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：
- 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。
- 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。
- 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：
- 特征选择：选择最重要特征的子集
- 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
聚类或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：
- 预先了解准备面试的公司
- 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
- 准备好介绍自己的优势和为什么适合该职位
- 着装和举止得体
评论区