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？

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

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。