AI算法工程师面试题汇总

技术1面

1 Java水平怎么样？

2 问Python给自己打多少分？Python多线程怎么实现？

3 线程和进程的区别？

4 不同进程之间数据能共享吗？

5 Numpy和pandas做了什么？他们有什么优缺点？

6 五行五列二维数组，手写代码输出每行每列的最大值、最小值、平均值、方差

7 问Redis数据库知道多少？

Redis数据类型有几种？

MySQL和Redis有什么区别？

8 怎么设置缓存实现时间（怎么清缓存？）

9 Hadoop，spark用过吗？

10 举了一个高维数据，怎么找出异常值？

技术2面

二面面试官来了。是个算法大佬。是个专门做算法的。直接手出题，他说时间不多，就让我说思路。

1.先是一个m*n矩阵图走迷宫共有多少条路径？

需要用到动态规划，还有排列组合。

2. 2-sum问题。这个答出来了，中间有用了一种方法，自己想的，虽然没有降低时间复杂度，但挺新颖的。

3.问了最熟悉哪个机器学习算法。说逻辑回归，谈了下逻辑回归原理。问了为什么总Sigmod函数，而不是其他双曲函数或Rule函数。

4.然后他说对Xgboost这个感兴趣，Xgboost比GBDT做了什么优化，他说了一点，问还有一点是在数据集遍历上的优化？

5.问了随机森林，随机森林与决策树相比，有哪些更多的优化？

6.问了信息熵，和信息增益，和信息增益率，现实中代表什么？

信息增益率比信息增益解决了哪些问题？

总结

感受到大公司氛围就是挺好的。不管结果如何。都有所收获，至少知道了自己的优点和不足。

1. 缺乏常规算法训练

2. 没有很深究到机器学习原理的细节和底层具体推导。

想进大厂，必须得加强算法训练（多刷题），机器学习算法掌握来龙去脉，熟知重要原理和应用及优化。

以上面试问题，大家有自己的答案了吗？对自己拿不准的问题，欢迎大家留言，一起讨论。

相关链接

回归算法

回归分析简介

最小二乘法：背后的假设和原理（前篇）

最小二乘法原理（后）：梯度下降求权重参数

线性回归：算法兑现为python代码

线性回归：OLS 无偏估计及相关性python分析

线性回归：谈谈多重共线性问题及相关算法

机器学习：说说L1和L2正则化

决策树回归：不调包源码实现

分类算法

逻辑回归| 原理解析及代码实现

逻辑回归| 算法兑现为python代码

决策树

对决策树剪枝

sklearn分类和回归

提炼出分类器算法

贝叶斯分类

朴素贝叶斯分类器：例子解释

朴素贝叶斯分类：拉普拉斯修正

单词拼写纠正器python实现

半朴素贝叶斯分类器

支持向量机参数求解

支持向量机之软间隔和核函数

聚类算法

期望最大算法：实例解析

高斯混合模型：聚类原理分析

高斯混合模型：聚类求解

高斯混合模型：求解完整代码

高斯混合模型：不调包多维数据聚类分析

K-Means算法

聚类算法之DBSCAN

集成算法

Adaboost算法

提升树算法思想

XGBoost思想

XGBoost模型构造

XGBoost 安装及实战应用

推荐算法

关联规则Apriori算法

PageRank算法原理

海量数据求top K 之最小堆实现

快速排序思想求topk