算法工程师笔试面试问题汇总_算法工程师面试

本文档记录刷题过程中做错的一些题目,并将其分类，以便于以后复习。

机器学习基础知识

1. 增加以下哪些超参数可能导致随机森林模型过拟合数据？

    1. 决策树的数量；
    2. 决策树的深度；
    3. 学习率。
    
    答案: 2
1
2
3
4
5

2. 在线性回归中使用正则项，你发现解的不少coefficient都是0，则这个正则项可能是：

1. L0-norm 
2. L1-norm
3. L2-norm

答案：1、2 L0-norm为向量中非零元素的个数
1
2
3
4
5

3. 当训练样本数量趋向于无穷大时，在该数据集上训练的模型变化趋势，对于其描述正确的是 ：

1. 偏差(bias)变小
2. 偏差变大
3. 偏差不变
4. 不确定

答案： 3，模型收敛后偏差趋向不变
1
2
3
4
5
6

4. 随机变量$X \sim N(1,2),Y \sim N(3,5)$，则$X+Y \sim$

1. N(4,7)
2. N(4,\sqrt 2 + \sqrt 5)
3. N(1 + \sqrt 3 ,7)
4. 不确定

答案 ： 4 ,通过边缘概率分布不能确定联合概率分布 
1
2
3
4
5
6

5. 若将KNN看成是kernel method的一种实现， 则kernel函数为
   

答案 ：B

6. 下列不是SVM的常用核函数的是？

1. 多项式核函数
2. sigmoid核函数
3. 径向基核函数
4. logistic核函数

答案：4.
1
2
3
4
5
6

• SVM常见核函数:
  • q次多项式核
  • 径向基函数
  • S型函数(Sigmoid)

7. 下列描述中错误的是？

1. 函数在某点的梯度方向与取得最大方向导数的方向一致。
2. 在等式约束条件下，约束的梯度向量与目标函数的梯度向量在最优解处一定平行。
3. KKT条件是强对偶成立的充要条件。
4. 函数在某点的梯度的模为方向导数的最大值。

答案：3.
1
2
3
4
5
6

  KKT条件是强对偶性成立的必要条件，特别的，当原问题是凸优化问题时，KKT条件就是充要条件。

8. 关于线性规划的算法复杂度 以下哪些是正确的？

1. simplex在多项式复杂度的时间内可以解决线性规划问题
2. simplex不是多项式复杂度，而且线性规划的问题不可以在多项式时间内求解
3. 线性规划的问题可以在多项式时间内求解，但是simplex不是多项式复杂度
4. 因为线性规划的可行域总是凸集，所以simplex算法才能在多项式时间复杂度内解决线性规划问题

答案：3.
1
2
3
4
5
6

9. 在相同样本量下，重复抽样与不重复抽样的抽样平均误差大小关系是？

1. 二者相同
2. 重复抽样误差大
3. 不重复抽样误差大
4. 不确定

答案： 2.
1
2
3
4
5
6

10. 以下关于K近邻(KNN)算法的说法中正确的是?

1. KNN算法可以用来解决回归问题
2 .随着K值的增大，决策边界(decision boundary)会越来越光滑
3. KNN算法适合解决高维稀疏数据上的问题
4. 相对3近邻模型而言，1近邻模型的bias更大，variance更小

答案:1. 2. K为1时方差更大，偏差不一定，容易过拟合，K太大时偏差大
1
2
3
4
5
6

11. 下列关于特征选择方法中，描述正确的是

1. 传统交叉熵只考虑了特征与类别之间的相关性，而忽略了特征项在类内和类间分布的均匀程度。
2. 互信息筛选特征的方法受稀有特征的影响比较大
3. 信息增益筛选特征倾向于特征值比较多的特征
4. 皮尔逊相关系数计算时，方差均为0时，相关性最大

答案: 4.  当方差为0的时候，相关系数为0.
1
2
3
4
5
6

12. 关于准确率、召回率和f1-score，以下错误的是：

1. 准确率为TP/(TP+FP)
2. 召回率为TP/(TP+FN)
3. f1-score为2TP/(2TP+FP+FN)
4. f1-score为准确率*召回率/(准确率+召回率)
1
2
3
4

13. 以下哪些算法可以通过无监督学习方式进行训练？

1. SVM
2. K-Medoids
3. 决策树
4. RBM
5. GAN

答案 : 2. 4. 5. RBM（受限玻尔兹曼机）也可以通过无监督学习训练
1
2
3
4
5
6
7

14. 以下哪个不属于过拟合解决方式

1. bagging/boosting
2. batch normalization
3. L2范式
4. cross validation

答案: 2.  交叉验证的作用是建立模型和验证模型，对样本数进行切割，组成不同的训练集和测试集。
1
2
3
4
5
6

15. 以下哪些分类器是线性分类器

1. 朴素贝叶斯
2. SVM
3. 逻辑回归
4. 感知机
5. XGBoost
1
2
3
4
5

• 线性分类器：模型是参数的线性函数，分类平面是（超）平面；
• 非线性分类器：模型分界面可以是曲面或者超平面的组合。
• 典型的线性分类器有感知机，LDA，逻辑斯特回归，SVM（线性核）；
• 典型的非线性分类器有朴素贝叶斯（有文章说这个本质是线性的，http://dataunion.org/12344.html），kNN，决策树，SVM（非线性核）

16. 关于随机森林描述正确的是：

1. 随机森林可以降低预测方差
2. 随机森林可以降低预测偏差
3. 随机森林可以降低噪音
4. 以上全部

错选:4.
答案:1.
1
2
3
4
5
6
7

随机森林采用bagging的集成思想，可以降低方差，对于boosting模型可以降低偏差

17. 在机器学习的特征选择过程中，可以用到的方法有

1. 卡方
2. 信息增益
3. 交叉熵
4. 互信息

错选:2. 4.
正确:1. 2. 3. 4.
1
2
3
4
5
6
7

在文本分类中，首先要对数据进行特征提取，特征提取中又分为特征选择和特征抽取两大类，在特征选择算法中有互信息，文档频率，信息增益，卡方检验以及期望交叉熵。

• 期望交叉熵，以文本分类为例子，期望交叉熵用来度量一个词对于整体的重要程度。
• 在ID3决策树中，也使用信息增益作为特征选择的方法，在C4.5决策树中，使用信息增益比作为特征选择的方法，在CART中，使用基尼指数作为特征选择的方法
• 链接：https://www.nowcoder.com/questionTerminal/bacc960e371c496e9e1ff9b7233a5b0a?orderByHotValue=2&mutiTagIds=631&page=1&onlyReference=false

18. 关于下列机器学习理论上的各种描述，请选择下列正确的选项

1. 逻辑斯提回归的常用损失函数其实本质是一种相对熵度量
2. 核方法可以简化再机器学习中高维映射的运算
3. 随机梯度下降方法可以得到理论上的最优解
4. 剪枝是防止决策树模型过拟合的一种常见方法

错选:2. 3. 4.
答案:2. 4.
1
2
3
4
5
6
7

19. 深度学习中的不同最优化方式，如SGD，ADAM下列说法中正确的是

1. 在实际场景下，应尽量使用ADAM，避免使用SGD
2. 同样的初始学习率情况下，ADAM的收敛速度总是快于SGD方法
3. 相同超参数数量情况下，比起自适应的学习率调整方式，SGD加手动调节通常会取得更好效果
4. 同样的初始学习率情况下，ADAM比SGD容易过拟合

错选: 2.
答案: 3.
1
2
3
4
5
6
7

20. 以下哪个方法不能用来降维：

1. PCA
2. IsoMap
3. LLE
4. LVW

错选: 2.
答案: 4.
1
2
3
4
5
6
7

• PCA:主成分分析
• LLE：局部线性嵌入
• IsoMap：等度量映射
• LVW：拉斯维加斯特征选择算法

21. 以下关于kNN的说法中，错误的是：

1. 一般使用投票法进行分类任务
2. kNN属于懒惰学习
3. kNN训练时间普遍偏长
4. 距离计算方法不同，效果也可能有显著差别

错选: 1.
答案: 3.
1
2
3
4
5
6
7

• KNN有训练集做标签但无需训练过程

22. 影响聚类算法效果的主要因素有（）

1. 已知类别的样本质量
2. 分类准则
3. 特征选取
4. 模式相似性测度

答案:2. 3. 4.
1
2
3
4
5
6

深度学习基础知识

1. 输入图片大小为200×200，依次经过一层卷积（kernel size 5×5，padding 1，stride 2），pooling（kernel size 3×3，padding 0，stride 1），又一层卷积（kernel size 3×3，padding 1，stride 1）之后，输出特征图大小为

1. 95
2. 96
3. 97
4. 98

答案 : 97.
1
2
3
4
5
6

• 图像卷积后尺寸计算公式

  • 输入图片大小W*W
  • Filter大小F*F
  • 步长S
  • Padding的像素数P

• N = （W-F+2P）/ S+1 ，输出图片大小为 N*N。

2. 假设我们有一个5层的神经网络，这个神经网络在使用一个4GB显存显卡时需要花费3个小时来完成训练。而在测试过程中，单个数据需要花费2秒的时间。 如果我们现在把架构变换一下，当评分是0.2和0.3时，分别在第2层和第4层添加Dropout，那么新架构的测试所用时间会变为多少？

1. 少于2s
2. 大于2s
3. 仍是2s
4. 说不准

答案: 3. dropout会增加训练时间，但是不会增加测试时间。
1
2
3
4
5
6

编程算法基础（时间复杂度计算等）

1. 完全二叉树共有100结点，该二叉树有多少个叶子结点？

1. 49
2. 50
3. 51
4. 52

答案 : 2 
1
2
3
4
5
6

  完全二叉树，当节点数为偶数时，叶子节点个数为n/2，当节点数为奇数时，叶子节点个数为(n+1)/2

2. 求一个长度为n的无序数组的中位数，期望复杂度和最坏复杂度最优分别可以做到

1. O(1),O(n)
2. O(n),O(n)
3. O(n),O(nlogn)
4. O(nlogn),O(nlogn)

答案：3.
1
2
3
4
5
6

3.若一个递归函数的规模函数T(n) = T(n-2) + (n^2)/3，则其算法的时间复杂度为:

1. O(n^2)
2. O(n^2 log(n))
3. O(n^3)
4. O(n^3 log(n))

答案: 3.
1
2
3
4
5
6

• 算数级数：与末项平方同阶:
  
  $T(n)=1+2$