导语

正值求职、跳槽季，无论你是换工作还是找实习，没有真本事都是万万不行的，可是如何高效率复习呢？之前我们给大家推荐了一份 Python 面试宝典，收藏了近 300 道面试题，今天为为家精心准备了一份 AI相关岗位的面试题，帮大家扫清知识盲点，自信上场！

机器学习工程师面试

1、你会在时间序列数据集上使用什么交叉验证技术？是用k倍或LOOCV？

2、你是怎么理解偏差方差的平衡的？

3、给你一个有1000列和1百万行的训练数据集，这个数据集是基于分类问题的。经理要求你来降低该数据集的维度以减少模型计算时间，但你的机器内存有限。你会怎么做？

4、全球平均温度的上升导致世界各地的海盗数量减少。这是否意味着海盗的数量减少引起气候变化？

5、给你一个数据集，这个数据集有缺失值，且这些缺失值分布在离中值有1个标准偏差的范围内。百分之多少的数据不会受到影响？为什么？

6、你意识到你的模型受到低偏差和高方差问题的困扰。那么，应该使用哪种算法来解决问题呢？为什么？

7、协方差和相关性有什么区别？

8、真阳性率和召回有什么关系？写出方程式。

9、Gradient boosting算法（GBM）和随机森林都是基于树的算法，它们有什么区别？

10、你认为把分类变量当成连续型变量会更得到一个更好的预测模型吗？

11：“买了这个的客户，也买了......”亚马逊的建议是哪种算法的结果？

12、在k-means或kNN，我们是用欧氏距离来计算最近的邻居之间的距离。为什么不用曼哈顿距离？

13、我知道校正R2或者F值是用来评估线性回归模型的。那用什么来评估逻辑回归模型？

14、为什么朴素贝叶斯如此“朴素”？

15、花了几个小时后，现在你急于建一个高精度的模型。结果，你建了5 个GBM（Gradient Boosted Models），想着boosting算法会展现“魔力”。不幸的是，没有一个模型比基准模型表现得更好。最后，你决定将这些模型结合到一起。尽管众所周知，结合模型通常精度高，但你就很不幸运。你到底错在哪里？

以上题目答案详解：【推荐收藏】机器学习教材中的 7 大经典问题

算法工程师面试题

工作中的算法工程师，很多时候，会将生活中转瞬即逝的灵感，付诸产品化。

将算法研究应用到工作中，与纯粹的学术研究有着一点最大的不同，即需要从用户的角度思考问题。很多时候，你需要明确设计的产品特征、提升的数据指标，是不是能真正迎合用户的需求，这便要求算法工程师能在多个模型间选择出最合适的那个，然后通过快速迭代达到一个可以走向产品化的结果。知识储备作为成功的根底亦必不可少，以下是营长为你精选的算法面试，帮你检查下自己的技能是否在线。

1. LDA(线性判别分析) 和 PCA 的区别与联系

2. K-均值算法收敛性的证明

3. 如何确定 LDA (隐狄利克雷模型) 中主题的个数

4. 随机梯度下降法的一些改进算法

5. L1正则化产生稀疏性的原因

6. 如何对贝叶斯网络进行采样

7. 从方差、偏差角度解释 Boosting 和 Bagging

8. ResNet的提出背景和核心理论

9. LSTM是如何实现长短期记忆功能的

10. WGAN解决了原始 GAN 中的什么问题

以上题目答案详解：【推荐收藏】是男人就过8题！楼教主出题，请接招算法和编程面试题精选TOP50！(附代码+解题思路+答案)

深度学习12大常见面试题

1.什么是深度学习？为什么它会如此受欢迎？

3.深度学习与机器学习有什么区别？

4.深度学习的先决条件是什么？

5.选择哪些工具/语言构建深度学习模型？

6.为什么构建深度学习模型需要使用GPU？

7.何时（何处）应用神经网络？

8.是否需要大量数据来训练深度学习模型？

9.哪里可以找到一些基本的深度学习项目用来练习？

10.深度学习的一些免费学习资源

最后附上深度学习的相关面试问题有哪些？

（1）深度学习模型如何学习？ （2）深度学习模型有哪些局限性？ （3）前馈神经网络和递归神经网络之间有什么区别？ （4）什么是激活特征函数？ （5）什么是CNN，它有什么用途？ （6）什么是池化？ 简述其工作原理。 （7）什么是dropout层，为什么要用dropout层？ （8）什么是消失梯度问题，如何克服？ （9）什么是优化函数？说出几个常见的优化函数。

以上题目答案详解：

Python常见面试题100+Python编程题给你练~（附答案）

10个Python常见面试题，这些弄不明白不要说学过Python！

Google人工智能面试题

1、求导1/x。

2、画出log (x+10)曲线。

3、怎样设计一次客户满意度调查？

4、一枚硬币抛10次，得到8正2反。试析抛硬币是否公平？p值是多少？

5、接上题。10枚硬币，每一枚抛10次，结果会如何？为了抛硬币更公平，应该怎么改进？

6、解释一个非正态分布，以及如何应用。

7、为什么要用特征选择？如果两个预测因子高度相关，系数对逻辑回归有怎样的影响？系数的置信区间是多少？

8、K-mean与高斯混合模型：K-means算法和EM算法的差别在哪里？

9、使用高斯混合模型时，怎样判断它适用与否？(正态分布)

10、聚类时标签已知，怎样评估模型的表现？

11、为什么不用逻辑回归，而要用GBM？

12、每年应聘Google的人有多少？

13、你给一个Google APP做了些修改。怎样测试某项指标是否有增长

14、描述数据分析的流程。

15、高斯混合模型 (GMM) 中，推导方程。

16、怎样衡量用户对视频的喜爱程度？

17、模拟一个二元正态分布。

18、求一个分布的方差。

19、怎样建立中位数的Estimator？

20、如果回归模型中的两个系数估计，分别是统计显著的，把两个放在一起测试，会不会同样显著？

以上题目答案详解：

苹果人工智能面试题

1、有成千上万个用户，每个用户都有 100 个交易，在 10000 个产品和小组中，用户所参与有意义的部分，你是如何处理这一问题的？

2、为了消除欺诈行为，我们对这些数据进行预筛选，如何才能找到一个数据样本，帮助我们判断一个欺诈行为的真实性？

3、给出两个表格，一个表格用来存储用户 ID 以及购买产品 ID（为1个字节），另一个表格则存储标有产品名称的产品 ID。我们尝试寻找被同一用户同时购买的这样一个成对的产品，像葡萄酒和开瓶器，薯片和啤酒。那么，如何去寻找前 100 个同时存在且成对出现的产品？

4、详细描述 L1 正则化和 L2 正则化二者之间的区别，特别是它们本身对模型训练过程的影响有什么不同？

5、假设你有 10 万个存储在不同服务器上的文件，你想对所有的文件进行加工，那么用 Hadoop 如何处理?

6、Python 和 Scala 之间有什么区别?

7、解释一下 LRU Cache 算法。

8、如何设计一个客户——服务器模型，客服端每分钟都可以发送位置数据。

9、如何将数据从一个 Hadoop 聚类传递给另一个 Hadoop 聚类？

10、Java 中的内存有哪些不同的类型？

11、你是如何处理数百个标题中的元数据这一繁琐任务的？

12、在数据流和可访问性方面，如何在隐藏时间帧内进行测量？其中在隐藏时间帧内，核心超负荷将计算机能量重定向到 cellar dome 的过度复杂文件系统的边界结构。

13、你最希望拥有的超能力是什么？

14、如果你有一个时间序列传感器，请预测其下一个读数。

15、使用 SQL 创建 market basket 输出。

16、你有没有过心理物理学实验的经验？（Research Portfolio based question）

17、你在表征方法上的专长是什么？通常使用什么？你是如何在研究中使用它，有没有什么有趣的结果？（Research Portfolio based question）

18、如何进行故障分析？

19、检查一个二叉树是否为左右子树上的镜像。

20、什么是随机森林？为什么朴素贝叶斯效果更好？

以上题目答案详解：

大家可在详解页面查找以上所有问题的答案，面试除了运气，更多还是需要扎实的基本功。努力刷题吧，祝大家都能所向披靡，顺利进入心仪的公司~