新興技術風靡全球，它們所帶來的創新、機遇和威脅也是前所未有的。而這些領域所需要的專家人才也隨之增長。

根據最新的行業報告顯示，新興技術領域的工作，如機器學習、人工智能和數據科學等，是最熱門的新興職業。從事此類新興技術工作既能獲得豐厚的利潤，又能開發智力。

本文整理了一些最常見的機器學習面試問題及其相應的回答。機器學習有志者以及經驗豐富的ML專業人員可以在面試前以此鞏固其基礎知識。

1. 機器學習和深度學習有什么區別？

機器學習是人工智能的一個子集，為機器提供了無需任何顯式編程就能自動學習和改進的能力。而深度學習是機器學習的一個子集，其人工神經網絡能夠做出直覺決策。

2. 如何理解召回率和精度這兩個術語？

召回率又稱真陽性率，是模型所需的陽性例數與整個數據中可用陽性例數的比值。

精度基于預測，又稱陽性預測值，是模型所需的準確陽性例數測量值與模型實際需要的陽性例數之間的比值。

3. 監督機器學習和無監督機器學習有什么區別？

在監督學習中，機器在標記數據的幫助下進行訓練，即帶有正確答案標記的數據。而在無監督機器學習中，模型自主發現信息進行學習。與監督學習模型相比，無監督模型更適合于執行困難的處理任務。

4. 什么是K-means和KNN？

K-means是一種用于處理聚類問題的無監督算法，KNN或K近鄰是一種用于處理回歸和分類的監督算法。

5. 造成分類不同于回歸的原因是什么？

這兩個概念都是監督機器學習技術的一個重要方面。分類將輸出劃分為不同的類別進行預測。而回歸模型通常用于找出預測和變量之間的關系。分類和回歸的關鍵區別在于，前者的輸出變量是離散的，而后者是連續的。

6. 如何處理數據集中的缺失值？

數據科學家面臨的最大挑戰之一與數據丟失問題有關。可以通過多種方式對缺失值進行歸因，包括分配唯一類別、刪除行、使用均值/中值/眾數替換、使用支持缺失值的算法以及預測缺失值等等。

7. 如何理解歸納邏輯編程（ILP）？

歸納邏輯編程是機器學習的子領域，通過使用邏輯編程開發預測模型來搜索數據中的模式。該過程假定邏輯程序是一種假設或背景知識。

8. 需要采取哪些步驟來防止特定模型出現過擬合問題？

在訓練中得到大量數據時，模型開始學習數據集中的干擾信息和其他錯誤數據。這使得模型難以泛化除訓練集外的新樣本。有三種方法可以避免機器學習中的過擬合。第一，保持模型簡單；第二，使用交叉驗證技術；第三，使用正則化技術，例如LASSO。

9. 什么是集成學習？

集成方法又稱多學習器系統或基于委員會的學習 。集合方法是一種學習算法，能構建分類器集，再分類新數據，對其預測進行選擇。該方法訓練了許多假設以解決相同的問題。集成建模的最佳示例是隨機森林，其中許多決策樹用于預測結果。

10. 機器學習項目中需要哪些步驟？

要實現一個好的工作模型，需要采取的關鍵步驟是收集數據、準備數據、選擇機器學習模型、模型訓練、評估模型、調整參數，最后是預測。