机器学习面试问题有哪些？

1. 机器学习基础：通过基本概念构建坚实基础

什么是监督学习和无监督学习？

机器学习中特征工程的目的是什么？

过拟合和欠拟合的区别是什么？

什么是交叉验证，为什么它在机器学习中很重要？

什么是训练数据集和测试数据集，为什么分割数据很重要？

2. K 近邻算法（KNN）：深入了解这个简单却强大的算法

如何在 KNN 中确定 “N” 的值？

KNN 需要模型权重吗？

KNN 是像 ChatGPT 那样的模型吗？为什么？

使用 KNN 的优缺点是什么？

为什么 KNN 被称为非参数算法？

KNN 如何处理高维数据？

3. 线性回归：掌握最广泛使用的回归技术之一

什么是线性回归，它与其他回归技术有何不同？

为什么线性回归被称为 “线性”？

线性回归的关键假设是什么？

如何检查线性回归的假设是否满足？

线性回归有哪些不同类型？

4. 梯度下降：理解优化的核心

你能简单解释一下梯度下降是如何工作的吗？

批量梯度下降、随机梯度下降（SGD）和小批量梯度下降有什么区别？

如何选择梯度下降的学习率，为什么这很关键？

在梯度下降中使用非常高或非常低的学习率会有什么后果？

5. 逻辑回归：准备好解释它如何为分类任务提供支持

逻辑回归可以用于回归任务吗？为什么可以或为什么不可以？

逻辑回归和线性回归的主要区别是什么？

为什么逻辑回归被认为是概率模型？

逻辑回归如何处理二分类问题？

逻辑回归中使用的损失函数是什么，为什么选择它？

6. 支持向量机（SVM）：强大的监督学习算法

SVM 中的核函数是什么，为什么它很重要？

SVM 中有哪些不同类型的核函数？

如何为 SVM 模型选择合适的核函数？

SVM 中硬间隔和软间隔的区别是什么？

SVM 中的成本参数（C）是什么？

RBF 核函数中的 gamma 有什么作用？

7. 决策树：学习如何分解复杂决策

决策树的关键组成部分是什么？

决策树中的熵是什么？

决策树中的信息增益是什么？

什么是基尼不纯度，它在决策树中是如何使用的？

决策树如何处理分类数据和连续数据？

8. K 均值聚类：在无监督学习的讨论中脱颖而出

K 均值聚类的目标函数是什么？

K 均值算法的主要假设是什么？

K 均值如何处理大型数据集？

K 均值相对于其他聚类算法的优势是什么？

K 均值聚类有哪些局限性？

9. 提升和装袋技术：即Boosting and Bagging，为先进的集成方法做好准备

提升和装袋的区别是什么？

你能解释装袋的工作原理吗？

提升如何迭代地提高模型性能？

装袋和提升中基学习器的作用是什么？

10. 朴素贝叶斯：讨论预测建模中最快的算法之一

为什么它被称为 “朴素”？

为什么朴素贝叶斯是生成式人工智能模型？

朴素贝叶斯的关键假设是什么？

贝叶斯定理中先验概率和后验概率的区别是什么？

11. 主成分分析（PCA）：像专业人士一样解释降维

执行 PCA 涉及哪些关键步骤？

PCA 如何实现降维？

什么是特征值和特征向量，它们在 PCA 中是如何使用的？

协方差矩阵在 PCA 中起什么作用？

PCA 可以应用于非数值数据吗？为什么可以或为什么不可以？

12. 深度学习基础：涵盖神经网络等内容

你能解释基本神经网络的结构吗？

神经网络的主要组成部分是什么？

激活函数在深度学习中的作用是什么？

你能说出一些常见的激活函数及其用途吗？

什么是反向传播，为什么它很重要？

13. 概率与统计：巩固你对基本数学概念的理解

方差和标准差是什么，它们如何用于评估模型性能？

相关性和因果关系的区别是什么？

为什么在机器学习的背景下理解这一点很重要？

什么是 p 值，在假设检验中如何解释它？

解释统计学中总体和样本的区别。

统计学中置信区间的意义是什么？