神經(jīng)網(wǎng)絡(luò)
1、簡述反向傳播原理 （阿里），面試官微信發(fā)了一道反向傳播的算數(shù)題，要求算出結(jié)果并解釋 （要能計算的）?
2、sigmoid和ReLU的優(yōu)劣?
3、梯度消失問題和損失函數(shù)有關(guān)嗎？?
4、Dropout為什么能防止過擬合？?
5、Batch Normalization有什么好處？?
6、講講Adam優(yōu)化算法

7、能想到哪些衡量兩個向量之間距離的方法（L1, L2, cosine，或者深度學習里訓練MLP作為距離函數(shù)，注意normalization）?
8、衡量兩個字符串之間距離的方法？（樓主答了edit distance和Jaccard distance，不知道還有沒有其他常用的）?
9、LSTM相比普通RNN有哪些優(yōu)勢？為什么能解決梯度消失？?
10、LSTM和GRU用哪個好？（樓主表示兩個之間沒有絕對的優(yōu)劣..面試官表示認同，說實際應(yīng)用里確實會因為計算速度而選擇GRU）?
11、梯度消失梯度爆炸怎么解決?
12、RNN容易梯度消失，怎么解決（LSTM）?
13、LSTM跟RNN有啥區(qū)別?
14、KMeans講講，KMeans有什么缺點，K怎么確定?
15、卷積層和池化層有什么區(qū)別?
16、防止過擬合有哪些方法?
17、闡述SVM原理，為何使用對偶性以及對偶性原理，SVM如何解決多分類，SVM與LR對比。?
18、闡述GBDT、xgboost、lightGBM的異同，xgb的優(yōu)勢，lgb的優(yōu)勢，二者的并行如何實現(xiàn)。?
19、闡述word2vec的原理，為何使用哈弗曼樹，如何構(gòu)建哈夫曼，負采樣的原理。?
20、對于一個取值較多的類別變量在不能進行onehot的情況下如何使用？

1、給定一個query和一個doc，能想到哪些衡量相關(guān)性的方法（答了bag of words, LSTM encode, CNN encode, bi-directional attention等等）；面試官最后提到一種match-CNN說樓主可以面試完研究一下

3、LSTM、GRU、RNN的原理以及差別

4、梯度消失與梯度爆炸的產(chǎn)生原因，如何避免？

5、CNN的原理，卷積為何有效？1*1卷積的作用？

6、HMM與CRF的原理，差別，是全局最優(yōu)還是局部最優(yōu)以及為什么。

7、講一下其中的LR、SVM，以及區(qū)別和聯(lián)系
?

獲取更多相關(guān)大數(shù)據(jù)技術(shù)資料可以掃描下方微信二維碼：

總結(jié)

以上是生活随笔為你收集整理的大数据算法岗位面试题的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。