人工智能领域的机器学习面试题如果您对技术感兴趣并且正在寻找涉及数据科学的工作，那么您很可能已经听说过机器学习。

这个词笼罩着神秘的气氛-许多人对这个概念本身感到困惑。

但是，如果您正在寻找如何成为AI工程师或商业智能开发人员，则可能对机器学习及其周围的一切非常熟悉。

但是，如果您想为该工作评分，则必须准备一份工作面试。

还有什么比修订机器学习面试问题更好的准备方法呢？在本教程中，我们将研究一些有关机器学习的最受欢迎的面试问题。

我们将介绍基本知识和高级知识，因此请抓住思路，让我们继续前进。

机器学习的主要方面最好的方法是从最基本的机器学习工程师面试问题开始。

这些是您在面试开始时可以期望得到的。

通过这种方式，雇主希望查看您是否具有批判性思维能力，并能够形成自己的凝聚力思想。

这就是为什么许多这样的问题将基于定义，比较，解释等等的原因。

问题1：描述“机器学习”。

您的绝大多数雇主可能会首先问您与此类似的问题。

这样做有两个原因。

首先，您的面试官无法继续进行其他一般性的机器学习面试问题，直到他们看到您是否首先了解什么是“机器学习”。

此外，您的回答方式将显示您对定义的理解程度，或者换句话说，您可以以一种易于理解的方式很好地解释一个困难的话题。

如果您只花了整整一个晚上从某个随机科学杂志上记下来的20根内衬，那么与您想办法自己解释的情况相比，它可能会给您带来更少的信誉。

那么……什么是机器学习？描述机器学习的最简单，最容易理解的方法可能是将其称为AI开发的特定哲学。

这是一个科学领域，涉及如何使机器能够从提供给他们的信息中学习，而无需事先进行编程。

问题2：什么是“深度学习”？由于深度学习与机器学习息息相关，因此您甚至可能会遇到跨深度学习和机器学习面试的问题。

深度学习是机器学习的一个分支。

科学的这一方面与使机器的神经网络尽可能类似于人的大脑有关。

问题3：“类型1”和“类型2”错误有什么区别？类型1错误声称实际上已经发生了某事，而实际上却不可能发生。

类型2错误的作用与此相反–声称这样做时没有任何反应。

例如，这是一种很好的方法来帮助您记住两种类型的错误之间的区别：想象一下，如果类型1的错误是当您告诉狗狗是猫，而类型2的错误是当您告诉狗狗是猫。

狗不能吠的狗。

问题4：什么是“数据扩充”？数据扩充是较简单的机器学习面试问题之一，是一种从旧数据中修改和创建新数据的方法。

完成此操作的方法是保留目标不变或将其更改为已知的目标。

问题5：为什么叫“朴素贝叶斯”？朴素贝叶斯之所以被称为朴素，是因为它的思维方式。

假定数据集中的每个元素的重要性相同。

不用说，在日常情况下很少如此。

问题6：深层网络或浅层网络哪个更??好？您可以将其归类为比较机器学习面试问题之一，因为您必须对这两个网络有相当的了解，还必须能够对它们进行比较以找到明显的区别。

深度网络通常被认为是更好的选择。

这仅仅是因为它们由更多层组成，其中大多数层都是隐藏的–这有助于深度网络提取并构建更好的功能。

问题7：什么是“傅立叶变换”？“傅立叶变换”方法用于将简单的通用函数转换为所谓的超函数。

如果这是您想进一步扩展的机器学习面试问题之一，则可以将其与汽车拆解并查看所制造的所有不同零部件的情况进行比较。

在......之外。

问题8：什么是“卷积网络”？通常，简单的网络使用连接的层来执行其过程。

反过来，卷积网络是那些，而是采用连接层，使用卷积的。

人们偏爱使用卷积网络而不是标准的连接层网络的主要原因是，卷积网络具有较少的归因于它们的参数。

问题9：我们应该了解“真实阳性率”和“召回率”之间的相关性吗？尽管这听起来像是更高级的机器学习面试问题之一，但答案非常简单。

这两个指标完全相同。

我们可以通过查看他们的公式TP / TP + FN来看到这一点。

问题10：什么是“反向传播”？反向传播本身就是一个花哨的术语，它只是一种训练多层神经网络的方法。

我们将通过从该方法的最末端获取“错误”并将其放置在网络中的每个权重之内，使用该方法来训练网络。

这样，机器就有机会有效地应用其计算。

问题11：如果仅使用“验证集”而不应用“测试集”会怎样？在机器学习面试问题中，这个问题可能会变得更棘手。

如果仅应用验证集，它将无法提供您要测试的模型的所有度量的准确估计。

这是因为“测试集”用于测试该模型在截至该时间点尚未遇到的示例中的性能。

因此，可以说，如果删除测试集，则会自动破坏可能有效的测试结果。

问题12：演绎和归纳机器学习有什么区别？主要区别在于它们的开始方式。

归纳式机器学习始于得出结论的示例。

演绎式机器学习从结论开始，然后通过推论该结论是对还是错来进行学习。

问题13：方差和偏差在机器学习中如何发挥作用？它们都是错误。

差异是一个错误，是机器学习算法过于复杂的结果。

偏差是一种错误，是由于学习算法中的假设有误而导致的。

不要混淆这些内容，因为在跟随机器学习面试问题时您将需要记住它们。

问题14：什么是监督学习，它与无监督学习有何区别？监督式机器学习是一个过程，其中输出被反馈到计算机中，供软件从中学习并在下一次获得更准确的结果。

无监督机器学习意味着计算机将无需初始培训就可以学习，这是对有监督的机器学习的替代方法，其中“机器”接受了初始培训。

问题15：如何为分类问题选择算法？在这种情况下，答案取决于所需的准确性程度和训练集的大小。

如果训练集较小，建议选择低方差/高偏差分类器。

如果情况相反，则训练集很大，那么您应该选择高方差和低偏差的分类器。

高级机器学习面试题现在，您对一般的机器学习以及在工作面试中可以期望的基本机器和深度学习面试问题类型有了一些了解，我们可以继续学习更高级的内容。

但是，不要上当。

您的雇主很可能不会要求您建立一个自给自足的AI系统，也不会写一本长达300页的书来介绍您学习深度学习的所有不同方式。

在这种情况下，“高级”仅意味着问题将变得有点棘手-您可能会被要求为您的答案提供进一步的解释，举一些例子等。

因此，请放心，放松并直接进入它。

问题1：“生成”模型和“区别”模型之间有什么区别？尽管这听起来像是机器学习面试技巧中的棘手问题之一，但您的雇主很可能只想知道这些模型如何处理数据。

一个生成模式，顾名思义，是要付出努力和学习它提供的不同类别的数据。

与此相反，判别模型将仅研究各种数据类别之间的差异。

开发人员和工程师通常更喜欢使用区分模型，因为它倾向于更快，更高效地处理其任务。

问题2：解释“交叉验证”和“分层交叉验证”之间的区别。

简单的交叉验证用于在训练期间和验证集之间随机分离数据。

分层交叉验证的作用相同，但是没有随机变量 -它确实跟踪并保留了训练与验证测试的比率。

这是可能很容易混淆的那些机器学习面试问题之一，所以请当心！问题3：在什么情况下应该使用“套索”和“里奇”回归？这属于高级机器学习工程师面试问题，主要是因为您确实需要一些有关两种回归类型的深入知识才能提供有效的答案。

该套索回归可以执行选择变量和收缩参数的两者的功能，而岭回归只能用于后者。

考虑到这一点，当您只有几个变量且影响很大时，很可能会使用Lasso回归。

反过来，当有许多小变量时，应使用Ridge回归。

这是，你可以与你的答案扩大后，不只是给一个通用的机器学习面试问题一个很好的例子一个班轮。

问题4：什么是“ F1”？不，您只需按一下即可获得答案，这不是键盘上的键。

在F1成绩是你的模型只是做得如何测量。

任何接近“1 ”标记的东西都很好，任何低于“0,5 ”标记的东西都应该进行处理。

问题5：在大多数情况下，合奏或单个模型中的哪一个得分较高？乐团通常会提供更高的分数。

这是因为它们只是各种模型的组合，可以预测一个特定的结果。

模型越多，它们可以分类的错误就越多-最终预测得分将越好。

问题6：“相关”和“协方差”之间有什么区别？仅当您不知道这两个相关性如何时（这不是双关语），这才是高级机器学习面试问题之一。

但是，如果您确实知道，答案就非常简单：协方差一旦标准化就成为一个相关性。

问题7：描述一个“不平衡的数据集”。

一种不平衡数据集是一组，测试后，带回来的结果，超过一半的整个信息驻扎在短短的一类。

如何避免这种情况？嗯，有几个简单的解决方案–要么使用不同的算法再次执行测试，要么尝试测试更多的数据，以使结果均匀。

问题8：什么是“数据标准化”？还记得我们在之前的机器学习面试问题中谈到“反向传播”吗？很好，数据规范化用于最小化反向传播过程中的数据冗余。

它允许用户在自己认为合适的情况下重新缩放不同的值，从而消除了可能的冗余问题。

问题9：您能否捕获分类变量和连续变量之间的相关性？可以，但是您必须使用所谓的协方差分析（ANCOVA）方法。

使用它，您可以捕获相关性。

问题10：激活功能有什么作用？此功能允许您通过引入非线性学习方法来使您的网络多样化。

这样做是为了帮助您的机器学习如何更轻松地处理困难的过程。

结论在本教程中，我们研究了有关机器学习的面试问题。

我们从基础开始，后来涵盖了一些在工作面试中可能会收到的更高级的机器学习面试问题和答案。

无论您是要寻找IT专家还是机器学习AI专家，请尽力修改并记住ML的基础知识。

当然，我们只是简单地触及了冰山一角，但如果您是认真地学习这些问题及其答案的，则至少应就可以从面试中获得的期望形成一个总体思路。