主成分分析和降维

机器学习面试主题备忘单

·

出版于

·

5 分钟阅读

·

2020 年 10 月 28 日

--

更新：

2021 年 12 月 25 日：添加自动编码器和变分编码器

2020 年 12 月 25 日：添加了集成方法

从 http://cheatsheets.aqeel-anwar.com/ 下载备忘单的更新版本

几年前，我开始申请机器学习和机器学习系统设计领域的实习机会。那时我已经在机器学习领域学习并积极研究了几年。我熟悉大多数基本主题。但当我开始面试时，我意识到虽然我对这些话题有了大致的了解，但我需要快速浏览一遍才能完美回答。

所以我决定刷新一下我的观念。我意识到在每次采访之前，我都需要再次回顾这些话题。所以，我创建了我的手写笔记。浏览它们比浏览幻灯片和书籍章节容易得多。它使我在短时间内快速提高了我的理解力。我决定将我的手写笔记转换成紧凑的备忘单，这可能会在机器学习面试和数据科学家的日常生活中派上用场。

本文的其余部分基于这些备忘单。对于每个主题，我提供

• 以备忘单形式进行概述
• 面试问题示例
• 详细了解该主题的建议文章。

注1： 这些备忘单旨在刷新概念，并不旨在为初学者提供对主题的深入理解。

笔记2： 该文章不断更新以获取更多备忘单。

来源： 所有这些备忘单（以及更多）都可以以 pdf 格式下载： www.cheatsheets.aqeel-anwar.com。

一）概述：

b) 示例问题：

1. 什么是机器学习模型中的偏差？
2. 什么是机器学习模型中的方差？
3. 偏差和方差之间的权衡是什么？
4. 高偏差/高方差 ML 模型有哪些缺点？
5. 如何根据训练数据大小选择模型（高偏差或高方差）？

c) 详细文章：

一）概述：

b) 示例问题：

1. 什么是分类数据不平衡？
2. 准确性是一个很好的性能指标吗？它什么时候无法捕获机器学习系统的性能？
3. 什么是精确率和召回率？举个例子
4. 如何解决数据不平衡的问题？

c) 详细文章：

一）概述：

b) 示例问题：

1. 什么是贝叶斯定理？
2. 实施贝叶斯定理的玩具示例
3. MLE 和 MAP 有什么区别？
4. MAP 和 MLE 什么时候相等？

c) 详细文章：

一）概述：

b) 示例问题：

1. 什么是主成分分析？
2. 我们如何使用PCA来降维？
3. 特征值在 PCA 中意味着什么？ （特征值的大小越大，如果我们将相应的特征向量保留为数据的特征向量，则保留的信息就越多）

c) 详细文章：

一）概述：

b) 示例问题：

1. 什么是机器学习中的回归？
2. 我们如何在回归中引入正则化？ （套索和岭）
3. LASSO和岭回归对模型的权重有什么影响？ （Ridge 尝试减小所学习权重的大小，而 LASSO 尝试强制它们为零，从而创建更稀疏的权重集）
4. 贝叶斯线性回归的预测何时接近线性回归的预测？ （当数据点数量足够多时）
5. 逻辑回归是用词不当吗？ （是的，因为不是回归，而是基于回归的分类）

c) 详细文章：

一）概述：

b) 示例问题：

1. 什么是机器学习中的正则化？
2. 我们如何解决过度拟合问题？
3. 什么是K折交叉验证？
4. L1 和 L2 正则化有什么区别？
5. 为什么我们要使用dropout？

c) 详细文章：

一）概述：

b) 示例问题：

1. 什么是美国有线电视新闻网？
2. 解释一下卷积层和转置卷积层的区别。
3. 用于分类的损失函数有哪些？

c) 详细文章：

一）概述：

b) 示例问题：

1. ResNet网络如何解决梯度消失问题？
2. Inception Network 的主要关键特征之一是什么？
3. ResNet网络中的快捷连接是什么？

c) 详细文章：

一）概述：

b) 示例问题：

1. 什么是集成学习？
2. ML 中的 bagging、boosting 和 stacking 是什么？
3. bagging 和 boosting 有什么区别？
4. 列举几种提升方法

c) 详细文章：

一）概述：

b) 示例问题：

1. 什么是自动编码器？
2. 自动编码器的潜在空间是否正则化？
3. 变分自动编码器的损失函数是什么？
4. 自动编码器和变分自动编码器有什么区别？

c) 详细文章：

本文提供了一份备忘单列表，涵盖了机器学习面试的重要主题，并附有一些示例问题。主题列表和备忘单数量不断添加到文章中。

如果本文对您有帮助，欢迎点赞、分享、回复。如果你想了解更多关于机器学习和数据科学的知识，请关注我@阿基尔·安瓦尔 或与我联系 领英。