人工智能面试总结：160个机器学习面试题，赶紧先考考自己！
数据科学职位的典型面试过程会有很多轮，其中通常会涉及理论概念，目的是确定应聘者是否了解机器学习的基础知识。在这篇文章中，我想总结一下我所有的面试经历（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 模型验证 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：搜索和推荐 时间序列
? ? ? ? ? ? ? ? ? ? ? ?
这篇文章中的问题数量似乎远远不够，请记住，面试流程是根据公司的需求和你的工作经历而定的。因此，如果你的工作中没有用过时间序列模型或计算机视觉模型，就不会收到类似的问题。
提示：如果不知道某些面试问题的答案，不要灰心。为了简化起见，我根据难度将问题分为三类：
容易 中号 专家
? ? ?
有监督的机器学习
什么是有监督学习？
?
线性回归
什么是回归？哪些模型可用于解决回归问题？ 什么是线性回归？什么时候使用它？ 什么是正态分布？为什么要重视它？ 如何检查变量是否遵循正态分布？
如何建立价格预测模型？价格是否正态分布？需要对价格进行预处理吗？ 解决线性回归的模型有哪些？ 什么是梯度下降？它是如何工作的？ 什么是正规方程？
什么是SGD-随机梯度下降？与通常的梯度下降有何不同？ 有哪些评估回归模型的指标？ 什么是MSE和RMSE？
? ? ? ? ? ? ? ? ? ? ?
验证方式
什么是过拟合？ 如何验证模型？
为什么需要将数据分为三个部分：训练，验证和测试？ 解释交叉验证的工作原理？ 什么是K折交叉验证？
如何在K折交叉验证中选择K？你最喜欢的K是什么？
? ? ? ? ? ?
分类
什么是分类？哪些模型可以解决分类问题？ 什么是逻辑回归？什么时候需要使用它？ Logistic回归是线性模型吗？为什么？ 什么是Sigmoid？它有什么作用？ 如何评估分类模型？ 什么是准确性？
准确性始终是一个好的指标吗？ 什么是混淆表？表中的单元格表示什么？ 什么是精度，召回率和F1分数？ 准确率和召回率的权衡
什么是ROC曲线？什么时候使用？ 什么是AUC（AU ROC）？什么时候使用？
? ? ? ? ? ? ? ? ? ? ? ?
人工智能面试总结：160个机器学习面试题,赶紧先考考自己!
