机器学习(
ML
)作为目前一个比较火领域,提供了许多有趣且高薪的工作和机会。

无论你是刚刚踏入机器学习领域的新手,还是已经积累了一定经验的从业者,面试都是检验你技能和知识的重要环节。
本文将梳理一些常见的面试问题,让你在面试中更加自信从容。

1. 基础知识

想要从事机器学习工作,至少应该熟悉:

  • 数学基础
    :包括线性代数、微积分、优化、概率和统计等
  • 机器学习基础
    :准备数据、验证和改进训练结果、解释模型、识别和避免过度拟合等
  • 常用算法
    :比如线性回归、决策树、支持向量机、k 最近邻、神经网络、k 均值聚类、主成分分析等
  • 编程能力
    :需要一些
    Python
    等编程语言知识,以及使用机器学习库的能力(如 NumPy、Pandas、scikit-learn、Matplotlib、Tensorflow 等)等

2. 常见问题整理

接下来,整理了一些适合初学者和中级人员的一般问题,这些问题与任何特定的机器学习算法或方法无关。

通过掌握这些常见问题及其解答思路,不仅能更加深入地理解机器学习的核心概念,还能在面试中展现出你的专业素养和解决问题的能力。

2.1. 机器学习算法有哪些类型

机器学习算法主要分为三种类型:

  1. 监督学习
    :对给定输入数据(特征)和输出数据之间的数学依赖关系(映射)进行建模。

主要解决回归和分类问题,其中回归问题具有连续的数字输出,而分类则处理离散的、通常是分类的输出。

  1. 无监督学习
    :在不提供任何输出的情况下在输入数据中查找结构、规则和模式。

无监督学习方法有几类,例如聚类分析、关联规则学习、异常检测等。

  1. 强化学习
    :采取行动最大化奖励,并根据过去的经验不断学习和改进。

此外,还有
半监督学习
,它介于监督学习和无监督学习之间。

2.2. 什么是数据标准化和归一化

机器学习(
ML
)中数据集
标准化
之后,就可以比较不同单位的特征,这是许多
ML
方法(如支持向量机、神经网络、k 均值聚类、线性判别分析等)的要求。

标准化
通常意味着对特征进行重新调整,使其均值为零,标准差为一。
在某些情况下,可以使用
最小-最大标准化
来代替,它重新调整特征,以便最小值映射到零,最大值映射到一,而所有其他值在零和一之间线性分布。

2.3. 什么是R2

R2
(决定系数)是一个数值,表示输入能够解释输出的程度。
一般用作拟合优度的度量,即回归问题中实际输出和预测输出的接近程度,此值越大越好,R2 = 1 表示完美拟合。

2.4. I类和II类错误是什么

I 类错误
(假阳性错误)表示错误地拒绝了真实的原假设。
II 类错误
(假阴性错误)是错误地接受错误的原假设。

2.5. 条件概率是什么

条件概率
是在某些事件已经发生的情况下事件将发生的概率。
比如,在
事件 F
发生的情况下,
事件 E
发生的概率为:
P(E|F) = P(EF) / P(F)
,其中** P(EF)** 是两个事件都发生的概率,而
P (F)
是 F 发生的概率。

2.6. 什么是训练、验证和测试数据集

训练集
是数据集的一部分,用于训练模型,即拟合其参数;
验证集
是超参数调整期间使用的数据集的另一部分;
测试集
是数据集的第三部分,用于评估所选模型的性能。

数据集的这三个部分通常是独立的并且是随机选择的。

2.7. 什么是过拟合

当模型和现有数据匹配的太好时,通常会发生过度拟合。

过度拟合
的模型通常在
训练数据
上表现良好,但在应用于看不见的数据(
测试数据
)时表现不佳。
复杂或灵活的模型更容易出现过度拟合。

2.8. 什么是降维

降维是一组减少机器学习模型特征(输入变量)数量的技术。
降维的主要方法有两种:

  1. 特征选择
    :选择最重要特征的子集
  2. 特征提取
    :用一组新的、更小的派生特征替换所有特征,以最大限度地减少冗余。

2.9. 内核技巧是什么

内核技巧
与将数据映射到高维空间以使其明显可分离有关。
它避免计算该空间中数据点的新坐标,核技巧对于支持向量机和主成分分析很重要。

2.10. 梯度下降法是什么

梯度下降
是一种快速、迭代、近似、基于梯度的优化方法,旨在找到函数的局部最小值。
它从起点沿最陡下降的方向迭代移动,使用函数的负梯度计算方向和步长。

如果函数是
凸函数
,则梯度下降搜索全局最小值。

2.11. 什么是聚类

聚类

聚类分析
是根据数据点(观测值)特征之间的相似性将数据点(观测值)分为两个或多个组(簇)的过程。

一些聚类方法包括 k 均值聚类、均值漂移聚类、层次聚类、谱聚类、亲和传播、DBSCAN 等。

2.12. 偏差-方差权衡是什么

偏差
是模型预测的输出与实际输出之间的差异;
方差
是不同训练集的模型预测变异性的度量。

简单的模型
可能拟合不足,并且具有高偏差和低方差;
相反,
复杂模型
(具有许多参数)有时会出现低偏差和高方差的过度拟合。

我们想要的是偏差和方差的尽可能低的值,为了实现这一目标,我们必须找到适当复杂性的模型。

3. 最后

当然,工作面试不仅仅是询问和回答与领域相关的问题。
还应该关注一些工作面试中的一般建议,比如:

  1. 预先了解准备面试的公司
  2. 准备好介绍自己在该领域的经验、兴趣以及想要这份工作的原因
  3. 准备好介绍自己的优势和为什么适合该职位
  4. 着装和举止得体

标签: none

添加新评论