AI研习图书馆，发现不一样的精彩世界

算法
面试

工程师面试知识点总结六

一、前言

2020年，由于诸多客观因素的影响，一方面学无所成，另一方面企无扩招，对于2021届毕业生来说无疑是雪上加霜，算法岗更是在风口浪尖上飘摇不定，或许也有机遇和挑战并存的一面吧~

2020，迎难而上！现将历年来一些重要的算法面试问题整理如下，主要涉及算法的理论问题方面，共100道，希望能够帮助到大家，资料来源于网络资深算法面试官的亲情分享~

综合面试100问，请参考往期文章：求职指南【5】-算法工程师综合面试100问

为了便于大家按需获取，我将问题分为六大类，分别为：机器学习、深度学习、特征工程、NLP，CV，推荐系统。这些问题既是面试中的一些常见问题，也可以作为大家的学习参考问题，由于涉及领域众多，请大家自行甄别获取，仅供参考~

二、算法面试100问

1. 机器学习

1. 支持向量机中核函数的作用

2. 机器学习模型训练为什么要引入偏差和方差？

3. 马尔科夫随机场/混合高斯模型朴素贝叶斯/EM/最大熵模型

4. 解决模型训练过拟合的方法？

5. One-hot的作用，为什么不直接使用数字作为表示？

6. 随机森林和决策树的区别

7. 朴素贝叶斯

8. kmeans初始点除了随机选取，还有哪些方法？

9. LR分类模型

10. 梯度下降如何进行并行化

11. LR中的L1和L2正则项

12. 简述决策树的构建过程

13. Gini系数简述

14. 简述决策树的优缺点

15. 结果出现估计概率值为 0 如何处理

16. 随机森林的一般生成过程

17. 简述Boosting思想

18. gbdt的中的tree是什么，有什么特征

19. 相比gbdt/boosting Tree，xgboost的优化

20. 简述最优超平面

21. 简述支持向量

22. SVM怎样解决多分类问题

2. 特征工程类

1. 如何删除DataFrame中的缺失值？

2. 特征无量纲化常见操作方法

3. 如何对类别变量进行独热编码？

4. 如何把“年龄”字段按照阈值分段？

5. 如何根据变量的相关性画出热力图？

6. 如何把已知的分布修正为类正态分布？

7. 如何使用PCA来划分数据且可视化？

8. 如何使用LDA来划分数据且可视化？

3. 深度学习类

1. Batch-normalization算法原理

2. 激活函数的功能？常见的激活函数的类型和区别

3. Softmax的原理和作用

4. VGG，GoogleNet，ResNet等网络之间的主要区别

5. 残差网络如何解决梯度消失问题

6. LSTM为什么能解决梯度消失问题

7. Attention机制，对比RNN和CNN，分别有哪些优势

8. 简述Attention机制原理

9. Attention机制在目标检测中的作用

10. 为什么self-attention可以替代seq2seq？

11. CNN的平移不变性是什么？如何实现的？

12. 深度学习如何进行特征可视化

13. 深度学习基本任务类型

14. 模型压缩常见方法

15. 模型加速常见方法

16. 常见深度学习框架，区别和联系

4. 自然语言处理（NLP）类

1. GolVe的损失函数

2. 为什么GolVe会用的相对比W2V少？

3. 层次softmax流程

4. 负采样流程

5. 如何衡量学到的embedding的好坏？

6. 阐述CRF原理

7. 详述LDA原理

8. LDA中的主题矩阵如何计算

9. LDA和Word2Vec区别？LDA和Doc2Vec区别

10. Bert的双向体现在什么地方？

11. Bert的是怎样预训练的？

12. 在数据中随机选择 15% 的标记，其中80%被换位[mask]，10%不变、10%随机替换其他单词，原因是什么？

13. 为什么BERT有3个嵌入层，它们都是如何实现的

14. 手写一个multi-head attention

5. 推荐系统类

1. DNN与DeepFM之间的区别

2. 你在使用deepFM的时候是如何处理欠拟合和过拟合问题的

3. deepfm的embedding初始化有什么值得注意的地方吗

4. YoutubeNet 变长数据如何处理的

5. YouTubeNet如何避免百万量级的softmax问题的

6. 推荐系统有哪些常见的评测指标？

7. MLR的原理是什么？做了哪些优化？

6. 计算机视觉（CV）类

1. 常见的模型加速方法

2. 目标检测里如何有效解决常见的前景少背景多的问题

3. 目标检测里有什么情况是SSD、YOLOv3、Faster R-CNN等所不能解决的，假设网络拟合能力无限强

4. ROIPool和ROIAlign的区别

5. 介绍常见的梯度下降优化方法

6. Detection你觉的还有哪些可做的点

7. mini-Batch SGD相对于GD有什么优点

8. 人体姿态估计主流的两个做法是什么？简单介绍

9. 卷积的实现原理以及如何快速高效实现局部weight sharing的卷积操作方式

10. CycleGAN的生成效果为什么一般都是位置不变纹理变化，为啥不能产生不同位置的生成效果

11. 简述SSD和YOLO的区别和联系

12. 简述Faster R-CNN和YOLO的区别和联系

13. 目标检测常用评价指标

14. 常用损失函数

15. 常用激活函数

16. 常用卷积类型

17. 常用调参优化策略

18. 常用数据增强方法

19. 目标检测中锚点框的原理和实现

20. NMS原理和实现

由于涉及算法岗诸多领域，故这些问题的答案暂未收集整理，请各领域小伙伴儿自行脑补回答，择优选择问题复习~~

最后，祝大家求职顺利，offer不断，前程似锦~

求职指南【6】-算法理论100问