大数据文摘作品

编译：张南星、卫青、钱天培

究竟什么样的AI人才能被微软这样的巨头聘用呢？

是不是要码力超群，上来就能徒手写个AlphaGo呢？还是要眼光毒辣，当场就能构想出未来20年AI发展前景呢？

当然不是！

今天，文摘君就淘来了几道微软AI 面试题，同时给出了最基本的解答。（注意是最基本解答哦，欢迎在文末留言给出你认为更好的答案。）

神秘的微软AI面试题，其实非常平易近人。一起来答答看！

合并k个数列（比如k=2）数列并进行排序

代码如上。最简单的方法当然就是冒泡排序法啦。虽然不是最有效的，但却容易描述和实现。

L1/L2正则度量有什么区别？

L1范数损失函数也叫做最小一乘法（LAD）以及最小绝对误差（LAE）。它主要在于最小化目标值（y_i）同预测值（f(x_i)）之间的绝对差值之和。

公式一

L2范数损失函数也叫做最小平方误差（LSE）。它主要在于最小化目标值（Yi）以及预测值[f（xi）]之间差值平方之和。

公式二

对于较大的误差误差，L2比L1给出的惩罚更大。此外，加入L2正则后，模型系数会向0聚拢，但不会出现完全为0的情况，而L1损失函数则能使部分系数完全为0。

如何寻找百分位数？

就拿上面这道题目为例吧：过去12小时内共有1000人来过这个购物中心，请估测，截止至何时，购物中心刚好达到30%的总客流量？

我们可以通过多项式线性回归（polynomial regression）或者平滑样条（spline smoothing）等技巧作出下图。

即为30%的客流量对应3000人

从Y值为3000的点画一条水平线，当与曲线相交时，画一条垂直线在横轴上找到对应的时间值就可以啦。

怎么区分好的可视化与坏的可视化？

针对这个问题，我们会有很多不同的答案。比如，一个不能很好地处理异常值（outliers）的可视化，就不是一个好的可视化。

比如说我们有一个数组，在一系列小数字中有一个很大的数据（[1,2,3,4,7777,5,6,9,2,3]），当我们可视化这个数组的时候，会产生如下的图：

右图→原始图片；中间图→规范化值；左图→标准化值

怎样才能更好地可视化这组数据呢？正如上图所示，即使我们对分析值进行了标准化或者规范化，产生的折线图依然不能很好地表示这组数组。究竟要怎么做呢？欢迎留言发表看法。

怎样更快地计算出逆矩阵？

比如，可以考虑Gauss-Jordan法。

如果是一个2x2的矩阵就很简单了。

逆矩阵是：

ad-bc≠0

只需要交换a和b，取b和c的负值，然后除以方阵ad-bc。

定义方差

方差是每个数据点与整个数据集平均值之间差值的平方和。换而言之，就是数据的变化性。下面这张图就很好地解释了什么是方差。

首先我们计算出每只狗和平均身高的差值；为了计算方差，将每个差值平方后加总，再求平均值。

最后，献上本文出现的所有代码：

相关报道：