐⭐

3. 正则化 $l_1$（lasso）和 $l_2$（ridge）的区别？⭐⭐⭐⭐⭐

4. L1 有什么缺点？⭐⭐⭐⭐⭐

5. L1 正则为什么可以达到模型特征的稀疏性⭐⭐⭐⭐⭐

6. 说说BN（Batch Normolization）的原理⭐⭐⭐⭐⭐

7. 知道 BN 吗？公式写一下，有什么作用与优势？BN 的计算过程。⭐⭐⭐⭐⭐

8. BN 训练和测试有什么不同？⭐⭐⭐⭐⭐

9. 介绍一下 BN 和 LN？有什么差异？LN 是在哪个维度上进行归一化？⭐⭐⭐⭐⭐

10. 要同时使用 BN 和 dropout 该如何使用？⭐⭐⭐⭐⭐

11. BN 的 gama labada 意义⭐⭐⭐⭐⭐

12. 数据增强的方法⭐⭐⭐⭐⭐

13. 两个正则化的参数分布⭐⭐⭐⭐⭐

14. 在预测的时候，是使用 dropout 训练出的权重还是要乘以 keep-prib 呢，为什么？⭐⭐⭐⭐⭐

15. 为什么 Lasso 可以筛选变量?⭐⭐⭐⭐⭐

16. L1 正则化为什么能缓解过拟合⭐⭐⭐⭐⭐

17. BN+CONV 融合公式及作用⭐⭐⭐⭐⭐

18. 什么是正则化？为什么在机器学习中需要使用正则化技术？⭐⭐⭐⭐⭐

19. 正则化的原理⭐⭐⭐⭐⭐

20. 正则化对模型的复杂度有什么影响？如何权衡正则化的力度？⭐⭐⭐⭐⭐

6. 深度学习——卷积与池化

1. 说说有哪些卷积⭐⭐⭐⭐⭐

2. 卷积实现原理？用代码实现一下⭐⭐⭐⭐⭐

3. 卷积基本计算公式⭐⭐⭐⭐⭐

4. 卷积操作后的特征图大小⭐⭐⭐⭐⭐

5. 常规卷积和深度可分离卷积的计算量⭐⭐⭐⭐⭐

6. 反卷积是怎么做的， unpooling 中 maxPooling 怎么实现？⭐⭐⭐⭐⭐

7. 什么是空洞卷积？⭐⭐⭐⭐⭐

8. 知道哪些卷积类型？请介绍一下⭐⭐⭐⭐⭐

9. 为什么 Depthwise 卷积后还要进行 pointwise 卷积⭐⭐⭐⭐⭐

10. 卷积的底层实现/加速技巧⭐⭐⭐⭐⭐

11. 1x1卷积有什么作用⭐⭐⭐⭐⭐

12. CNN有什么特点和优势⭐⭐⭐⭐⭐

13. 说说你了解的 pooling 方法⭐⭐⭐⭐⭐

14. pooling 层的作用⭐⭐⭐⭐⭐

15. 常用的 pooling 方法有哪些，那个更好？⭐⭐⭐⭐⭐

16. 说一下 ROI Pooling⭐⭐⭐⭐⭐

17. 说一下 maxpooling 的反向传播怎么处理⭐⭐⭐⭐⭐

18. 语义分割上采样的方法⭐⭐⭐⭐⭐

19. 说说金字塔池化⭐⭐⭐⭐⭐

20. 卷积神经网络（CNN）中的卷积层有什么作用？⭐⭐⭐⭐⭐

21. 卷积层中的步长（stride）和填充（padding）有什么作用？⭐⭐⭐⭐⭐

22. 什么是卷积神经网络中的局部感受野（local receptive field）？⭐⭐⭐⭐⭐

23. 卷积层中的参数共享是什么意思？⭐⭐⭐⭐⭐

24. 卷积神经网络中的池化层和卷积层有何不同？⭐⭐⭐⭐⭐

25. 卷积层与全连接层之间有什么区别？⭐⭐⭐⭐⭐

26. 卷积核的作用是什么？它如何影响特征提取？⭐⭐⭐⭐⭐

27. 卷积神经网络中的多通道卷积是如何工作的？⭐⭐⭐⭐⭐

28. 池化层对输入图像的尺寸有何影响？池化层的操作是否具有可逆性？⭐⭐⭐⭐⭐

29. 池化操作是否具有参数？如果有，它们是如何学习的？⭐⭐⭐⭐⭐

30. RoI Pooling 有什么缺陷？⭐⭐⭐⭐⭐

7. 深度学习——技术发展

1. 说说分类网络的发展⭐⭐⭐⭐

2. 为什么要设计残差连接⭐⭐⭐⭐⭐

3. 说说语义分割网络的发展⭐⭐⭐⭐

4. deeplabV3 有什么改进，具体讲一下⭐⭐⭐⭐⭐

5. vgg16 同期还有哪些网络，inception 结构有什么特点⭐⭐⭐⭐⭐

6. 什么是感受野⭐⭐⭐⭐⭐

7. 讲一下 mobileNet 系列，ResNet 系列⭐⭐⭐⭐⭐

8. 说说目标检测的发展⭐⭐⭐⭐⭐

9. 讲一下目标检测 one stage， two stage，讲一下 yoloV1⭐⭐⭐⭐⭐

10. yolo 实现，损失函数⭐⭐⭐⭐⭐

11. Faster R-CNN 的具体流程⭐⭐⭐⭐⭐

12. Faster R-CNN 训练和测试的流程有什么不一样⭐⭐⭐⭐⭐

13. YOLOv3 和 Faster R-CNN 的差异⭐⭐⭐⭐⭐

14. YOLO 系列有几个版本，YOLOv4 用到了哪优化方法⭐⭐⭐⭐⭐

15.除了聚类，还有哪些 anchor 的设计⭐⭐⭐⭐⭐

16. anchor 的理解⭐⭐⭐⭐⭐

17. Anchor-free 的优势在哪里⭐⭐⭐⭐⭐

18. 介绍目标检测比赛中的有用的 trick 有哪些⭐⭐⭐⭐

19. 说一下非极大值抑制（NMS），实现细节，手写 nms⭐⭐⭐⭐⭐

20. faster RCNN原理介绍，要详细画出图⭐⭐⭐⭐⭐

21. RPN 网络的作用和实现细节⭐⭐⭐⭐⭐

22. RPN 的损失函数⭐⭐⭐⭐⭐

23. RPN 中的 anchor box 是怎么选取的？⭐⭐⭐⭐⭐

23. 为什么提出 anchor box？为什么使用不同尺寸和不同长宽比？⭐⭐⭐⭐⭐

24. ROI Pooling 与 ROI Align (Mask R-CNN) 的区别？⭐⭐⭐⭐⭐

25. NMS 算法中，假设两个目标靠的很近，则会识别成一个bbox，会有什么问题，怎么解决？⭐⭐⭐⭐⭐

26. Faster rcnn有什么不足的地方吗？如何改进？⭐⭐⭐⭐⭐

27. 简要阐述一下FPN网络具体是怎么操作的 FPN 网络的结构？⭐⭐⭐⭐⭐

28. 阐述一下FPN为什么能提升小目标的准确率？⭐⭐⭐⭐⭐

29. 简要阐述一下 RetinaNet⭐⭐⭐⭐⭐

30. 阐述一下 Mask RCNN 网络，这个网络相比于 Faster RCNN 网络有哪些改进的地方⭐⭐⭐⭐⭐

31. 分析一下 SSD,YOLO,Faster rcnn 等常用检测网络对小目标检测效果不好的原因⭐⭐⭐⭐⭐

32. 如何理解 concat 和 add 这两种常见的 feature map 特征融合方式⭐⭐⭐⭐⭐

33. 阐述一下如何检测小物体⭐⭐⭐⭐⭐

34. 阐述一下目标检测任务中的多尺度⭐⭐⭐⭐⭐

35. 介绍下 YOLO 的版本发展⭐⭐⭐⭐⭐

8. 深度学习——NLP

1. LSTM 与 Transformer 的区别⭐⭐⭐⭐⭐

2. BERT是什么？简要介绍一下BERT的结构和原理。⭐⭐⭐⭐⭐

3. cbow 与 skip-gram 的区别和优缺点⭐⭐⭐⭐⭐

4. Bert 的 MLM 预训练任务 mask 的目的是什么⭐⭐⭐⭐⭐

5. CRF 原理⭐⭐⭐⭐

6. Bert 采用哪种 Normalization 结构，LayerNorm 和 BatchNorm 区别，LayerNorm 结构有参数吗，参数的作用？⭐⭐⭐⭐⭐

7. 如何优化 BERT 效果⭐⭐⭐⭐⭐

8. BERT self-attention 相比 LSTM 优点是什么？⭐⭐⭐⭐⭐

9. 说说循环神经网络⭐⭐⭐⭐⭐

10. 说说 LSTM⭐⭐⭐⭐⭐

11. LSTM 的结构⭐⭐⭐⭐⭐

12. LSTM 的三个门怎么运作的，写一下三个门的公式⭐⭐⭐⭐⭐

13. LSTM 为什么可以解决长期依赖，LSTM 会梯度消失吗⭐⭐⭐⭐⭐

14. LSTM 相较于 RNN 的优势⭐⭐⭐⭐⭐

15. 讲一下 LSTM，LSTM相对于 RNN 有哪些改进？ LSTM 为什么可以解决长期问题，相对与 RNN 改进在哪

16. 讲一下 LSTM 吧，门都是怎么迭代的⭐⭐⭐⭐⭐

17. RNN 为什么难以训练，LSTM 又做了什么改进⭐⭐⭐⭐⭐

18. wide & deep 模型 wide 部分和 deep 部分分别侧重学习什么信息⭐⭐⭐⭐⭐

19. DeepFM 一定优于 wide & deep 吗⭐⭐⭐⭐⭐

20. BERT 的输入是什么？它如何处理变长的文本序列？⭐⭐⭐⭐⭐

21. 什么是 BERT 的词嵌入（Word Embeddings）？它与传统的词嵌入方法有何不同？⭐⭐⭐⭐⭐

22. self-attention 理解和作用，为什么要除以根号 dk？⭐⭐⭐⭐⭐

23. BERT 中并行计算体现在哪儿⭐⭐⭐⭐⭐

24. 翻译中 Q\K\V 对应的是什么⭐⭐⭐⭐⭐

26. 介绍 Transformer 以及讲优势⭐⭐⭐⭐⭐

27. Transformer encoder 和 decoder 的介绍⭐⭐⭐⭐⭐

28. Transformer 的 position encoding 和 BERT 的 position embedding 的区别⭐⭐⭐⭐⭐

29. BERT 模型结构⭐⭐⭐⭐⭐

30. 请解释一下词嵌入（Word Embeddings）是什么，为什么它在NLP中很重要？⭐⭐⭐⭐

31. 什么是序列到序列（Sequence-to-Sequence）模型？有什么应用？⭐⭐⭐⭐⭐

32. 什么是情感分析（Sentiment Analysis）？请说明情感分析的应用场景和常用的方法。⭐⭐⭐⭐

33. 请解释一下主题建模（Topic Modeling）是什么，以及常用的主题建模算法。⭐⭐⭐⭐

34. 什么是门控循环单元（Gated Recurrent Unit, GRU）？它与 LSTM 有什么区别和类似之处？⭐⭐⭐⭐⭐

35. BERT 是如何进行预训练和微调的？解释一下 BERT 的预训练任务和微调任务。⭐⭐⭐⭐⭐

36. BERT 的优势和局限是什么？它在哪些方面有改进空间？⭐⭐⭐⭐⭐

37. 最近的 BERT 模型变体有哪些？列举一些 BERT 的扩展和改进。⭐⭐⭐⭐⭐

38. 介绍一下 Word2Vec ⭐⭐⭐

39. 请解释一下 Transformer 模型的基本结构和原理。⭐⭐⭐⭐⭐

40. Transformer中的位置编码（Positional Encoding）有什么作用？如何实现位置编码？⭐⭐⭐

41. Transformer 中的编码器和解码器的作用分别是什么？它们之间有什么区别？⭐⭐⭐⭐

42. Transformer 模型中的多头注意力机制（Multi-Head Attention）是如何工作的？为什么使用多头注意力？⭐⭐⭐⭐

43. Transformer 模型中的损失函数是什么？⭐⭐⭐⭐

44. Transformer 模型中的前馈神经网络（Feed-Forward Network）是什么？它有什么作用？⭐⭐⭐⭐

45. GPT 与 BERT 相比有何不同？它们各自适用于哪些任务？⭐⭐⭐⭐

9. 深度学习——GAN

1. GAN 是用来干什么的，怎么用的，介绍一下⭐⭐⭐⭐⭐

2. GAN 的优缺点是什么?⭐⭐⭐⭐⭐

3. GAN 为什么不好收敛⭐⭐⭐⭐⭐

4. 为什么 GAN 中的优化器不常用 SGD⭐⭐⭐⭐⭐

5. 生成对抗网络在哪里用到的，起什么作用，损失函数是什么⭐⭐⭐⭐⭐

6. 训练 GAN 的一些技巧⭐⭐⭐⭐⭐

7. 说说 GAN 的训练过程⭐⭐⭐⭐⭐

8. Pix2pix 和 cycleGan 的区别⭐⭐⭐⭐⭐

9. GAN 中的模式崩溃（Mode Collapse）是什么？它如何产生？如何避免模式崩溃？⭐⭐⭐⭐⭐

10. 什么是生成对抗网络的改进版 DCGAN？它在原始 GAN 的基础上有什么改进？⭐⭐⭐⭐⭐

11. 生成对抗网络能否用于其他任务，而不仅仅是图像生成？请举例说明。⭐⭐⭐⭐⭐

12. 什么是生成对抗网络的生成器的输入噪声（Latent Noise）？为什么要引入噪声？⭐⭐⭐⭐⭐

13. 生成对抗网络如何处理多模态数据，例如文本到图像的生成？⭐⭐⭐⭐⭐

10. 深度学习——模型优化

1. 若 CNN 网络很庞大，在手机上运行效率不高，对应模型压缩方法有了解吗⭐⭐⭐⭐⭐

2. 介绍一下模型压缩常用的方法？为什么用知识蒸馏？⭐⭐⭐⭐⭐

3. 知道模型蒸馏吗？谈下原理⭐⭐⭐⭐

4. 做过模型优化吗？模型蒸馏和模型裁剪？⭐⭐⭐⭐⭐

5. squeezeNet 的 Fire Module 有什么特点？⭐⭐⭐⭐

6. 降低网络复杂度但不影响精度的方法⭐⭐⭐⭐⭐

7. 如果让模型速度提高一倍，有什么解决方案？⭐⭐⭐⭐⭐

12. 机器学习——评价指标

1. 说说机器学习评价指标⭐⭐⭐⭐⭐

2. AUC 是什么？AUC 是否对正负样本比例敏感？⭐⭐⭐⭐⭐

3. 分类模型如何评价⭐⭐⭐⭐⭐

4. 准确率与精准率的区别⭐⭐⭐⭐⭐

5. AUC 的意义和两种计算方法⭐⭐⭐⭐⭐

6. 讲讲分类，回归，推荐，搜索的评价指标⭐⭐⭐⭐⭐

7. AB test 的原理⭐⭐⭐⭐⭐

8. 解释一下混淆矩阵（Confusion Matrix），以及如何从中计算评价指标。⭐⭐⭐⭐

9. 说说判别式与生成式模型⭐⭐⭐⭐

10. 判别式与生成式模型对应的算法⭐⭐⭐⭐

11. 判别式与生成式模型的区别⭐⭐⭐⭐

12. 例举常用的机器学习算法⭐⭐⭐⭐

13. 机器学习——回归

1. 逻辑回归 LR 详细推导⭐⭐⭐⭐⭐

2. 回归和分类的区别⭐⭐⭐⭐⭐

3. 逻辑回归特征是否需要归一化⭐⭐⭐⭐⭐

4. 什么样的模型需要特征归一化⭐⭐⭐⭐⭐

5. 如何提升逻辑回归 LR 的模型性能？⭐⭐⭐⭐⭐

6. 逻辑回归为啥要做特征离散化⭐⭐⭐⭐⭐

7. LR 的详细过程，如何优化⭐⭐⭐⭐⭐

8. LR 公式推导⭐⭐⭐⭐⭐

9. 最小二乘法在什么条件下与极大似然估计等价？⭐⭐⭐⭐⭐

10. 逻辑回归为什么不用平方损失函数？⭐⭐⭐⭐⭐

11. LR 可以处理非线性情况吗？⭐⭐⭐⭐⭐

12. LR 的参数可以初始化 0 吗？⭐⭐⭐⭐⭐

13. 说一下机器学习和神经网络之间的模型之间的区别？⭐⭐⭐⭐⭐

14. 线性回归和逻辑回归的区别⭐⭐⭐⭐⭐

15. 线性回归和逻辑回归的优缺点⭐⭐⭐⭐⭐

16. 什么是多项式回归？它与线性回归有何区别？⭐⭐⭐⭐⭐

17. 请解释一下岭回归和 Lasso 回归。它们的作用是什么？⭐⭐⭐⭐⭐

18. 什么是最小二乘法？它在回归中有什么作用？⭐⭐⭐⭐⭐

19. 线性回归简单代码实现⭐⭐⭐⭐⭐

20. 逻辑回归简单代码实现⭐⭐⭐⭐⭐

14. 机器学习——kNN

1. kNN 介绍一下⭐⭐⭐⭐

2. kNN 优缺点⭐⭐⭐⭐

3. kNN 的 k 值怎么选⭐⭐⭐⭐

4. kNN 数据需要归一化吗？⭐⭐⭐⭐

5. kNN 三要素说一下⭐⭐⭐⭐

6. 欧式距离与曼哈顿距离区别⭐⭐⭐⭐

7. kNN 的 k 设置的过大或过小会有什么问题⭐⭐⭐⭐

8. kNN 算法在处理高维数据时有什么问题？⭐⭐⭐⭐

9. 如何处理不平衡数据集的情况下的 kNN 分类问题？⭐⭐⭐⭐

10. kNN 算法如何处理缺失值？⭐⭐⭐⭐

11. 如何加速 kNN 算法的计算过程？⭐⭐⭐⭐

12. kNN 简单代码实现⭐⭐⭐⭐

15. 机器学习——聚类

1. K-means 介绍一下⭐⭐⭐⭐⭐

2. K-means 优缺点⭐⭐⭐⭐⭐

3. K-means 的簇（K）怎么选⭐⭐⭐⭐⭐

4. K-means 如何调优⭐⭐⭐⭐⭐

5. 知道哪些聚类模型⭐⭐⭐⭐⭐

6. K-means 的过程⭐⭐⭐⭐⭐

7. K-means 聚类如何选择初始点⭐⭐⭐⭐⭐

8. K-means 聚类，聚的是特征还是样本？特征的距离如何计算？⭐⭐⭐⭐⭐

9. 聚类算法知道哪些⭐⭐⭐⭐⭐

10. K-means 算法和 EM 算法的区别⭐⭐⭐⭐⭐

11. 写 K-means 代码⭐⭐⭐⭐⭐

12. 介绍 K-means++⭐⭐⭐⭐⭐

13. K-means 算法的收敛条件是什么？⭐⭐⭐⭐⭐

14. K-means 算法在处理大规模数据时有什么问题？如何解决这些问题？⭐⭐⭐⭐⭐

15. 如何评估 K-means 聚类的性能和聚类结果的质量？⭐⭐⭐⭐⭐

16. K-means 算法的运行时间复杂度是多少？⭐⭐⭐⭐⭐

16. 机器学习——决策树

1. 决策树介绍一下⭐⭐⭐⭐⭐

2. 决策树优缺点⭐⭐⭐⭐⭐

3. 决策树的划分标准是什么⭐⭐⭐⭐⭐

4. ID3 和 C4.5 的区别⭐⭐⭐⭐⭐

5. 树模型对离散特征怎么处理的⭐⭐⭐⭐⭐

6. 树模型怎么决定一个叶子结点是否要分裂⭐⭐⭐⭐⭐

7. 决策树出现过拟合的原因及解决办法⭐⭐⭐⭐⭐

8. 如何对决策树进行剪枝？⭐⭐⭐⭐⭐

9. 决策树需要进行归一化处理吗⭐⭐⭐⭐⭐

10. 决策树与逻辑回归的区别⭐⭐⭐⭐⭐

11. 说下决策树的损失函数⭐⭐⭐⭐⭐

12. 决策树是如何处理连续特征和离散特征的？⭐⭐⭐⭐⭐

13. 决策树如何处理缺失值和异常值？⭐⭐⭐⭐⭐

14. 决策树简单代码实现⭐⭐⭐⭐

17. 机器学习——SVM

1. 推导 SVM⭐⭐⭐⭐⭐

2. LR 和 SVM 联系与区别⭐⭐⭐⭐⭐

3. SVM 介绍一下⭐⭐⭐⭐⭐

4. 讲一下 SVM 的原理⭐⭐⭐⭐⭐

5. 如果特征比较多，用 LR 还是 SVM?⭐⭐⭐⭐⭐

6. 介绍 SVM⭐⭐⭐⭐⭐

7. SVM 是否可以用随机梯度下降⭐⭐⭐⭐⭐

8. SVM 优缺点⭐⭐⭐⭐⭐

9. 为什么要将求解 SVM 的原始问题转换为其对偶问题⭐⭐⭐⭐⭐

10. 为什么 SVM 对缺失数据敏感⭐⭐⭐⭐⭐

11. SVM 怎么防止过拟合 ?⭐⭐⭐⭐⭐

12. SVM 如何处理线性可分和线性不可分的情况？⭐⭐⭐⭐⭐

13. SVM 中的核函数有什么作用？常见的核函数有哪些？⭐⭐⭐⭐⭐

14. 什么是支持向量？它们在 SVM 中起什么作用？⭐⭐⭐⭐⭐

15. SVM 的优化目标是什么？如何解决该优化问题？⭐⭐⭐⭐⭐

16. SVM的正则化参数C是什么？它对模型有什么影响？⭐⭐⭐⭐⭐

17. SVM如何处理多类分类问题？⭐⭐⭐⭐⭐

18. SVM在处理高维数据时有什么问题？如何应对？⭐⭐⭐⭐⭐

19. SVM用于解决什么类型的问题？它适用于分类问题还是回归问题？⭐⭐⭐⭐⭐

20. SVM 简单代码实现⭐⭐⭐⭐

18. 机器学习——集成学习

1. LightGBM 和 XGBoost、GBDT 的区别⭐⭐⭐⭐⭐

2. XGBoost 和 GBDT 的区别⭐⭐⭐⭐⭐

3. XGBoost 的 block 结构⭐⭐⭐⭐⭐

4. XGBoost 的优缺点⭐⭐⭐⭐⭐

5. 集成学习 Bootstrap Bagging Boosting⭐⭐⭐⭐⭐

6. RF 和 GBDT 的区别⭐⭐⭐⭐⭐

7. GBDT 是否适合于处理大规模的 ID 特征⭐⭐⭐⭐⭐

8. LightGBM 的直方图 排序后会比 XGBoost 的效果差吗，为什么⭐⭐⭐⭐⭐

9. XGBoost 正则化项和什么有关⭐⭐⭐⭐⭐

10. 随机森林哪两个随机⭐⭐⭐⭐⭐

11. bootstrap 怎么做的⭐⭐⭐⭐⭐

12. 介绍 GBDT 的详细计算过程⭐⭐⭐⭐⭐

13. XGBoost 的正则项是什么⭐⭐⭐⭐⭐

14. XGBoost 缺失值处理方法⭐⭐⭐⭐⭐

15. 为什么 xgboost 要二阶展开？⭐⭐⭐⭐⭐

16. 集成学习的方法有哪些⭐⭐⭐⭐⭐

17. 泰勒公式求 e 的近似值⭐⭐⭐⭐⭐

19. GBDT 的 G 梯度的向量长度为多少⭐⭐⭐⭐⭐

20. 什么是集成学习？简要解释其原理和优势。⭐⭐⭐⭐⭐

21. Bagging 和 Boosting 的区别是什么？⭐⭐⭐⭐⭐

22. 请解释一下随机森林（Random Forest）的原理。⭐⭐⭐⭐⭐

23. GBDT（Gradient Boosting Decision Trees）是如何工作的？请列出其算法步骤。⭐⭐⭐⭐⭐

24. Stacking 是什么？请解释其工作原理。⭐⭐⭐⭐⭐

25. 集成学习中如何处理模型之间的差异和冲突？⭐⭐⭐⭐⭐

26. 集成学习在解决什么类型的问题上表现较好？⭐⭐⭐⭐⭐

27. 在集成学习中，如何处理数据不平衡问题？⭐⭐⭐⭐⭐

19. 机器学习——朴素贝叶斯

1. 朴素贝叶斯介绍一下⭐⭐⭐⭐⭐

2. 朴素贝叶斯优缺点⭐⭐⭐⭐⭐

3. 贝叶斯公式⭐⭐⭐⭐⭐

4. 朴素贝叶斯中的“朴素”怎么理解？⭐⭐⭐⭐⭐

5. 什么是拉普拉斯平滑法?⭐⭐⭐⭐⭐

6. 朴素贝叶斯中有没有超参数可以调？⭐⭐⭐⭐⭐

7. 你知道朴素贝叶斯有哪些应用吗？⭐⭐⭐⭐⭐

8. 朴素贝叶斯对异常值敏不敏感？⭐⭐⭐⭐⭐

9. 频率学派与贝叶斯学派的差别⭐⭐⭐⭐

10. 概率与期望的公式⭐⭐⭐⭐

11. 先验概率与后验概率⭐⭐⭐⭐

12. 朴素贝叶斯算法中如何处理连续特征和离散特征？⭐⭐⭐⭐

13. 朴素贝叶斯算法有哪些常见的变种？请简要介绍其中一种变种。⭐⭐⭐⭐

20. 机器学习——PCA 与 LDA

1. PCA 介绍一下⭐⭐⭐⭐⭐

2. 说说 PCA 的步骤⭐⭐⭐⭐⭐

3. PCA 原理⭐⭐⭐⭐⭐

4. PCA 降维之后的维度怎么确定⭐⭐⭐⭐⭐

5. 说说 PCA 的优缺点⭐⭐⭐⭐⭐

6. 推导一下 PCA⭐⭐⭐⭐⭐

7. 降维方法有哪些？⭐⭐⭐⭐⭐

8. 介绍一下 LDA⭐⭐⭐⭐⭐

9. LDA 的中心思想是什么⭐⭐⭐⭐⭐

10. LDA 的优缺点⭐⭐⭐⭐⭐

11. 说说 LDA 的步骤⭐⭐⭐⭐⭐

12. 推导一下 LDA⭐⭐⭐⭐⭐

13. PCA 和 LDA 有什么区别⭐⭐⭐⭐⭐

14. 偏差与方差⭐⭐⭐⭐

15. SVD 懂么⭐⭐⭐⭐⭐

16. 方差和协方差的理解⭐⭐⭐⭐

17. 伯努利分布和二项分布的区别⭐⭐⭐⭐

18. 除了 PCA 和 LDA 之外，你还了解其他的降维方法吗？请简要介绍一种。⭐⭐⭐⭐

21. 机器学习——特征工程

1. 特征工程有哪些⭐⭐⭐⭐⭐

2. 遇到缺值的情况，有哪些处理方式⭐⭐⭐⭐⭐

3. 样本不均衡的处理办法⭐⭐⭐⭐⭐

4. 训练时样本不平衡问题如何解决；小样本问题如何解决⭐⭐⭐⭐⭐

5. 常见的筛选特征的方法有哪些？⭐⭐⭐⭐⭐

6. 数据怎么清洗，缺失值怎么填充⭐⭐⭐⭐⭐

7. 出现 Nan 的原因⭐⭐⭐⭐⭐

8. 特征筛选，怎么找出相似性高的特征并去掉⭐⭐⭐⭐⭐

9. 对于不同场景机器学习和深度学习你怎么选择，你更习惯机器学习还是深度学习？⭐⭐⭐⭐⭐

10. 包含百万、上亿特征的数据在深度学习中怎么处理⭐⭐⭐⭐⭐

11. 类别型数据你是如何处理的？比如游戏品类，地域，设备⭐⭐⭐⭐

12. 计算特征之间的相关性方法有哪些？⭐⭐⭐⭐

13. 解释一下特征缩放的作用和常用的特征缩放方法。⭐⭐⭐⭐

14. 什么是特征交互？为什么特征交互对模型性能有影响？⭐⭐⭐⭐

22. 传统算法

1. 傅里叶变换公式及其推导⭐⭐⭐

2. 边缘检测算法⭐⭐⭐

3. 牛顿法的推导过程⭐⭐⭐

4. 了解哪些插值算法⭐⭐⭐

5. SIFT的整个详细流程⭐⭐⭐

6. SIFT和SURF的区别⭐⭐⭐

7. 牛顿法和拟牛顿法⭐⭐⭐

8. FFT 和 DFT 的区别⭐⭐⭐

9. 双线性差值的操作过程⭐⭐⭐

10. 椒盐噪声用什么滤波？⭐⭐⭐

11. canny算子是怎么做的？简述Canny算子的计算步骤⭐⭐⭐

12. SIFT特征是如何保持旋转不变性的？⭐⭐⭐

13. LBP特征⭐⭐⭐

14. 图像特征提取之HOG特征⭐⭐⭐

15. 简述一下图像处理中的膨胀和腐蚀操作⭐⭐⭐

16. 简述一下分水岭算法⭐⭐⭐

23. Python

1. python 深拷贝与浅拷贝⭐⭐⭐⭐⭐

2. python 多线程能用多个 cpu 么？⭐⭐⭐⭐⭐

3. python 垃圾回收机制⭐⭐⭐⭐⭐

4. python 里的生成器是什么⭐⭐⭐⭐⭐

5. 迭代器和生成器的区别⭐⭐⭐⭐⭐

6. 装饰器⭐⭐⭐⭐⭐

7. python 有哪些数据类型⭐⭐⭐⭐⭐

8. Python 中列表（ List ）中的 del，remove，和 pop 等的用法和区别⭐⭐⭐⭐⭐

9. python yeild 和 return 的区别⭐⭐⭐⭐⭐

10. python set 底层实现⭐⭐⭐⭐⭐

11. python 字典和 set() 的区别⭐⭐⭐⭐⭐

12. 怎么对字典的值进行排序？⭐⭐⭐⭐⭐

13. __init__ 和 __new__ 和 __call__ 的区别⭐⭐⭐⭐⭐

14. import 常用库⭐⭐⭐

15. python 的 lamda 函数⭐⭐⭐⭐⭐

16. Python 内存管理⭐⭐⭐⭐⭐

17. python 在内存上做了哪些优化？⭐⭐⭐⭐⭐

18. Python 中类方法和静态方法的区别⭐⭐⭐⭐⭐

19. python 多线程怎么实现⭐⭐⭐⭐⭐

20. 点积和矩阵相乘的区别？⭐⭐⭐⭐

21. Python 中错误和异常处理⭐⭐⭐⭐

22. Python 的传参是传值还是传址？⭐⭐⭐⭐

23. 什么是猴子补丁？⭐⭐⭐⭐

24. 当退出 Python 时是否释放所有内存分配？⭐⭐⭐⭐

25. Python 中的 is 和 == 有什么区别？⭐⭐⭐⭐

26. gbk 和 utf8 的区别⭐⭐⭐⭐

27. 遍历字典可以用什么方法⭐⭐⭐⭐

28. 反转列表的方法⭐⭐⭐⭐

29. python 元组中元组转为字典⭐⭐⭐⭐

30. range 在 python2 和 python3 里的区别⭐⭐⭐⭐

31. __init__.py 文件的作用以及意义⭐⭐⭐⭐

32. Python 列表去重复元素⭐⭐⭐⭐