这个项目主要用来总结算法工程师面试中常见的问题，期待能够帮助算法工程师们收获心仪的 offer，如果觉得本项目不错，欢迎 star

注意：GitHub 本身不支持 LaTeX 公式，如果要在线看的话可以安装插件 TeX All the Things，刷新之后就可以正常显示公式；推荐本地使用 Typora 阅读，体验更好

• 机器学习任务攻略
• 正则化（L1，L2）
• Normalization
  • BN，Layer Normalization，Instance Normalization，Group Normalization 的作用、实现、相互间区别、使用场景【参考1，参考地址2】
• 优化算法
  • 不同优化算法：SGD、SGDM、NAG、AdaGrad、RMSprop、Adam、NAdam、AdaMax、AMSGrad
  • 优化算法效果可视化
• 损失函数
  • MAE, MSE, Smooth L1 Loss, Huber Loss, Log-Cosh, Quantile, Hinge Loss, 交叉熵损失, Focal Loss
  • 分类 Loss 为什么用交叉熵不用 MSE
• 评估指标
  • 分类任务：准确率（Accuracy）、精确率（Precision）、召回率（Recall）、PR 曲线、F1 值、ROC 曲线、AUC、对数损失
  • 回归任务：平均绝对误差（MAE）、均方误差（MSE）、均方根误差（RMSE）、归一化均方根误差（NRMSE）、决定系数（R2）
  • 聚类任务：纯度、NMI、兰德系数、调整兰德系数
  • 目标检测任务：IOU
• 激活函数
  • Sigmoid，Tanh，ReLU，Leaky ReLU，ELU，GELU
• 梯度消失与梯度爆炸
  • 解释原因
  • 解决方案：合适的激活函数、Batch Norm、网络结构（ResNet，LSTM）、梯度裁剪
• 过拟合与欠拟合
  • 什么是过拟合与欠拟合？解决方案是什么？
  • Dropout具体实现，训练和测试时有什么不一样？
• 其他小众问题
  • 偏差与方差
• 参数初始化方法
  • 权重初始化的方案（Xavier，kaiming_normal）
  • 神经网络权重初始化为零带来的影响
• 模型压缩
• 调参技巧【参考地址】

• 决策树【参考地址】
  • ID3，C4.5，CART决策树的计算流程
  • 信息增益
  • 包括剪枝，预剪枝后剪枝好处坏处
• 集成学习
  • Adaboost，GBDT，XGboost，随机森林、lightgbm，bagging
  • GBDT防止过拟合的方法有哪些？怎么处理连续变量和离散变量？
  • 随机森林怎么处理样本不均衡
  • xgboost和gdbt怎么做回归和分类的？有什么区别？
• SVM
  • 推导
  • SVM原理，为什么要用对偶问题解
  • SVM如何处理非线性情况（非核方法）软间隔和正则化
  • SVM的原理，核函数的有什么特点
  • LR和SVM的异同
• 判别式与生成式模型
• HMM是什么
• 牛顿法和拟牛顿法介绍
  • 二阶优化方法，相比一阶的区别
• 无监督算法
  • 基于密度的算法
  • k-means
• 逻辑回归
  • 基本概念
  • LR的原理，手写损失，手写反向传播
  • LR特征重复会怎么样
• 朴素贝叶斯的推导以及假设条件
• KNN
  • KNN的原理，如果所有K选的很大，会导致过拟合还是欠拟合
• DETR算法
• 问对NAS算法
• LGBM和XGB区别
• Inception系列的演化
• 谈谈传统不平衡分类算法（上采样、下采样、混合采样、代价敏感矩阵、调整分类器阈值）以及最新深度学习不平衡分类算法

• 样本不平衡处理方法
  • 样本不平衡怎样选择特征
• 数据增强的常用方案
• 特征工程【参考地址】
  • 怎样选择特征
  • 特征工程做的有哪些？非线性可分的情况怎么处理的？
  • 标准化、归一化、异常特征清洗、不平衡数据
  • 不平衡数据的处理方法
• 数据预处理
• 稀疏特征的处理
• 如何识别数据集中的噪声样本

• RCNN 系列算法的演进【参考地址】【地址2】【地址3】
  • faster rcnn的最后输出大小是多少、它的正负样本是怎么选择
  • 目标检测中如何解决目标尺度大小不一的情况）+基础知识（pooling反向传播，python拷贝文件）
• YOLO 系列算法的演进
• anchor-free 的目标检测算法
• 卷积
  • 普通卷积，Group卷积，深度可分离卷积实现与参数量计算
  • 转置卷积、空洞卷积、1*1 卷积（变换channel，通道融合，降维）、deformable conv
  • 感受野的概念
• ROI pooling 与 ROI align【地址】
• IOU
• 非极大值抑制（NMS）
• 目标检测，任意形状的检测框应该怎样实现
• Transformer相比较CNN的优缺点
• FPN为何能够提升小目标的精度
• resnet和densenet及其不同
• 计算机视觉四大基本任务
• pooling层的作用
• [ ]

• word2vec和onehot的区别

  • 讲讲word2vec原理，介绍一下tf-idf
  • WORD2VEC的细节（CBOW+skop-gram huffman树+负采样算
  • 介绍word2vec，word2vec假设，负采样，参数数目

• RNN 与 LSTM，Bi-LSTM，GRU 原理

  • lstm原理三个门作用
  • LSTM结构画图，为什么能解决梯度消失和梯度爆炸

• transformer 与 BERT

  • self-attention 原理
  • transformer 原理与优缺点
  • BERT 原理【参考地址】
  • 位置信息，bert 与 transformer 的位置信息来源不同之处【为什么 transformer 用 positional encodding 而 bert 自己学习 positional embedding】
  • bert 的变种模型
  • bert的embedding是相加还是concat？
  • bert的根号dk作用【dot production 为什么要除以维度的开根号】
  • 多头注意力原理与作用
  • 描述下多头自注意力机制，自注意力公式，说说为什么用LN，为什么用残差结构

• LSTM+attention这个模型为什么要在加attention

这一部分不会涉及一般的算法，只会列出设计机器学习的算法

• 手写img2col
• nms
• IOU
• pytorch 实现 逻辑回归
• k-means
• pytorch 实现多头注意力机制
• logistic回归
• 快速排序
• 梯度下降算法推导
  • 反向传播【参考地址】

• python多线程，多进程
• python的GIL
• 生成器与迭代器
• 装饰器
• 深浅拷贝
• python 的垃圾回收机制
• pyhton的 is 和 == 有什么区别
• python的class在继承父类时，super的作用是什么
• list 参数传递

https://github.com/code-wd/