AI算法工程师炼成之路

AI算法工程师炼成之路

 

 

 

 

面试题：

l  自我介绍/项目介绍

l  类别不均衡如何处理

l  数据标准化有哪些方法/正则化如何实现/onehot原理

l  为什么XGB比GBDT好

l  数据清洗的方法有哪些/数据清洗步骤

l  缺失值填充方式有哪些

l  变量筛选有哪些方法

l  信息增益的计算公式

l  样本量很少情况下如何建模

l  交叉检验的实现

l  决策树如何剪枝

l  WOE/IV值计算公式

l  分箱有哪些方法/分箱原理是什么

l  手推SVM：目标函数，计算逻辑，公式都写出来，平面与非平面

l  核函数有哪些

l  XGB原理介绍/参数介绍/决策树原理介绍/决策树的优点

l  Linux/C/Java熟悉程度

l  过拟合如何解决

l  平时通过什么渠道学习机器学习（好问题值得好好准备）

l  决策树先剪枝还是后剪枝好

l  损失函数有哪些

l  偏向做数据挖掘还是算法研究（好问题）

l  bagging与boosting的区别

l  模型评估指标有哪些

l  解释模型复杂度/模型复杂度与什么有关

l  说出一个聚类算法

l  ROC计算逻辑

l  如何判断一个模型中的变量太多

l  决策树与其他模型的损失函数、复杂度的比较

l  决策树能否有非数值型变量

l  决策树与神经网络的区别与优缺点对比

l  数据结构有哪些

l  model ensembling的方法有哪些