校招面试题库（附答案与解析） 机器学习篇。包含数学基础、机器学习、深度学习、算法、计算机基础等。校招面试题库（附答案与解析） 机器学习篇。包含数学基础、机器学习、深度学习、算法、计算机基础等。

本题库均来自海量真实校招面试题目大数据进行的整理，学完这个题库，把此题库都理解透彻应对各家企业面试完全没有问题。

2018/2019/校招/春招/秋招/自然语言处理(NLP)/深度学习(Deep Learning)/机器学习(Machine Learning)/C/C /Python/面试笔记

BAT机器学习面试1000题系列 1 前言 1 BAT机器学习面试1000题系列 2 1 归一化为什么能提高梯度下降法求解最优解的速度？ 22 2 归一化有可能提高精度 22 3 归一化的类型 23 1）线性归一化 23 2）标准差标准化 23 3）非线性归一化 23 35. 什么是熵。机器学习 ML基础 易 27 熵的引入 27 3.1 无偏原则 29 56. 什么是卷积。深度学习 DL基础 易 38 池化，简言之，即取区域平均或最大，如下图所示（图引自cs231n） 40 随机梯度下降 46 批量梯度下降 47 随机梯度下降 48 具体步骤： 50 引言 72 1. 深度有监督学习在计算机视觉领域的进展 73 1.1 图像分类（Image Classification） 73 1.2 图像检测（Image Dection） 73 1.3 图像分割（Semantic Segmentation） 74 1.4 图像标注–看图说话（Image Captioning） 75 1.5 图像生成–文字转图像（Image Generator） 76 2.强化学习（Reinforcement Learning） 77 3深度无监督学习（Deep Unsupervised Learning）–预测学习 78 3.1条件生成对抗网络（Conditional Generative Adversarial Nets，CGAN） 79 3.2 视频预测 82 4 总结 84 5 参考文献 84 一、从单层网络谈起 96 二、经典的RNN结构（N vs N） 97 三、N VS 1 100 四、1 VS N 100 五、N vs M 102 Recurrent Neural Networks 105 长期依赖（Long-Term Dependencies）问题 106 LSTM 网络 106 LSTM 的核心思想 107 逐步理解 LSTM 108 LSTM 的变体 109 结论 110 196. L1与L2范数。机器学习 ML基础 易 163 218. 梯度下降法的神经网络容易收敛到局部最优，为什么应用广泛？深度学习 DL基础 中 178 @李振华，https://www.zhihu.com/question/68109802/answer/262143638 179 219. 请比较下EM算法、HMM、CRF。机器学习 ML模型 中 179 223. Boosting和Bagging 181 224. 逻辑回归相关问题 182 225. 用贝叶斯机率说明Dropout的原理 183 227. 什么是共线性, 跟过拟合有什么关联? 184 共线性：多变量线性回归中，变量之间由于存在高度相关关系而使回归估计不准确。 184 共线性会造成冗余，导致过拟合。 184 解决方法：排除变量的相关性／加入权重正则。 184 勘误记 216 后记 219

这是学习机器学习的总纲，对于刚刚入门的人来说也许有些困难，但依旧是非常好的文档，即使对于老手这也是不错的参考文档