data scientist 有什麼常見 machine learning 相關的面試問題？

謝邀

適合面試ML的題目可借鑒性並不大，因為很多時候你懂了就是懂了，不懂就是不懂，刷題並沒有很大的幫助。努力啃課本，看論文，看公開課，才是王道。

要說題目哪裡多的話，其實可以參考各大經典教材的習題，比如PRML的課後習題。

另一方面，我在我之前面試的過程中也被問了不少ML的題目，原文可參考：Data Scientist 面試都面了哪些題？ - Hello陳然! - 知乎專欄

Machine Learning相關的問題就太多了，我稍微列舉一些我遇到過的問題：

* 一些分布參數的最大似然估計之類的東西是什麼，如何推導

* LR SVM的本質區別是什麼

* 哪些Regularization，都各有什麼性質

* 對於Naive Bayes的理解，NB有哪些局限性

* Random Forest 為什麼很好用

* 如何做Model Selection

* 給一組數據，問Decision Tree，LR，NB，SVM等演算法學出來都是什麼樣子的，是否學不出來，怎麼處理，有哪些Kernel，在圖上畫線怎麼畫

還有被問到了一些比較難的問題，比如：

* 對於Graphical Model的理解，寫出LDA的公式，給出Topic Model 生成過程等的

* PageRank的原理和公式推導

----

舉個例子。為了敘述方便「我」代表面試官，「你」代表被面試者。

你用過什麼模型？

邏輯回歸 隨機森林 支持向量機 神經網路等等

這些模型都有現成的package，你有沒有自己customize過什麼模型？

我以前自己設計過一個kernel，用svm加這個kernel解決了什麼什麼問題。

那你是自己寫objective function了？那你解決的是primal 還是dual問題？

是的，自己寫。dual

那你用的什麼演算法解決的你的優化問題？描述一下你設計的什麼kernel？

呃呃呃，想不起來了。。。

我靠，這就尷尬了，有時候我們建模，尤其是有時間序列，是必須自己寫目標函數，自己解優化問題的呀。他就是隨便說個啟發式演算法我也認了。這麼回答，我怎麼能確定這哥們會做參數估計呢。我甚至怎麼能確定他能寫出來目標函數呢。