机器学习、深度学习面试笔试题300+合集 中文pdf完整版

机器学习、深度学习面试题合集是机器学习和深度学习领域的常见面试题的集合，共300题，涵盖了机器学习、深度学习、算法岗面试题等方面的知识点。包括支持向量机（SVM）、TensorFlow、Gradient Boosting Decision Tree（GBDT）、XGBoost、K-Means、K-NN、逻辑回归（LR）等。

1. SVM (Support Vector Machine)：SVM是一个面向数据的分类算法，目标是确定一个分类超平面，以将不同的数据分隔开。SVM有三种类型：线性可分支持向量机、线性支持向量机和非线性支持向量机。

2. Tensorflow 计算图：Tensorflow是一个通过计算图的形式来表述计算的编程系统，计算图也叫数据流图，可以把计算图看做是一种有向图，Tensorflow中的每一个计算都是计算图上的一个节点，而节点之间的边描述了计算之间的依赖关系。

3. GBDT 和 XGBoost 的区别：XGBoost类似于GBDT的优化版，不论是精度还是效率上都有了提升。与GBDT相比，XGBoost的优点有：损失函数是用泰勒展式二项逼近，而不是像GBDT里的就是一阶导数；对树的结构进行了正则化约束，防止模型过度复杂，降低了过拟合的可能性；节点分裂的方式不同，GBDT是用的基尼系数，XGBoost是经过优化推导后的。

4. k-means 或 kNN 中的距离计算：在k-means或kNN中，我们是用欧氏距离来计算最近的邻居之间的距离。因为曼哈顿距离只计算水平或垂直距离，有维度的限制，而欧氏距离可用于任何空间的距离计算问题。

5. 特征工程：特征工程是机器学习中非常重要的一步，对于模型的性能有很大的影响。特征工程的目的是将原始特征转化为模型可以更好地理解和使用的特征。

6. LR 模型：LR模型是逻辑回归模型，主要用于解决二分类问题。LR模型的优点是可以处理非线性数据，且可以很好地解决过拟合问题。

7. overfitting 的解决方法：overfitting是机器学习中的一种常见问题，解决方法有dropout、regularization、batch normalization等。

8. LR 和 SVM 的联系与区别：LR和SVM都是机器学习中常用的分类算法，两者都可以处理分类问题，但有很多不同之处。LR是参数模型，SVM是非参数模型；从目标函数来看，LR采用的是Logistical Loss，SVM采用的是hinge loss。

9. LR 与线性回归的区别与联系：逻辑回归和线性回归都是广义的线性回归，但有很多不同之处。线性回归的优化目标函数是最小二乘，而逻辑回归则是似然函数另外线性回归在整个实数域范围内进行预测，而逻辑回归则是在[0,1]范围内进行预测。

10. XGBoost 的泰勒展开：XGBoost使用了一阶和二阶偏导，二阶导数有利于梯度下降的更快更准。使用泰勒展开取得二阶倒数形式，可以在不选定损失函数具体形式的情况下用于算法优化分析。