【導語】正值求職、跳槽季，無論你是換工作還是找實習，沒有真本事都是萬萬不行的，可是如何高效率復習呢？之前我們給大家推薦了一份 Python 面試寶典，收藏了近 300 道面試題，今天為為家精心準備了一份 AI相關崗位的面試題，幫大家掃清知識盲點，自信上場！

機器學習工程師面試

1、你會在時間序列數據集上使用什么交叉驗證技術？是用k倍或LOOCV？

2、你是怎么理解偏差方差的平衡的？

3、給你一個有1000列和1百萬行的訓練數據集，這個數據集是基于分類問題的。經理要求你來降低該數據集的維度以減少模型計算時間，但你的機器內存有限。你會怎么做？

4、全球平均溫度的上升導致世界各地的海盜數量減少。這是否意味著海盜的數量減少引起氣候變化？

5、給你一個數據集，這個數據集有缺失值，且這些缺失值分布在離中值有1個標準偏差的范圍內。百分之多少的數據不會受到影響？為什么？

6、你意識到你的模型受到低偏差和高方差問題的困擾。那么，應該使用哪種算法來解決問題呢？為什么？

7、協方差和相關性有什么區別？

8、真陽性率和召回有什么關系？寫出方程式。

9、Gradient boosting算法（GBM）和隨機森林都是基于樹的算法，它們有什么區別？

10、你認為把分類變量當成連續型變量會更得到一個更好的預測模型嗎？

11：“買了這個的客戶，也買了......”亞馬遜的建議是哪種算法的結果？

12、在k-means或kNN，我們是用歐氏距離來計算最近的鄰居之間的距離。為什么不用曼哈頓距離？

13、我知道校正R2或者F值是用來評估線性回歸模型的。那用什么來評估邏輯回歸模型？

14、為什么樸素貝葉斯如此“樸素”？

15、花了幾個小時后，現在你急于建一個高精度的模型。結果，你建了5 個GBM（Gradient Boosted Models），想著boosting算法會展現“魔力”。不幸的是，沒有一個模型比基準模型表現得更好。最后，你決定將這些模型結合到一起。盡管眾所周知，結合模型通常精度高，但你就很不幸運。你到底錯在哪里？

以上題目答案詳解：

https://www.tinymind.cn/articles/109

【推薦收藏】

機器學習教材中的 7 大經典問題

https://www.tinymind.cn/articles/83

算法工程師面試題

工作中的算法工程師，很多時候，會將生活中轉瞬即逝的靈感，付諸產品化。

將算法研究應用到工作中，與純粹的學術研究有著一點最大的不同，即需要從用戶的角度思考問題。很多時候，你需要明確設計的產品特征、提升的數據指標，是不是能真正迎合用戶的需求，這便要求算法工程師能在多個模型間選擇出最合適的那個，然后通過快速迭代達到一個可以走向產品化的結果。知識儲備作為成功的根底亦必不可少，以下是營長為你精選的算法面試，幫你檢查下自己的技能是否在線。

1. LDA(線性判別分析) 和 PCA 的區別與聯系

2. K-均值算法收斂性的證明

3. 如何確定 LDA (隱狄利克雷模型) 中主題的個數

4. 隨機梯度下降法的一些改進算法

5. L1正則化產生稀疏性的原因

6. 如何對貝葉斯網絡進行采樣

7. 從方差、偏差角度解釋 Boosting 和 Bagging

8. ResNet的提出背景和核心理論

9. LSTM是如何實現長短期記憶功能的

10. WGAN解決了原始 GAN 中的什么問題

以上題目答案詳解：

https://www.tinymind.cn/articles/1275

【推薦收藏】

是男人就過8題！樓教主出題，請接招

https://www.tinymind.cn/articles/47

算法和編程面試題精選TOP50！(附代碼+解題思路+答案)

https://www.tinymind.cn/articles/3759

深度學習12大常見面試題

1.什么是深度學習？為什么它會如此受歡迎？

3.深度學習與機器學習有什么區別？

4.深度學習的先決條件是什么？

5.選擇哪些工具/語言構建深度學習模型？

6.為什么構建深度學習模型需要使用GPU？

7.何時（何處）應用神經網絡？

8.是否需要大量數據來訓練深度學習模型？

9.哪里可以找到一些基本的深度學習項目用來練習？

10.深度學習的一些免費學習資源

最后附上深度學習的相關面試問題有哪些？

（1）深度學習模型如何學習？ （2）深度學習模型有哪些局限性？ （3）前饋神經網絡和遞歸神經網絡之間有什么區別？ （4）什么是激活特征函數？ （5）什么是CNN，它有什么用途？ （6）什么是池化？ 簡述其工作原理。 （7）什么是dropout層，為什么要用dropout層？ （8）什么是消失梯度問題，如何克服？ （9）什么是優化函數？說出幾個常見的優化函數。

以上題目答案詳解：

https://www.tinymind.cn/articles/608

Python常見面試題

100+Python編程題給你練~（附答案）

https://www.tinymind.cn/articles/3987

10個Python常見面試題，這些弄不明白不要說學過Python！

https://www.tinymind.cn/articles/3768

Google人工智能面試題

1、求導1/x。

2、畫出log (x+10)曲線。

3、怎樣設計一次客戶滿意度調查？

4、一枚硬幣拋10次，得到8正2反。試析拋硬幣是否公平？p值是多少？

5、接上題。10枚硬幣，每一枚拋10次，結果會如何？為了拋硬幣更公平，應該怎么改進？

6、解釋一個非正態分布，以及如何應用。

7、為什么要用特征選擇？如果兩個預測因子高度相關，系數對邏輯回歸有怎樣的影響？系數的置信區間是多少？

8、K-mean與高斯混合模型：K-means算法和EM算法的差別在哪里？

9、使用高斯混合模型時，怎樣判斷它適用與否？(正態分布)

10、聚類時標簽已知，怎樣評估模型的表現？

11、為什么不用邏輯回歸，而要用GBM？

12、每年應聘Google的人有多少？

13、你給一個Google APP做了些修改。怎樣測試某項指標是否有增長

14、描述數據分析的流程。

15、高斯混合模型 (GMM) 中，推導方程。

16、怎樣衡量用戶對視頻的喜愛程度？

17、模擬一個二元正態分布。

18、求一個分布的方差。

19、怎樣建立中位數的Estimator？

20、如果回歸模型中的兩個系數估計，分別是統計顯著的，把兩個放在一起測試，會不會同樣顯著？

以上題目答案詳解：

https://www.tinymind.cn/articles/98

蘋果人工智能面試題

1、有成千上萬個用戶，每個用戶都有 100 個交易，在 10000 個產品和小組中，用戶所參與有意義的部分，你是如何處理這一問題的？

2、為了消除欺詐行為，我們對這些數據進行預篩選，如何才能找到一個數據樣本，幫助我們判斷一個欺詐行為的真實性？

3、給出兩個表格，一個表格用來存儲用戶 ID 以及購買產品 ID（為1個字節），另一個表格則存儲標有產品名稱的產品 ID。我們嘗試尋找被同一用戶同時購買的這樣一個成對的產品，像葡萄酒和開瓶器，薯片和啤酒。那么，如何去尋找前 100 個同時存在且成對出現的產品？

4、詳細描述 L1 正則化和 L2 正則化二者之間的區別，特別是它們本身對模型訓練過程的影響有什么不同？

5、假設你有 10 萬個存儲在不同服務器上的文件，你想對所有的文件進行加工，那么用 Hadoop 如何處理?

6、Python 和 Scala 之間有什么區別?

7、解釋一下 LRU Cache 算法。

8、如何設計一個客戶——服務器模型，客服端每分鐘都可以發送位置數據。

9、如何將數據從一個 Hadoop 聚類傳遞給另一個 Hadoop 聚類？

10、Java 中的內存有哪些不同的類型？

11、你是如何處理數百個標題中的元數據這一繁瑣任務的？

12、在數據流和可訪問性方面，如何在隱藏時間幀內進行測量？其中在隱藏時間幀內，核心超負荷將計算機能量重定向到 cellar dome 的過度復雜文件系統的邊界結構。

13、你最希望擁有的超能力是什么？

14、如果你有一個時間序列傳感器，請預測其下一個讀數。

15、使用 SQL 創建 market basket 輸出。

16、你有沒有過心理物理學實驗的經驗？（Research Portfolio based question）

17、你在表征方法上的專長是什么？通常使用什么？你是如何在研究中使用它，有沒有什么有趣的結果？（Research Portfolio based question）

18、如何進行故障分析？

19、檢查一個二叉樹是否為左右子樹上的鏡像。

20、什么是隨機森林？為什么樸素貝葉斯效果更好？

以上題目答案詳解：

https://www.tinymind.cn/articles/139

大家可在詳解頁面查找以上所有問題的答案，面試除了運氣，更多還是需要扎實的基本功。努力刷題吧，祝大家都能所向披靡，順利進入心儀的公司~