自然语言处理算法工程师笔试题目_机器学习算法岗常见笔试面试题整理

数据库中的主键、索引和外键(数据分析岗经常问)

决策树ID3和C4.5的差别？各自优点？

Boost算法

CART(回归树用平方误差最小化准则，分类树用基尼指数最小化准则)

GBDT与随机森林算法的原理以及区别。

优化算法中常遇到的KKT条件？作用是？

最近邻算法KNN(分类与回归)

L1和L2函数？L1和L2正则项的比较，如何解决 L1 求导困难？

L1正则为何可把系数压缩成0，说明坐标下降法的具体实现细节

LR为什么用sigmoid函数。这个函数有什么优点和缺点？为什么不用其他函数？

LR和SVM的区别？libsvm和liblinear的区别？

Logistics与随机森林比较

Logistics(理论推导)；Logistic回归的推导，如何得到objective function？

SVM与随机森林的差别？

SVM为何要引入拉格朗日的优化方法？

SVM原问题和对偶问题关系？

SVM在哪个地方引入的核函数, 如果用高斯核可以升到多少维。

SVM如何防止过拟合？

SVM的目标函数？常用的核函数有哪些？

SVM的过程，理论推导

bagging、adaboost、boosting区别在哪

EM 与 k-means 的关系？

k-means算法中的k如何选取？

k-means算法初始点怎么选择？

k-means的原理，优缺点以及改进。

k折交叉验证中k取值多少有什么关系？

L2惩罚项是怎么减小Overfitting的？L1，L2等范数的通式是？差别是？在什么场景下用什么范数？L1在0处不可导，怎么处理？

随机森林和GBDT差别？

RF, GBDT, xgboost的区别？

为什么要做数据归一化？

梯度下降法的原理以及各个变种(批量梯度下降，随机梯度下降法，mini 梯度下降法)，以及这几个方法会不会有局部最优问题。

牛顿法原理和适用场景，有什么缺点，如何改进(拟牛顿法)

什么情况下一定会发生过拟合？

贝叶斯估计？

介绍LR、RF、GBDT ，分析它们的优缺点

会哪些机器学习算法？信息熵公式？

决策树原理；决策树处理连续值的方法；决策树如何防止过拟合；决策树过拟合哪些方法，前后剪枝。

分类模型可做回归分析吗？反过来可以吗？

分类模型和回归模型的区别？

判别模型和生成模型？差别

各个模型的Loss function，牛顿学习法、SGD如何训练。

在模型的训练迭代中，怎么评估效果？

如何防止过拟合(增加数据，减少模型复杂度->正则化)

对于同分布的弱分类器，求分类器均值化之后的分布的均值跟方差。

对于机器学习你都学了哪些？讲一个印象深的。

常见分类模型( svm，决策树，贝叶斯等)的优缺点，适用场景以及如何选型

数据归一化的方式

手写k-means的伪代码。

手写svm硬软间隔对偶的推导

手写逻辑回归(损失函数及更新方式推导)

BP算法原理

改变随机森林的训练样本数据量，是否会影响到随机森林学习到的模型的复杂度？

数据挖掘各种算法，以及各种场景下的解决方案

是否了解mutual infomation、chi-square、LR前后向、树模型等特征选择方式。

是否了解线性加权、bagging、boosting、cascade等模型融合方式

有哪些常见的分类器，简单介绍下原理

机器学习与深度学习的区别

线性回归与逻辑回归区别？

机器学习：几种树模型的原理和对比，朴素贝叶斯分类器原理以及公式，出现估计概率值为 0 怎么处理(拉普拉斯平滑)，缺点；

DBSCAN聚类算法原理

主成分分析法原理、MapReduce原理、Spark等(数据岗题)

梯度下降、牛顿、拟牛顿算法的原理

梯度下降的优缺点。

深度学习有很大部分是CNN，给他用通俗的语言解释下卷积的概念，解释下CNN中的优势及原因

牛顿法、随机梯度下降算法和直接梯度下降算法的区别？

牛顿法推导

特征选择方法有哪些

由数据引申到数据不平衡怎么处理(10W正例，1W负例，牛客上有原题)

聊聊SVM，这段说了好久，从基本的线性可分到不可分，相关升维，各种核函数，每个是如何实现升。以及出现了XX问题，分析是样本的原因还是其他原因。针对不同情况，采取什么解决方案较好。

自己实现过什么机器学习算法

解决过拟合的方法有哪些？

解释一下过拟合和欠拟合，有哪些方法防止过拟合。

如何构造决策树、计算信息熵和信息增益、说明C4.5 、ID3、 CART的区别及优缺点

详细讨论了样本采样和bagging的问题

说一下Adaboost，权值更新公式。当弱分类器是LR时，每个样本的的权重是w1，w2...,写出最终的决策公式。

说了一下bagging跟boosting。

说明L1和L2正则的效果与为什么形成这种情况(L1正则稀疏，L2正则平滑，之后说明就是画图说明正则化)

选个你熟悉的机器学习方法 ，着重介绍一下产生原因，推导公式，背后统计意义什么等等

逻辑回归估计参数时的目标函数

逻辑回归的值表示概率吗？

数据挖掘的基础知识，包括SVM,逻辑回归、EM、K-means等，然后给出很多场景问你遇到这些情况你如何处理数据，怎么进行建模等

随机梯度下降，标准梯度

随机森林和GBDT的区别？LR的参数怎么求解？有没有最优解？