机器学习面试题汇总与解析——前言与大纲故事引入专栏介绍作者介绍大纲受众：本教程适合于Python已经入门的学生或人士，有一定的编程基础。本教程适合于算法工程师、机器学习求职的学生或人士。故事引入蒋  豆  芽：老李，我们之前的C++与嵌入式教程（https://www.nowcoder.com/tutorial/10078/index ） 真的写得很棒啊，知识点非常全面，适合非科班的同学，两年以来广受好评，太酷了。隔壁老李：（一脸欣喜）我也感觉十分的欣慰。能够在繁忙的春秋招中帮助到大家，真是很开心啊。蒋 豆 芽：嘿嘿，这还没够呢！我趁热打铁，又写作了《机器学习面试题汇总与解析》，继续来帮助大家应对算法岗位的求职。隔壁老李：好啊你，豆芽，不错不错！你研究生就是搞机器学习的，写作面经也是对自己的一个总结。蒋 豆 芽：嘿嘿，本专栏特点如下：本专栏适合于Python已经入门的学生或人士，有一定的编程基础。本专栏适合于算法、机器学习求职的学生或人士。本专栏特点：本专栏囊括了深度学习、机器学习、NLP、特征工程等一系列知识点的讲解，并且最后总结出了高频面试考点（附有答案）共 450 道，知识点讲解全面，事半功倍，为大家春秋招助力。不仅如此，教程还讲解了简历制作、笔试面试准备、面试技巧等内容。隔壁老李：嗯嗯，豆芽，你总结的很好！蒋 豆 芽：好好好！老李，让我们一起开启春秋招打怪之旅吧！！！隔壁老李：冲！故事完本专栏适合于Python已经入门的学生或人士，有一定的编程基础。本专栏适合于算法工程师、机器学习、图像处理求职的学生或人士。本专栏针对面试题答案进行了优化，尽量做到好记、言简意赅。这才是一份面试题总结的正确打开方式。这样才方便背诵如专栏内容有错漏，欢迎在评论区指出或私聊我更改，一起学习，共同进步。相信大家都有着高尚的灵魂，请尊重我的知识产权，未经允许严禁各类机构和个人转载、传阅本专栏的内容。<br/>作者介绍湖南大学（985）硕士研究生（1%保研），国家奖学金、省优秀研究生称号获得者。校招面试过数十家公司，经验丰富，获得过华为、京东、顺丰科技等公司 offer。个人面试经历写作为专刊文章，目前为牛客网专刊作者。擅长机器学习、C++后台开发、嵌入式软件开发。非科班研究生，立志进入互联网领域，最后通过自己的努力拿到大公司的 offer，将自己的经历写入了《蒋豆芽的秋招打怪之旅》故事中，和大家分享春秋招的酸甜苦辣。<br/>大纲<br/>1. 深度学习——激活函数1. 说一下你了解的激活函数？分别应用于什么场景？⭐⭐⭐⭐⭐2. 说说你平时都用过什么激活函数，各自什么特点？⭐⭐⭐⭐⭐3. 写一下 leaky ReLU 的公式，跟 ReLU 比有什么优势？⭐⭐⭐⭐⭐4. 了解 ReLU6 吗？⭐⭐⭐⭐⭐5. sigmoid 有什么缺点，有哪些解决办法？⭐⭐⭐⭐⭐6. ReLU 在零点可导吗，不可导如何进行反向传播？⭐⭐⭐⭐⭐7. 推导 sigmoid 求导公式⭐⭐⭐⭐⭐8. Softmax 公式，Softmax 溢出怎么处理⭐⭐⭐⭐⭐9. Softmax 公式求导⭐⭐⭐⭐⭐10. 激活函数的定义与作用⭐⭐⭐⭐⭐11. 神经网络输出均值为 0 的好处，哪些激活函数均值为 0？⭐⭐⭐⭐11. Sigmoid 函数的特点⭐⭐⭐⭐⭐12. ReLU 函数的特点⭐⭐⭐⭐⭐12. Softmax 函数的应用场景⭐⭐⭐⭐⭐13. 为什么需要使用非线性激活函数而不是线性激活函数？⭐⭐⭐⭐14. 在训练神经网络时，选择激活函数有什么考虑因素？⭐⭐⭐⭐15. 在自然语言处理（NLP）任务中，常用的激活函数有哪些？⭐⭐⭐⭐<br/>2. 深度学习——初始化方法1. 说说初始化方法有哪些？⭐⭐⭐⭐⭐2. 理想的参数初始化方法是什么？⭐⭐⭐⭐⭐3. 说说你用过的初始化方法，都有哪些优缺点⭐⭐⭐⭐⭐4. 网络参数初始化为 0 可以吗？⭐⭐⭐⭐⭐5. 随机初始化参数有什么问题？⭐⭐⭐⭐⭐6. 手推梯度消失和梯度爆炸问题⭐⭐⭐⭐⭐7. 怎么缓解梯度消失⭐⭐⭐⭐⭐8. 梯度消失的根本原因⭐⭐⭐⭐⭐9. 说说归一化方法⭐⭐⭐⭐⭐10. Xavier 初始化方法和 He 初始化方法有什么区别？它们适用于什么类型的激活函数？⭐⭐⭐⭐⭐<br/>3. 深度学习——损失函数1. 说一下你了解的损失函数？各自的运用场景⭐⭐⭐⭐⭐2. 说说你平时都用过什么损失函数，各自什么特点？⭐⭐⭐⭐⭐3. 交叉熵函数与最大似然函数的联系和区别？⭐⭐⭐⭐⭐4. 在用 sigmoid 作为激活函数的时候，为什么要用交叉熵损失函数，而不用均方误差损失函数？⭐⭐⭐⭐⭐5. 关于交叉熵损失函数（Cross-entropy）和平方损失（MSE）的区别？⭐⭐⭐⭐⭐6. 推导交叉熵损失函数？⭐⭐⭐⭐⭐7. 为什么交叉熵损失函数有 log 项？⭐⭐⭐⭐⭐8. 说说 adaboost 损失函数⭐⭐⭐⭐9. 说说 SVM 损失函数⭐⭐⭐⭐10. 简单的深度神经网络（DNN）的损失函数是什么？⭐⭐⭐⭐11. 说说 KL 散度⭐⭐⭐⭐12. 说说 Yolo 的损失函数⭐⭐⭐⭐⭐13. 交叉熵的设计思想是什么⭐⭐⭐⭐⭐14. 说说 iou 计算⭐⭐⭐⭐⭐15. 手写 miou 计算⭐⭐⭐⭐⭐16. 交叉熵为什么可以做损失函数⭐⭐⭐⭐⭐17. 什么是损失函数，作用是什么？⭐⭐⭐⭐⭐18. 什么时候使用绝对值损失函数而不是均方误差损失函数？⭐⭐⭐⭐⭐19. 为什么在分类任务中使用交叉熵损失函数而不是均方误差损失函数？⭐⭐⭐⭐⭐20. 损失函数的分类⭐⭐⭐⭐⭐21. 目标检测和分割的 loss 有什么区别⭐⭐⭐⭐⭐<br/>4. 深度学习——优化函数1. 说一下你了解的优化函数？⭐⭐⭐⭐⭐2. SGD 和 Adam 谁收敛的比较快？谁能达到全局最优解？⭐⭐⭐⭐⭐3. 说说常见的优化器以及优化思路，写出他们的优化公式⭐⭐⭐⭐⭐4. 深度学习中的优化算法总结 Optimizer⭐⭐⭐⭐⭐5. adam 用到二阶矩的原理是什么⭐⭐⭐⭐⭐6. Batch size 的大小如何选择，过大的 batch size 和过小的 batch size 分别有什么影响⭐⭐⭐⭐⭐7. 梯度下降的思想⭐⭐⭐⭐⭐8. Momentum 随机梯度下降法的基本步骤⭐⭐⭐⭐⭐9. 什么是优化函数，常见的优化器有哪些？⭐⭐⭐⭐⭐10. 批次梯度下降法和随机梯度下降法的区别⭐⭐⭐⭐⭐11. 什么是鞍点，如何跨过鞍点⭐⭐⭐⭐⭐12. 说说优化器的发展过程⭐⭐⭐⭐⭐13. 优化器如何选择⭐⭐⭐⭐⭐14. 什么是梯度下降法？它的优缺点是什么？⭐⭐⭐⭐⭐15. 什么是自适应学习率优化算法？请举例说明。⭐⭐⭐⭐⭐16. 什么是学习率衰减（Learning Rate Decay）？为什么要使用学习率衰减？⭐⭐⭐⭐⭐17. 什么是梯度剪裁（Gradient Clipping）？为什么要使用梯度剪裁？⭐⭐⭐⭐⭐18. 什么是Adam优化算法？它与其他优化算法相比有什么优势？⭐⭐⭐⭐⭐<br/>5. 深度学习——正则化1. 解决模型训练过拟合有哪些思路？⭐⭐⭐⭐⭐2. 如何判断过拟合？⭐⭐⭐⭐⭐3. 正则化 （lasso）和 （ridge）的区别？⭐⭐⭐⭐⭐4. L1 有什么缺点？⭐⭐⭐⭐⭐5. L1 正则为什么可以达到模型特征的稀疏性⭐⭐⭐⭐⭐6. 说说BN（Batch Normolization）的原理⭐⭐⭐⭐⭐7. 知道 BN 吗？公式写一下，有什么作用与优势？BN 的计算过程。⭐⭐⭐⭐⭐8. BN 训练和测试有什么不同？⭐⭐⭐⭐⭐9. 介绍一下 BN 和 LN？有什么差异？LN 是在哪个维度上进行归一化？⭐⭐⭐⭐⭐10. 要同时使用 BN 和 dropout 该如何使用？⭐⭐⭐⭐⭐11. BN 的 gama  labada 意义⭐⭐⭐⭐⭐12. 数据增强的方法⭐⭐⭐⭐⭐13. 两个正则化的参数分布⭐⭐⭐⭐⭐14. 在预测的时候，是使用 dropout 训练出的权重还是要乘以 keep-prib 呢，为什么？⭐⭐⭐⭐⭐15. 为什么 Lasso 可以筛选变量?⭐⭐⭐⭐⭐16. L1 正则化为什么能缓解过拟合⭐⭐⭐⭐⭐17. BN+CONV 融合公式及作用⭐⭐⭐⭐⭐18. 什么是正则化？为什么在机器学习中需要使用正则化技术？⭐⭐⭐⭐⭐19. 正则化的原理⭐⭐⭐⭐⭐20. 正则化对模型的复杂度有什么影响？如何权衡正则化的力度？⭐⭐⭐⭐⭐<br/>6. 深度学习——卷积与池化1. 说说有哪些卷积⭐⭐⭐⭐⭐2. 卷积实现原理？用代码实现一下⭐⭐⭐⭐⭐3. 卷积基本计算公式⭐⭐⭐⭐⭐4. 卷积操作后的特征图大小⭐⭐⭐⭐⭐5. 常规卷积和深度可分离卷积的计算量⭐⭐⭐⭐⭐6. 反卷积是怎么做的， unpooling 中 maxPooling 怎么实现？⭐⭐⭐⭐⭐7. 什么是空洞卷积？⭐⭐⭐⭐⭐8. 知道哪些卷积类型？请介绍一下⭐⭐⭐⭐⭐9. 为什么 Depthwise 卷积后还要进行 pointwise 卷积⭐⭐⭐⭐⭐10. 卷积的底层实现/加速技巧⭐⭐⭐⭐⭐11. 1x1卷积有什么作用⭐⭐⭐⭐⭐12. CNN有什么特点和优势⭐⭐⭐⭐⭐13. 说说你了解的 pooling 方法⭐⭐⭐⭐⭐14. pooling 层的作用⭐⭐⭐⭐⭐15. 常用的 pooling 方法有哪些，那个更好？⭐⭐⭐⭐⭐16. 说一下 ROI Pooling⭐⭐⭐⭐⭐17. 说一下 maxpooling 的反向传播怎么处理⭐⭐⭐⭐⭐18. 语义分割上采样的方法⭐⭐⭐⭐⭐19. 说说金字塔池化⭐⭐⭐⭐⭐20. 卷积神经网络（CNN）中的卷积层有什么作用？⭐⭐⭐⭐⭐21. 卷积层中的步长（stride）和填充（padding）有什么作用？⭐⭐⭐⭐⭐22. 什么是卷积神经网络中的局部感受野（local receptive field）？⭐⭐⭐⭐⭐23. 卷积层中的参数共享是什么意思？⭐⭐⭐⭐⭐24. 卷积神经网络中的池化层和卷积层有何不同？⭐⭐⭐⭐⭐25. 卷积层与全连接层之间有什么区别？⭐⭐⭐⭐⭐26. 卷积核的作用是什么？它如何影响特征提取？⭐⭐⭐⭐⭐27. 卷积神经网络中的多通道卷积是如何工作的？⭐⭐⭐⭐⭐28. 池化层对输入图像的尺寸有何影响？池化层的操作是否具有可逆性？⭐⭐⭐⭐⭐29. 池化操作是否具有参数？如果有，它们是如何学习的？⭐⭐⭐⭐⭐30. RoI Pooling 有什么缺陷？⭐⭐⭐⭐⭐<br/>7. 深度学习——技术发展1. 说说分类网络的发展⭐⭐⭐⭐2. 为什么要设计残差连接⭐⭐⭐⭐⭐3. 说说语义分割网络的发展⭐⭐⭐⭐4. deeplabV3 有什么改进，具体讲一下⭐⭐⭐⭐⭐5. vgg16 同期还有哪些网络，inception 结构有什么特点⭐⭐⭐⭐⭐6. 什么是感受野⭐⭐⭐⭐⭐7. 讲一下 mobileNet 系列，ResNet 系列⭐⭐⭐⭐⭐8. 说说目标检测的发展⭐⭐⭐⭐⭐9. 讲一下目标检测 one stage， two stage，讲一下 yoloV1⭐⭐⭐⭐⭐10. yolo 实现，损失函数⭐⭐⭐⭐⭐11. Faster R-CNN 的具体流程⭐⭐⭐⭐⭐12. Faster R-CNN 训练和测试的流程有什么不一样⭐⭐⭐⭐⭐13. YOLOv3 和 Faster R-CNN 的差异⭐⭐⭐⭐⭐14. YOLO 系列有几个版本，YOLOv4 用到了哪优化方法⭐⭐⭐⭐⭐15.除了聚类，还有哪些 anchor 的设计⭐⭐⭐⭐⭐16. anchor 的理解⭐⭐⭐⭐⭐17. Anchor-free 的优势在哪里⭐⭐⭐⭐⭐18. 介绍目标检测比赛中的有用的 trick 有哪些⭐⭐⭐⭐19. 说一下非极大值抑制（NMS），实现细节，手写 nms⭐⭐⭐⭐⭐20. faster RCNN原理介绍，要详细画出图⭐⭐⭐⭐⭐21. RPN 网络的作用和实现细节⭐⭐⭐⭐⭐22. RPN 的损失函数⭐⭐⭐⭐⭐23. RPN 中的 anchor box 是怎么选取的？⭐⭐⭐⭐⭐23. 为什么提出 anchor box？为什么使用不同尺寸和不同长宽比？⭐⭐⭐⭐⭐24. ROI Pooling 与 ROI Align (Mask R-CNN) 的区别？⭐⭐⭐⭐⭐25. NMS 算法中，假设两个目标靠的很近，则会识别成一个bbox，会有什么问题，怎么解决？⭐⭐⭐⭐⭐26. Faster rcnn有什么不足的地方吗？如何改进？⭐⭐⭐⭐⭐27. 简要阐述一下FPN网络具体是怎么操作的 FPN 网络的结构？⭐⭐⭐⭐⭐28. 阐述一下FPN为什么能提升小目标的准确率？⭐⭐⭐⭐⭐29. 简要阐述一下 RetinaNet⭐⭐⭐⭐⭐30. 阐述一下 Mask RCNN 网络，这个网络相比于 Faster RCNN 网络有哪些改进的地方⭐⭐⭐⭐⭐31. 分析一下 SSD,YOLO,Faster rcnn 等常用检测网络对小目标检测效果不好的原因⭐⭐⭐⭐⭐32. 如何理解 concat 和 add 这两种常见的 feature map 特征融合方式⭐⭐⭐⭐⭐33. 阐述一下如何检测小物体⭐⭐⭐⭐⭐34. 阐述一下目标检测任务中的多尺度⭐⭐⭐⭐⭐35. 介绍下 YOLO 的版本发展⭐⭐⭐⭐⭐<br/>8. 深度学习——NLP1. LSTM 与 Transformer 的区别⭐⭐⭐⭐⭐2. BERT是什么？简要介绍一下BERT的结构和原理。⭐⭐⭐⭐⭐3. cbow 与 skip-gram 的区别和优缺点⭐⭐⭐⭐⭐4. Bert 的 MLM 预训练任务 mask 的目的是什么⭐⭐⭐⭐⭐5. CRF 原理⭐⭐⭐⭐6. Bert 采用哪种 Normalization 结构，LayerNorm 和 BatchNorm 区别，LayerNorm 结构有参数吗，参数的作用？⭐⭐⭐⭐⭐7. 如何优化 BERT 效果⭐⭐⭐⭐⭐8. BERT self-attention 相比 LSTM 优点是什么？⭐⭐⭐⭐⭐9. 说说循环神经网络⭐⭐⭐⭐⭐10. 说说 LSTM⭐⭐⭐⭐⭐11. LSTM 的结构⭐⭐⭐⭐⭐12. LSTM 的三个门怎么运作的，写一下三个门的公式⭐⭐⭐⭐⭐13. LSTM 为什么可以解决长期依赖，LSTM 会梯度消失吗⭐⭐⭐⭐⭐14. LSTM 相较于 RNN 的优势⭐⭐⭐⭐⭐15. 讲一下 LSTM，LSTM相对于 RNN 有哪些改进？ LSTM 为什么可以解决长期问题，相对与 RNN 改进在哪16. 讲一下 LSTM 吧，门都是怎么迭代的⭐⭐⭐⭐⭐17. RNN 为什么难以训练，LSTM 又做了什么改进⭐⭐⭐⭐⭐18. wide & deep 模型 wide 部分和 deep 部分分别侧重学习什么信息⭐⭐⭐⭐⭐19. DeepFM 一定优于 wide & deep 吗⭐⭐⭐⭐⭐20. BERT 的输入是什么？它如何处理变长的文本序列？⭐⭐⭐⭐⭐21. 什么是 BERT 的词嵌入（Word Embeddings）？它与传统的词嵌入方法有何不同？⭐⭐⭐⭐⭐22. self-attention 理解和作用，为什么要除以根号 dk？⭐⭐⭐⭐⭐23. BERT 中并行计算体现在哪儿⭐⭐⭐⭐⭐24. 翻译中 Q\K\V 对应的是什么⭐⭐⭐⭐⭐26. 介绍 Transformer 以及讲优势⭐⭐⭐⭐⭐27. Transformer encoder 和 decoder 的介绍⭐⭐⭐⭐⭐28. Transformer 的 position encoding 和 BERT 的 position embedding 的区别⭐⭐⭐⭐⭐29. BERT 模型结构⭐⭐⭐⭐⭐30. 请解释一下词嵌入（Word Embeddings）是什么，为什么它在NLP中很重要？⭐⭐⭐⭐31. 什么是序列到序列（Sequence-to-Sequence）模型？有什么应用？⭐⭐⭐⭐⭐32. 什么是情感分析（Sentiment Analysis）？请说明情感分析的应用场景和常用的方法。⭐⭐⭐⭐33. 请解释一下主题建模（Topic Modeling）是什么，以及常用的主题建模算法。⭐⭐⭐⭐34. 什么是门控循环单元（Gated Recurrent Unit, GRU）？它与 LSTM 有什么区别和类似之处？⭐⭐⭐⭐⭐35. BERT 是如何进行预训练和微调的？解释一下 BERT 的预训练任务和微调任务。⭐⭐⭐⭐⭐36. BERT 的优势和局限是什么？它在哪些方面有改进空间？⭐⭐⭐⭐⭐37. 最近的 BERT 模型变体有哪些？列举一些 BERT 的扩展和改进。⭐⭐⭐⭐⭐38. 介绍一下 Word2Vec ⭐⭐⭐39. 请解释一下 Transformer 模型的基本结构和原理。⭐⭐⭐⭐⭐40. Transformer中的位置编码（Positional Encoding）有什么作用？如何实现位置编码？⭐⭐⭐41. Transformer 中的编码器和解码器的作用分别是什么？它们之间有什么区别？⭐⭐⭐⭐42. Transformer 模型中的多头注意力机制（Multi-Head Attention）是如何工作的？为什么使用多头注意力？⭐⭐⭐⭐43. Transformer 模型中的损失函数是什么？⭐⭐⭐⭐44. Transformer 模型中的前馈神经网络（Feed-Forward Network）是什么？它有什么作用？⭐⭐⭐⭐45. GPT 与 BERT 相比有何不同？它们各自适用于哪些任务？⭐⭐⭐⭐<br/>9. 深度学习——GAN1. GAN 是用来干什么的，怎么用的，介绍一下⭐⭐⭐⭐⭐2. GAN 的优缺点是什么?⭐⭐⭐⭐⭐3. GAN 为什么不好收敛⭐⭐⭐⭐⭐4. 为什么 GAN 中的优化器不常用 SGD⭐⭐⭐⭐⭐5. 生成对抗网络在哪里用到的，起什么作用，损失函数是什么⭐⭐⭐⭐⭐6. 训练 GAN 的一些技巧⭐⭐⭐⭐⭐7. 说说 GAN 的训练过程⭐⭐⭐⭐⭐8. Pix2pix 和 cycleGan 的区别⭐⭐⭐⭐⭐9. GAN 中的模式崩溃（Mode Collapse）是什么？它如何产生？如何避免模式崩溃？⭐⭐⭐⭐⭐10. 什么是生成对抗网络的改进版 DCGAN？它在原始 GAN 的基础上有什么改进？⭐⭐⭐⭐⭐11. 生成对抗网络能否用于其他任务，而不仅仅是图像生成？请举例说明。⭐⭐⭐⭐⭐12. 什么是生成对抗网络的生成器的输入噪声（Latent Noise）？为什么要引入噪声？⭐⭐⭐⭐⭐13. 生成对抗网络如何处理多模态数据，例如文本到图像的生成？⭐⭐⭐⭐⭐<br/>10. 深度学习——模型优化1. 若 CNN 网络很庞大，在手机上运行效率不高，对应模型压缩方法有了解吗⭐⭐⭐⭐⭐2. 介绍一下模型压缩常用的方法？为什么用知识蒸馏？⭐⭐⭐⭐⭐3. 知道模型蒸馏吗？谈下原理⭐⭐⭐⭐4. 做过模型优化吗？模型蒸馏和模型裁剪？⭐⭐⭐⭐⭐5. squeezeNet 的 Fire Module 有什么特点？⭐⭐⭐⭐6. 降低网络复杂度但不影响精度的方法⭐⭐⭐⭐⭐7. 如果让模型速度提高一倍，有什么解决方案？⭐⭐⭐⭐⭐<br/>12. 机器学习——评价指标1. 说说机器学习评价指标⭐⭐⭐⭐⭐2. AUC 是什么？AUC 是否对正负样本比例敏感？⭐⭐⭐⭐⭐3. 分类模型如何评价⭐⭐⭐⭐⭐4. 准确率与精准率的区别⭐⭐⭐⭐⭐5. AUC 的意义和两种计算方法⭐⭐⭐⭐⭐6. 讲讲分类，回归，推荐，搜索的评价指标⭐⭐⭐⭐⭐7. AB test 的原理⭐⭐⭐⭐⭐8. 解释一下混淆矩阵（Confusion Matrix），以及如何从中计算评价指标。⭐⭐⭐⭐9. 说说判别式与生成式模型⭐⭐⭐⭐10. 判别式与生成式模型对应的算法⭐⭐⭐⭐11. 判别式与生成式模型的区别⭐⭐⭐⭐12. 例举常用的机器学习算法⭐⭐⭐⭐<br/>13. 机器学习——回归1. 逻辑回归 LR 详细推导⭐⭐⭐⭐⭐2. 回归和分类的区别⭐⭐⭐⭐⭐3. 逻辑回归特征是否需要归一化⭐⭐⭐⭐⭐4. 什么样的模型需要特征归一化⭐⭐⭐⭐⭐5. 如何提升逻辑回归 LR 的模型性能？⭐⭐⭐⭐⭐6. 逻辑回归为啥要做特征离散化⭐⭐⭐⭐⭐7. LR 的详细过程，如何优化⭐⭐⭐⭐⭐8. LR 公式推导⭐⭐⭐⭐⭐9. 最小二乘法在什么条件下与极大似然估计等价？⭐⭐⭐⭐⭐10. 逻辑回归为什么不用平方损失函数？⭐⭐⭐⭐⭐11. LR 可以处理非线性情况吗？⭐⭐⭐⭐⭐12. LR 的参数可以初始化 0 吗？⭐⭐⭐⭐⭐13. 说一下机器学习和神经网络之间的模型之间的区别？⭐⭐⭐⭐⭐14. 线性回归和逻辑回归的区别⭐⭐⭐⭐⭐15. 线性回归和逻辑回归的优缺点⭐⭐⭐⭐⭐16. 什么是多项式回归？它与线性回归有何区别？⭐⭐⭐⭐⭐17. 请解释一下岭回归和 Lasso 回归。它们的作用是什么？⭐⭐⭐⭐⭐18. 什么是最小二乘法？它在回归中有什么作用？⭐⭐⭐⭐⭐19. 线性回归简单代码实现⭐⭐⭐⭐⭐20. 逻辑回归简单代码实现⭐⭐⭐⭐⭐<br/>14. 机器学习——kNN1. kNN 介绍一下⭐⭐⭐⭐2. kNN 优缺点⭐⭐⭐⭐3. kNN 的 k 值怎么选⭐⭐⭐⭐4. kNN 数据需要归一化吗？⭐⭐⭐⭐5. kNN 三要素说一下⭐⭐⭐⭐6. 欧式距离与曼哈顿距离区别⭐⭐⭐⭐7. kNN 的 k 设置的过大或过小会有什么问题⭐⭐⭐⭐8. kNN 算法在处理高维数据时有什么问题？⭐⭐⭐⭐9. 如何处理不平衡数据集的情况下的 kNN 分类问题？⭐⭐⭐⭐10. kNN 算法如何处理缺失值？⭐⭐⭐⭐11. 如何加速 kNN 算法的计算过程？⭐⭐⭐⭐12. kNN 简单代码实现⭐⭐⭐⭐<br/>15. 机器学习——聚类1. K-means 介绍一下⭐⭐⭐⭐⭐2. K-means 优缺点⭐⭐⭐⭐⭐3. K-means 的簇（K）怎么选⭐⭐⭐⭐⭐4. K-means 如何调优⭐⭐⭐⭐⭐5. 知道哪些聚类模型⭐⭐⭐⭐⭐6. K-means 的过程⭐⭐⭐⭐⭐7. K-means 聚类如何选择初始点⭐⭐⭐⭐⭐8.  K-means 聚类，聚的是特征还是样本？特征的距离如何计算？⭐⭐⭐⭐⭐9. 聚类算法知道哪些⭐⭐⭐⭐⭐10. K-means 算法和 EM 算法的区别⭐⭐⭐⭐⭐11. 写 K-means 代码⭐⭐⭐⭐⭐12. 介绍 K-means++⭐⭐⭐⭐⭐13. K-means 算法的收敛条件是什么？⭐⭐⭐⭐⭐14. K-means 算法在处理大规模数据时有什么问题？如何解决这些问题？⭐⭐⭐⭐⭐15. 如何评估 K-means 聚类的性能和聚类结果的质量？⭐⭐⭐⭐⭐16. K-means 算法的运行时间复杂度是多少？⭐⭐⭐⭐⭐<br/>16. 机器学习——决策树1. 决策树介绍一下⭐⭐⭐⭐⭐2. 决策树优缺点⭐⭐⭐⭐⭐3. 决策树的划分标准是什么⭐⭐⭐⭐⭐4. ID3 和 C4.5 的区别⭐⭐⭐⭐⭐5. 树模型对离散特征怎么处理的⭐⭐⭐⭐⭐6. 树模型怎么决定一个叶子结点是否要分裂⭐⭐⭐⭐⭐7. 决策树出现过拟合的原因及解决办法⭐⭐⭐⭐⭐8. 如何对决策树进行剪枝？⭐⭐⭐⭐⭐9. 决策树需要进行归一化处理吗⭐⭐⭐⭐⭐10. 决策树与逻辑回归的区别⭐⭐⭐⭐⭐11. 说下决策树的损失函数⭐⭐⭐⭐⭐12. 决策树是如何处理连续特征和离散特征的？⭐⭐⭐⭐⭐13. 决策树如何处理缺失值和异常值？⭐⭐⭐⭐⭐14. 决策树简单代码实现⭐⭐⭐⭐<br/>17. 机器学习——SVM1. 推导 SVM⭐⭐⭐⭐⭐2. LR 和 SVM 联系与区别⭐⭐⭐⭐⭐3. SVM 介绍一下⭐⭐⭐⭐⭐4. 讲一下 SVM 的原理⭐⭐⭐⭐⭐5. 如果特征比较多，用 LR 还是 SVM?⭐⭐⭐⭐⭐6. 介绍 SVM⭐⭐⭐⭐⭐7. SVM 是否可以用随机梯度下降⭐⭐⭐⭐⭐8. SVM 优缺点⭐⭐⭐⭐⭐9. 为什么要将求解 SVM 的原始问题转换为其对偶问题⭐⭐⭐⭐⭐10. 为什么 SVM 对缺失数据敏感⭐⭐⭐⭐⭐11. SVM 怎么防止过拟合 ?⭐⭐⭐⭐⭐12. SVM 如何处理线性可分和线性不可分的情况？⭐⭐⭐⭐⭐13. SVM 中的核函数有什么作用？常见的核函数有哪些？⭐⭐⭐⭐⭐14. 什么是支持向量？它们在 SVM 中起什么作用？⭐⭐⭐⭐⭐15. SVM 的优化目标是什么？如何解决该优化问题？⭐⭐⭐⭐⭐16. SVM的正则化参数C是什么？它对模型有什么影响？⭐⭐⭐⭐⭐17. SVM如何处理多类分类问题？⭐⭐⭐⭐⭐18. SVM在处理高维数据时有什么问题？如何应对？⭐⭐⭐⭐⭐19. SVM用于解决什么类型的问题？它适用于分类问题还是回归问题？⭐⭐⭐⭐⭐20. SVM 简单代码实现⭐⭐⭐⭐<br/>18. 机器学习——集成学习1. LightGBM 和 XGBoost、GBDT 的区别⭐⭐⭐⭐⭐2. XGBoost 和 GBDT 的区别⭐⭐⭐⭐⭐3. XGBoost 的 block 结构⭐⭐⭐⭐⭐4. XGBoost 的优缺点⭐⭐⭐⭐⭐5. 集成学习 Bootstrap Bagging Boosting⭐⭐⭐⭐⭐6. RF 和 GBDT 的区别⭐⭐⭐⭐⭐7. GBDT 是否适合于处理大规模的 ID 特征⭐⭐⭐⭐⭐8. LightGBM 的直方图 排序后会比 XGBoost 的效果差吗，为什么⭐⭐⭐⭐⭐9. XGBoost 正则化项和什么有关⭐⭐⭐⭐⭐10. 随机森林哪两个随机⭐⭐⭐⭐⭐11. bootstrap 怎么做的⭐⭐⭐⭐⭐12. 介绍 GBDT 的详细计算过程⭐⭐⭐⭐⭐13. XGBoost 的正则项是什么⭐⭐⭐⭐⭐14. XGBoost 缺失值处理方法⭐⭐⭐⭐⭐15. 为什么 xgboost 要二阶展开？⭐⭐⭐⭐⭐16. 集成学习的方法有哪些⭐⭐⭐⭐⭐17. 泰勒公式求 e 的近似值⭐⭐⭐⭐⭐19. GBDT 的 G 梯度的向量长度为多少⭐⭐⭐⭐⭐20. 什么是集成学习？简要解释其原理和优势。⭐⭐⭐⭐⭐21. Bagging 和 Boosting 的区别是什么？⭐⭐⭐⭐⭐22. 请解释一下随机森林（Random Forest）的原理。⭐⭐⭐⭐⭐23. GBDT（Gradient Boosting Decision Trees）是如何工作的？请列出其算法步骤。⭐⭐⭐⭐⭐24. Stacking 是什么？请解释其工作原理。⭐⭐⭐⭐⭐25. 集成学习中如何处理模型之间的差异和冲突？⭐⭐⭐⭐⭐26. 集成学习在解决什么类型的问题上表现较好？⭐⭐⭐⭐⭐27. 在集成学习中，如何处理数据不平衡问题？⭐⭐⭐⭐⭐<br/>19. 机器学习——朴素贝叶斯1. 朴素贝叶斯介绍一下⭐⭐⭐⭐⭐2. 朴素贝叶斯优缺点⭐⭐⭐⭐⭐3. 贝叶斯公式⭐⭐⭐⭐⭐4. 朴素贝叶斯中的“朴素”怎么理解？⭐⭐⭐⭐⭐5. 什么是拉普拉斯平滑法?⭐⭐⭐⭐⭐6. 朴素贝叶斯中有没有超参数可以调？⭐⭐⭐⭐⭐7. 你知道朴素贝叶斯有哪些应用吗？⭐⭐⭐⭐⭐8. 朴素贝叶斯对异常值敏不敏感？⭐⭐⭐⭐⭐9. 频率学派与贝叶斯学派的差别⭐⭐⭐⭐10. 概率与期望的公式⭐⭐⭐⭐11. 先验概率与后验概率⭐⭐⭐⭐12. 朴素贝叶斯算法中如何处理连续特征和离散特征？⭐⭐⭐⭐13. 朴素贝叶斯算法有哪些常见的变种？请简要介绍其中一种变种。⭐⭐⭐⭐<br/>20. 机器学习——PCA 与 LDA1. PCA 介绍一下⭐⭐⭐⭐⭐2. 说说 PCA 的步骤⭐⭐⭐⭐⭐3. PCA 原理⭐⭐⭐⭐⭐4. PCA 降维之后的维度怎么确定⭐⭐⭐⭐⭐5. 说说 PCA 的优缺点⭐⭐⭐⭐⭐6. 推导一下 PCA⭐⭐⭐⭐⭐7. 降维方法有哪些？⭐⭐⭐⭐⭐8. 介绍一下 LDA⭐⭐⭐⭐⭐9. LDA 的中心思想是什么⭐⭐⭐⭐⭐10. LDA 的优缺点⭐⭐⭐⭐⭐11. 说说 LDA 的步骤⭐⭐⭐⭐⭐12. 推导一下 LDA⭐⭐⭐⭐⭐13. PCA 和 LDA 有什么区别⭐⭐⭐⭐⭐14. 偏差与方差⭐⭐⭐⭐15. SVD 懂么⭐⭐⭐⭐⭐16. 方差和协方差的理解⭐⭐⭐⭐17. 伯努利分布和二项分布的区别⭐⭐⭐⭐18. 除了 PCA 和 LDA 之外，你还了解其他的降维方法吗？请简要介绍一种。⭐⭐⭐⭐<br/>21. 机器学习——特征工程1. 特征工程有哪些⭐⭐⭐⭐⭐2. 遇到缺值的情况，有哪些处理方式⭐⭐⭐⭐⭐3. 样本不均衡的处理办法⭐⭐⭐⭐⭐4. 训练时样本不平衡问题如何解决；小样本问题如何解决⭐⭐⭐⭐⭐5. 常见的筛选特征的方法有哪些？⭐⭐⭐⭐⭐6. 数据怎么清洗，缺失值怎么填充⭐⭐⭐⭐⭐7. 出现 Nan 的原因⭐⭐⭐⭐⭐8. 特征筛选，怎么找出相似性高的特征并去掉⭐⭐⭐⭐⭐9. 对于不同场景机器学习和深度学习你怎么选择，你更习惯机器学习还是深度学习？⭐⭐⭐⭐⭐10. 包含百万、上亿特征的数据在深度学习中怎么处理⭐⭐⭐⭐⭐11. 类别型数据你是如何处理的？比如游戏品类，地域，设备⭐⭐⭐⭐12. 计算特征之间的相关性方法有哪些？⭐⭐⭐⭐13. 解释一下特征缩放的作用和常用的特征缩放方法。⭐⭐⭐⭐14. 什么是特征交互？为什么特征交互对模型性能有影响？⭐⭐⭐⭐<br/>22. 传统算法1. 傅里叶变换公式及其推导⭐⭐⭐2. 边缘检测算法⭐⭐⭐3. 牛顿法的推导过程⭐⭐⭐4. 了解哪些插值算法⭐⭐⭐5. SIFT的整个详细流程⭐⭐⭐6. SIFT和SURF的区别⭐⭐⭐7. 牛顿法和拟牛顿法⭐⭐⭐8. FFT 和 DFT 的区别⭐⭐⭐9. 双线性差值的操作过程⭐⭐⭐10. 椒盐噪声用什么滤波？⭐⭐⭐11. canny算子是怎么做的？简述Canny算子的计算步骤⭐⭐⭐12. SIFT特征是如何保持旋转不变性的？⭐⭐⭐13. LBP特征⭐⭐⭐14. 图像特征提取之HOG特征⭐⭐⭐15. 简述一下图像处理中的膨胀和腐蚀操作⭐⭐⭐16. 简述一下分水岭算法⭐⭐⭐<br/>23. Python1. python 深拷贝与浅拷贝⭐⭐⭐⭐⭐2. python 多线程能用多个 cpu 么？⭐⭐⭐⭐⭐3. python 垃圾回收机制⭐⭐⭐⭐⭐4. python 里的生成器是什么⭐⭐⭐⭐⭐5. 迭代器和生成器的区别⭐⭐⭐⭐⭐6. 装饰器⭐⭐⭐⭐⭐7. python 有哪些数据类型⭐⭐⭐⭐⭐8. Python 中列表（ List ）中的 del，remove，和 pop 等的用法和区别⭐⭐⭐⭐⭐9. python yeild 和 return 的区别⭐⭐⭐⭐⭐10. python set 底层实现⭐⭐⭐⭐⭐11. python 字典和 set() 的区别⭐⭐⭐⭐⭐12. 怎么对字典的值进行排序？⭐⭐⭐⭐⭐13. __init__ 和 __new__ 和 __call__ 的区别⭐⭐⭐⭐⭐14. import 常用库⭐⭐⭐15. python 的 lamda 函数⭐⭐⭐⭐⭐16. Python 内存管理⭐⭐⭐⭐⭐17. python 在内存上做了哪些优化？⭐⭐⭐⭐⭐18. Python 中类方法和静态方法的区别⭐⭐⭐⭐⭐19. python 多线程怎么实现⭐⭐⭐⭐⭐20. 点积和矩阵相乘的区别？⭐⭐⭐⭐21. Python 中错误和异常处理⭐⭐⭐⭐22. Python 的传参是传值还是传址？⭐⭐⭐⭐23. 什么是猴子补丁？⭐⭐⭐⭐24. 当退出 Python 时是否释放所有内存分配？⭐⭐⭐⭐25. Python 中的 is 和 == 有什么区别？⭐⭐⭐⭐26. gbk 和 utf8 的区别⭐⭐⭐⭐27. 遍历字典可以用什么方法⭐⭐⭐⭐28. 反转列表的方法⭐⭐⭐⭐29. python 元组中元组转为字典⭐⭐⭐⭐30. range 在 python2 和 python3 里的区别⭐⭐⭐⭐31. __init__.py 文件的作用以及意义⭐⭐⭐⭐32. Python 列表去重复元素⭐⭐⭐⭐