机器学习 面试常见问题

（1）SVM/LR/GBDT/EM的原理以及公式推导

（2）RF和GDBT的区别；GDBT，XGBOOST的区别，从底层原理去分析

（3）决策树处理连续值方法

（4）解释一下原问题和对偶问题

（5）什么是过拟合，以及解决方案

（6）什么是正则项，L1范式，L2范式区别是什么，各自用在什么地方？

（7）判别模型与生成模型的本质区别是什么

（8）解释一下CNN

（9）解释局部相关性

（10）解释核函数，解释高维映射

（11）深度学习中防止过拟合的方法

（12）dropout为什么能防过拟合

（13）介绍一下batch normalization

（14）用代码写出Logistic regression的损失函数，并提问了这个损失函数如何推导出的。

（15）问ridge和lasso有什么区别，l2范数为什么能防止过拟合，l1范数为什么能让权重稀疏

（16）手写kmeans

（17）k近邻算法k的选择对结果的影响？

（18）偏倚方差分解，以k近邻为例，分析k的变化对偏倚方差的影响？

（19）解释 word2vec 的原理以及哈夫曼树的改进；

（20）在模型的训练迭代中，怎么评估效果；

（21）em 与 kmeans 的关系；

（22）梯度下降的优缺点；

（23）常见分类模型（ svm ，决策树，贝叶斯等）的优缺点，适用场景以及如何选型；