机器学习是一门理论性和实战性都比较强的技术学科。在应聘机器学习相关工作岗位时，我们常常会遇到各种各样的机器学习问题和知识点。

算法理论基础不仅包含基本概念、数学基础，也包含了机器学习、深度学习相关。今天给大家推荐一个不错的算法理论基础面试题汇总资源，已开源~

首先放上这份开源面试题汇总的地址：

https://github.com/sladesha/Reflection_Summary

其作者是 SladeSal 和 tcandzq，来自 2020 届校招面试各类算法问题及个人理解的汇总。目前已经收获 900+ 的赞了~

资源目录：

• 基础概念

• 数学

• 数据预处理

• 机器学习

• 深度学习

• 自然语言处理

• 推荐

• 风控

• 评价指标

下面来看一下详细内容，一睹为快！

1. 基础概念

基础概念部分包含了 5 个主题，分别是：方差和偏差、生成与判别模型、先验概率和后验概率、频率概率、AutoML。每个主题都包含若干常见、高频出现的面试题。

例如“如何解释偏差、方差，模型训练为什么要引入偏差和方差？”

问题的解释都来自面试题的精炼总结，不罗嗦，简单易懂。

2. 数学

数学部分包含了 12 个主题，分别是：数据质量、最大公约数问题、牛顿法、拟牛顿法、概率密度分布、平面曲线的切线和法线、导数、微分中值定理、泰勒公式、欧拉公式、矩阵、概率论。

例如，看下关于泰勒公式的讲解：

泰勒公式一句话描述：就是用多项式函数去逼近光滑函数。常见的泰勒公式有：

3. 数据预处理

数据预处理部分包含了 5 个主题，分别是数据平衡、异常点处理、缺失值处理、特征选择、特征提取。数据预处理是机器学习算法的重要组成部分。

例如“为什么需要对数据进行变换？”，“归一化和标准化之间的关系？”

这部分作者总结得很详细，后面还有展开！关于连续特征的常用方法，作者引入一张图进行总结归纳：

4. 机器学习

机器学习部分包含了 9 个主题，分别是：聚类、线性回归、逻辑回归、决策树、贝叶斯、随机森林、集成学习、FM/FFM、SVM。这部分内容详实，核心面试题也总结得很好。

例如 SVM 面试题非常丰富，涵盖得比较全面。众所周知，支持向量机（Support Vector Machine, SVM）是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面。

关于KKT限制条件，KKT条件有哪些、引入拉格朗日的优化方法后的损失函数解释、核函数的作用是啥、核函数的种类和应用场景作者都有详细解释。

5. 深度学习

深度学习部分包含了 8 个主题，分别是：dropout、batch_normalization、bp过程、embedding、softmax、梯度消失/爆炸、残差网络、Attention。

例如“残差网络为什么能解决梯度消失的问题？”

6. 自然语言处理

自然语言处理部分包含了 8 个主题，分别是：GloVe、WordsVec、CRF、LDA、LSTM、GRU、Bert、文本相似度计算。

例如“word2vec和glove区别？”

7. 推荐

推荐部分包含 8 个主题，分别是：DIN、DeepFM、YoutubeNet、Wide&Deep、MLR、Neural Network全家桶、XDeepFM、Recall。

8. 风控

风控部分包含了 2 个主题，分别是：孤立森林和评分卡。

9. 评价指标

评价指标包含了 5 个主题，分别是：二分类、多分类、回归指标、聚类指标、排序指标。

总的来说，这是一份不错的算法理论基础面试资源，作者对常见的大厂面试题做了较好的归纳和总结。帮助大家对这些知识点进行梳理和理解，以便能够更好地应对机器学习笔试包括面试。

目前该项目应该还在补充完善。

最后，再次放上该资源的 GitHub 开源地址：

https://github.com/sladesha/Reflection_Summary

往期精彩回顾适合初学者入门人工智能的路线及资料下载机器学习及深度学习笔记等资料打印机器学习在线手册深度学习笔记专辑《统计学习方法》的代码复现专辑
AI基础下载机器学习的数学基础专辑获取一折本站知识星球优惠券，复制链接直接打开：https://t.zsxq.com/662nyZF本站qq群704220115。加入微信群请扫码进群（如果是博士或者准备读博士请说明）：