[[342976]]

機器學習是一門理論性和實戰性都比較強的技術學科。在應聘機器學習相關工作崗位時，我們常常會遇到各種各樣的機器學習問題和知識點。

算法理論基礎不僅包含基本概念、數學基礎，也包含了機器學習、深度學習相關。今天給大家推薦一個不錯的算法理論基礎面試題匯總資源，已開源~

首先放上這份開源面試題匯總的地址：

https://github.com/sladesha/Reflection_Summary

其作者是 SladeSal 和 tcandzq，來自 2020 屆校招面試各類算法問題及個人理解的匯總。目前已經收獲 900+ 的贊了~

資源目錄：

• 基礎概念
• 數學
• 數據預處理
• 機器學習
• 深度學習
• 自然語言處理
• 推薦
• 風控
• 評價指標

 

 

下面來看一下詳細內容，一睹為快！

1. 基礎概念

基礎概念部分包含了 5 個主題，分別是：方差和偏差、生成與判別模型、先驗概率和后驗概率、頻率概率、AutoML。每個主題都包含若干常見、高頻出現的面試題。

例如“如何解釋偏差、方差，模型訓練為什么要引入偏差和方差？”

 

 

問題的解釋都來自面試題的精煉總結，不羅嗦，簡單易懂。

2. 數學

數學部分包含了 12 個主題，分別是：數據質量、最大公約數問題、牛頓法、擬牛頓法、概率密度分布、平面曲線的切線和法線、導數、微分中值定理、泰勒公式、歐拉公式、矩陣、概率論。

例如，看下關于泰勒公式的講解：

泰勒公式一句話描述：就是用多項式函數去逼近光滑函數。常見的泰勒公式有：

 

 

3. 數據預處理

數據預處理部分包含了 5 個主題，分別是數據平衡、異常點處理、缺失值處理、特征選擇、特征提取。數據預處理是機器學習算法的重要組成部分。

例如“為什么需要對數據進行變換？”，“歸一化和標準化之間的關系？”

 

 

這部分作者總結得很詳細，后面還有展開！關于連續特征的常用方法，作者引入一張圖進行總結歸納：

 

 

4. 機器學習

機器學習部分包含了 9 個主題，分別是：聚類、線性回歸、邏輯回歸、決策樹、貝葉斯、隨機森林、集成學習、FM/FFM、SVM。這部分內容詳實，核心面試題也總結得很好。

例如 SVM 面試題非常豐富，涵蓋得比較全面。眾所周知，支持向量機（Support Vector Machine, SVM）是一類按監督學習方式對數據進行二元分類的廣義線性分類器，其決策邊界是對學習樣本求解的最大邊距超平面。

關于KKT限制條件，KKT條件有哪些、引入拉格朗日的優化方法后的損失函數解釋、核函數的作用是啥、核函數的種類和應用場景作者都有詳細解釋。

 

 

5. 深度學習

深度學習部分包含了 8 個主題，分別是：dropout、batch_normalization、bp過程、embedding、softmax、梯度消失/爆炸、殘差網絡、Attention。

例如“殘差網絡為什么能解決梯度消失的問題？”

 

 

6. 自然語言處理

自然語言處理部分包含了 8 個主題，分別是：GloVe、WordsVec、CRF、LDA、LSTM、GRU、Bert、文本相似度計算。

例如“word2vec和glove區別？”

 

 

7. 推薦

推薦部分包含 8 個主題，分別是：DIN、DeepFM、YoutubeNet、Wide&Deep、MLR、Neural Network全家桶、XDeepFM、Recall。

8. 風控

風控部分包含了 2 個主題，分別是：孤立森林和評分卡。

9. 評價指標

評價指標包含了 5 個主題，分別是：二分類、多分類、回歸指標、聚類指標、排序指標。

總的來說，這是一份不錯的算法理論基礎面試資源，作者對常見的大廠面試題做了較好的歸納和總結。幫助大家對這些知識點進行梳理和理解，以便能夠更好地應對機器學習筆試包括面試。

目前該項目應該還在補充完善。

最后，再次放上該資源的 GitHub 開源地址：