導讀：現在有很多的程式員都想轉行做人工智能工資高這方面的，特別是許多的研究生們也是有想走人工智能這條路，的確，對于他們來說，想要更高的薪酬，走這條路就是一個不錯的選擇！
進大廠是不是都是大家的夢想，這里整理了一些面試題目
感興趣的可以了解一下，如若整理不當，大家可以踴躍留言還有哪些面試問題的呀！
以下15個機器學習工程師面試題你是否能全部回答呢？
1、你會在時間序列資料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1百萬列的訓練資料集，這個資料集是基于分類問題的，經理要求你來降低該資料集的維度以減少模型計算時間，但你的機器記憶體有限，你會怎么做？（你可以自由做各種實際操作假設，）
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、給你一個資料集，這個資料集有缺失值，且這些缺失值分布再離中值有1個標準偏差的范圍內，百分之多少的資料不會受到影響？為什么？
6、你意識到你的模型受到低偏差和高方差的困擾，那么，應該使用哪種演算法來解決問題呢？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演算法（GBM）和隨機森林都是基于樹的演算法，它們有什么區別？
10、你認為把分類變數當成連續型變數會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演算法的結果？
12、在k-means或kNN，我們是用歐式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演算法會展現“魔力”，不幸的是，沒有一個模型比基準模型表現的更好，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？
有問題+沒學習資料+沒學習規劃？加助理小姐姐微信通通解決，可以免費領取人工智能學習必讀的電子書，深度學習+神經網路+CV計算機視覺200G學習資料一份，對人工智能迷茫需要學習路線規劃的可以免費做個人的1v1規劃哦！
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/347230.html
標籤：其他