9つの主要テーマ！機械学習アルゴリズム理論に関する面接の質問の要約

[[342976]]

機械学習は、強力な理論的側面と実践的側面を備えた技術分野です。機械学習関連の仕事に応募する場合、さまざまな機械学習の問題や知識ポイントに遭遇することがよくあります。

アルゴリズムの理論的基礎には、基本的な概念や数学的基礎だけでなく、機械学習やディープラーニングに関連するものも含まれます。今日は、オープンソース化されたアルゴリズム理論の基本的な面接の質問に関する優れたリソースをお勧めしたいと思います。

まず、このオープンソースの面接の質問の要約のアドレスは次のとおりです。

https://github.com/sladesha/Reflection_Summary より

著者はSladeSalとtcandzqで、2020年度のキャンパスリクルートメント面接におけるさまざまなアルゴリズムの問​​題と個人的な理解をまとめたものです。これまでに900件以上の「いいね！」を獲得しています。

リソース ディレクトリ:

• 基本概念
• 数学
• データ前処理
• 機械学習
• ディープラーニング
• 自然言語処理
• 推薦する
• リスク管理
• 評価指標

以下の詳細をご覧になり、一足先にご覧ください!

1. 基本概念

基本概念セクションには、分散とバイアス、生成モデルと識別モデル、事前確率と事後確率、頻度確率、AutoML の 5 つのトピックが含まれます。各トピックには、面接でよく聞かれる質問がいくつか含まれています。

たとえば、「バイアスと分散をどのように説明するか? モデルのトレーニングによってバイアスと分散が導入されるのはなぜか?」

質問の説明はすべて、面接の質問を簡潔にまとめたもので、冗長にならず、わかりやすいです。

2. 数学

数学セクションには、データ品質、最大公約数問題、ニュートン法、準ニュートン法、確率密度分布、平面曲線の接線と法線、導関数、微分積分の平均値定理、テイラーの公式、オイラーの公式、行列、確率論の 12 のトピックが含まれます。

たとえば、テイラーの公式の説明を見てみましょう。

テイラーの公式は、一文で説明できます。それは、滑らかな関数を近似するために多項式関数を使用するというものです。一般的なテイラーの公式は次のとおりです。

3. データ前処理

データ前処理部分には、データバランス、外れ値処理、欠損値処理、特徴選択、特徴抽出の 5 つのトピックが含まれます。データの前処理は機械学習アルゴリズムの重要な部分です。

たとえば、「なぜデータを変換する必要があるのか​​？」「正規化と標準化の関係は何か？」

著者はこの部分を非常に詳細に要約しており、さらに続きがあります。連続的な特徴の一般的な方法について、著者は要約する図を紹介します。

4. 機械学習

機械学習の部分には、クラスタリング、線形回帰、ロジスティック回帰、決定木、ベイズ、ランダムフォレスト、アンサンブル学習、FM/FFM、SVM の 9 つのトピックが含まれます。このセクションは詳細で、面接の中心的な質問がよく要約されています。

たとえば、SVM のインタビューの質問は非常に豊富で、幅広いトピックをカバーしています。ご存知のとおり、サポート ベクター マシン (SVM) は、教師あり学習方式でデータのバイナリ分類を実行する一般化線形分類器の一種であり、その決定境界は学習サンプルに対して解決される最大マージン超平面です。

著者は、KKT 制約、KKT 条件とは何か、ラグランジュ最適化法を導入した後の損失関数の説明、カーネル関数の役割、カーネル関数の種類、およびアプリケーション シナリオについて詳細に説明しています。

5. ディープラーニング

ディープラーニング部分には、ドロップアウト、バッチ正規化、bp プロセス、埋め込み、ソフトマックス、勾配消失/爆発、残差ネットワーク、および注意の 8 つのトピックが含まれます。

たとえば、「残差ネットワークはなぜ勾配消失の問題を解決できるのか？」

6. 自然言語処理

自然言語処理部分には、GloVe、WordsVec、CRF、LDA、LSTM、GRU、Bert、テキスト類似度計算の 8 つのトピックが含まれます。

たとえば、「word2vec と glove の違いは何ですか?」

7. 推奨

推奨セクションには、DIN、DeepFM、YoutubeNet、Wide&Deep、MLR、Neural Network Family Bucket、XDeepFM、Recall の 8 つのトピックが含まれています。

8. リスク管理

リスク管理セクションには、分離フォレストとスコアカードの 2 つのトピックが含まれます。

9. 評価指標

評価指標には、バイナリ分類、マルチ分類、回帰インデックス、クラスタリングインデックス、ランキングインデックスの 5 つのトピックが含まれます。

一般的に、これはアルゴリズム理論の基礎に関する面接のための優れたリソースです。著者は、大企業の一般的な面接の質問について、優れた要約と概要を作成しました。機械学習の筆記試験や面接にうまく対応できるように、これらの知識ポイントを整理して理解できるように支援します。

このプロジェクトは現在も補足と改善が続けられています。

最後に、リソースの GitHub オープンソース アドレスを次に示します。

https://github.com/sladesha/Ref lection_Summary