5-26日（面经总结）

1.python中的生成器

不可变数据类型。

2.非结构化的数据信息，如何实现高效的信息抽取？ 

3.拿到的数据是没有标签信息的，应该怎么办？

4.进行一个分类任务，某些数据有缺失值怎么办？

文本为Nan，有标签，①赋值为“缺失”，②统计缺失的类别

数据插补方法？

 

5.特征值变换到0-1的方法，归一化方法？为何进行归一化

//忽然一下子0-1，我还真反应不过来啊。。。

5.特征工程了解

6.Spark， Hadoop了解吗?

7.缓解过拟合的方法有哪些？从特征的角度如何做？

8.特征离散化？

9.哪些模型不用做归一化?

//还有可以不用归一化的模型？

10.如果NN里只有RELU，可以拟合任何分布吗？

//relu是分段线性，可以吗？我不清楚。

11.一个文档中里有很多图片和一些短文本，如何获取有用的信息？

//这个很像我之前做的那个微博文本分类的模型，但是我没有考虑过如何从图片中获取信息，那是否就涉及到CV了呢？不太清楚。

这个就涉及到多模态学习了吧？但我一点点都不了解。

12.讲讲Dropout，为何有效？

13.多任务学习，多模态学习

14.谈谈你对NN的理解，为什么NN的表现这么好？

//我真的很害怕这种“谈谈”“讲讲”的问题，你说从哪说起呢？？？？从哪几个比较重要的方面来谈谈才能显得自己理解的全面又深刻呢？

//感觉这种题肯定要提前准备的，不然肯定说的五花八门十面埋伏地，就是会很乱吧。

6-21更新————————

https://www.zhihu.com/question/41233373 

15.传统机器学习考察点：

1、bias与variance的含义，并结合ensemblemethod问哪种方法降低bias，叨舯方法降低
varlance
2、|r与svm的区别与联系
3、gbdt与adaboost的区别与联系
4、手frsvm，svm麻雀虽小石且庄俱全
5、pca与da的区别与联系，并推导
6、白化的原理与作用
7、给一个算法，例如的问这个算法的model、evaluate、optimization分别是啥

16.深度学习考察点

1、手推BP
2、梯度消失/爆炸原因，以及解决方法
3、bn的原理，与白化的联系
4、防止过拟合有哪些方法
5、dnn、cnn、rnn的区别与联系
6、机器学习与术度学习的联系
7、batchsize大小会怎么影响收敛速度

17.最优化考察点

1、sgd、momentum、rmsprop、adam区别与联系
2、深度学习为什么不用二阶优化
3、拉格朗日乘子法、对偶问题、kkt条件

18.coding考察点

排序、双指针、dp、贪心、分治、递归、回溯、字符串、树、链表、trie、bfs、dfs等等