本人心血总结，为机器学习、算法求职的同学助力！！！

• 本专栏适合于Python已经入门的学生或人士，有一定的编程基础。

• 本专栏适合于算法、机器学习求职的学生或人士。

• 本专栏特点：

  • 本专栏囊括了深度学习、机器学习、NLP、特征工程等一系列知识点的讲解，并且最后总结出了高频面试考点（附有答案）【共301道】，知识点讲解全面，事半功倍，为大家春秋招助力。不仅如此，教程还讲解了简历制作、笔试面试准备、面试技巧等内容。网址：https://blog.nowcoder.net/zhuanlan/qMKkxM

之前本人的C++与嵌入式教程（详情请看这篇帖子：https://www.nowcoder.com/discuss/631829?source_id=profile_create_nctrack&channel=-1 ） 知识点非常全面，适合非科班的同学，几个月以来广受好评。

作者介绍

湖南大学（985）硕士研究生（1%保研），国家奖学金、省优秀研究生称号获得者。校招面试过数十家公司，经验丰富，获得过华为、京东、顺丰科技等公司offer。个人面试经历写作为专刊文章，目前为牛客网专刊作者。擅长机器学习、C++后台开发、嵌入式软件开发。非科班研究生，立志进入互联网领域，最后通过自己的努力拿到大公司的offer，将自己的经历写入了《蒋豆芽的秋招打怪之旅》故事中，和大家分享春秋招的酸甜苦辣。

大纲

机器学习面试题汇总与解析——损失函数

1. 说一下你了解的损失函数？⭐⭐⭐⭐⭐

2. 说说你平时都用过什么损失函数，各自什么特点？⭐⭐⭐⭐⭐

3. 交叉熵函数与最大似然函数的联系和区别？⭐⭐⭐⭐⭐

4. 在用sigmoid作为激活函数的时候，为什么要用交叉熵损失函数，而不用均方误差损失函数？⭐⭐⭐⭐⭐

5. 关于交叉熵损失函数（Cross-entropy）和 平方损失（MSE）的区别？⭐⭐⭐⭐⭐

6. 推导交叉熵损失函数？⭐⭐⭐⭐⭐

7. 为什么交叉熵损失函数有log项？⭐⭐⭐⭐⭐

8. 说说adaboost损失函数⭐⭐⭐⭐

9. 说说SVM损失函数⭐⭐⭐⭐

10. 简单的深度神经网络（DNN）的损失函数是什么？⭐⭐⭐⭐

11. 说说KL散度⭐⭐⭐⭐

12. 说说Yolo的损失函数⭐⭐⭐⭐⭐

13. 交叉熵的设计思想是什么⭐⭐⭐⭐⭐

14. 说说iou计算⭐⭐⭐⭐⭐

15. 手写miou计算⭐⭐⭐⭐⭐

机器学习面试题汇总与解析——激活函数

1. 说一下你了解的激活函数？分别应用于什么场景？⭐⭐⭐⭐⭐

2. 说说你平时都用过什么激活函数，各自什么特点？⭐⭐⭐⭐⭐

3. 写一下leaky ReLU的公式，跟ReLU比有什么优势？⭐⭐⭐⭐⭐

4. 了解ReLU6吗？⭐⭐⭐⭐⭐

5. sigmoid有什么缺点，有哪些解决办法？⭐⭐⭐⭐⭐

6. relu在零点可导吗，不可导如何进行反向传播？⭐⭐⭐⭐⭐

7. 推导sigmoid求导公式⭐⭐⭐⭐⭐

8. Softmax公式，溢出怎么处理⭐⭐⭐⭐⭐

9. Softmax公式求导⭐⭐⭐⭐⭐

机器学习面试题汇总与解析——优化函数

1. 说一下你了解的优化函数？⭐⭐⭐⭐⭐

2. SGD和Adam谁收敛的比较快？谁能达到全局最优解？⭐⭐⭐⭐⭐

3. 说说常见的优化器以及优化思路，写出他们的优化公式⭐⭐⭐⭐⭐

4. 深度学习中的优化算法总结 Optimizer⭐⭐⭐⭐⭐

5. adam用到二阶矩的原理是什么⭐⭐⭐⭐⭐

6. Batch的大小如何选择，过大的batch和过小的batch分别有什么影响⭐⭐⭐⭐⭐

7. 梯度下降的思想⭐⭐⭐⭐⭐

机器学习面试题汇总与解析——正则化

1. 解决模型训练过拟合有哪些思路？⭐⭐⭐⭐⭐

2. 如何判断过拟合？⭐⭐⭐⭐⭐

3. 正则化（lasso）和（ridge）的区别？⭐⭐⭐⭐⭐

4. L1有什么缺点？⭐⭐⭐⭐⭐

5. L1正则为什么可以达到模型的稀疏性⭐⭐⭐⭐⭐

6. 说说BN（Batch Normolization）的原理⭐⭐⭐⭐⭐

7. 知道BN吗？公式写一下，有什么作用与优势？BN的计算过程。⭐⭐⭐⭐⭐

8. BN训练和测试有什么不同？⭐⭐⭐⭐⭐

9. 介绍一下BN和LN？有什么差异？LN是在哪个维度上进行归一化？⭐⭐⭐⭐⭐

10. 要同时使用BN和dropout该如何使用？⭐⭐⭐⭐⭐

11. BN的gama labada意义⭐⭐⭐⭐⭐

12. 数据增强的方法⭐⭐⭐⭐⭐

13. 两个正则化的参数分布⭐⭐⭐⭐⭐

14. 在预测的时候，是使用dropout训练出的权重还是要乘以keep-prib呢，为什么？⭐⭐⭐⭐⭐

15. 为什么Lasso可以筛选变量?⭐⭐⭐⭐⭐

16. L1正则化为什么能缓解过拟合⭐⭐⭐⭐⭐

17. BN+CONV融合公式及作用⭐⭐⭐⭐⭐

机器学习面试题汇总与解析——初始化方法

1. 说说初始化方法有哪些？⭐⭐⭐⭐⭐

2. 理想的参数初始化方法是什么？⭐⭐⭐⭐⭐

3. 说说你用过的初始化方法，都有哪些优缺点⭐⭐⭐⭐⭐

4. 网络参数初始化为0可以吗？⭐⭐⭐⭐⭐

5. 随机初始化参数有什么问题？⭐⭐⭐⭐⭐

6. 手推梯度消失和梯度爆炸问题⭐⭐⭐⭐⭐

7. 怎么缓解梯度消失⭐⭐⭐⭐⭐

8. 梯度消失的根本原因⭐⭐⭐⭐⭐

9. 说说归一化方法⭐⭐⭐⭐⭐

机器学习面试题汇总与解析——卷积与池化

1. 说说有哪些卷积⭐⭐⭐⭐⭐

2. 卷积实现原理？⭐⭐⭐⭐⭐

3. 卷积基本计算公式，padding⭐⭐⭐⭐⭐

4. 卷积操作后的特征图大小⭐⭐⭐⭐⭐

5. 常规卷积和深度可分离卷积的计算量⭐⭐⭐⭐⭐

6. 反卷积是怎么做的， unpooling中maxPooling怎么实现？⭐⭐⭐⭐⭐

7. 什么是空洞卷积？⭐⭐⭐⭐⭐

8. 知道哪些卷积类型？请介绍一下⭐⭐⭐⭐⭐

9. 为什么Depthwise卷积后还要进行pointwise卷积⭐⭐⭐⭐⭐

10. 卷积的底层实现/加速技巧⭐⭐⭐⭐⭐

11. 1x1卷积有什么作用⭐⭐⭐⭐⭐

12. CNN有什么特点和优势⭐⭐⭐⭐⭐

13. 说说你了解的pooling方法⭐⭐⭐⭐⭐

14. pooling层的作用⭐⭐⭐⭐⭐

15. 常用的pooling方法有哪些，那个更好？⭐⭐⭐⭐⭐

16. 说一下ROI Pooling⭐⭐⭐⭐⭐

17. 说一下maxpooling的反向传播怎么处理⭐⭐⭐⭐⭐

18. 语义分割上采样的方法⭐⭐⭐⭐⭐

机器学习面试题汇总与解析——技术发展

1. 说说分类网络的发展⭐⭐⭐⭐

2. 为什么要设计残差连接⭐⭐⭐⭐⭐

3. 说说语义分割网络的发展⭐⭐⭐⭐

4. deeplabV3有什么改进，具体讲一下⭐⭐⭐⭐⭐

5. vgg16同期还有哪些网络，inception网络有什么特点⭐⭐⭐⭐⭐

6. 什么是感受野？⭐⭐⭐⭐⭐

7. 讲一下 mobileNet系列，ResNet系列⭐⭐⭐⭐⭐

8. 说说目标检测的发展⭐⭐⭐⭐⭐

9. 讲一下目标检测one stage， two stage，讲一下yoloV1⭐⭐⭐⭐⭐

10. yolo实现，损失函数⭐⭐⭐⭐⭐

11. Faster R-CNN 的具体流程⭐⭐⭐⭐⭐

12. Faster R-CNN 训练和测试的流程有什么不一样⭐⭐⭐⭐⭐

13. YOLOv3和Faster R-CNN 的差异⭐⭐⭐⭐⭐

14. YOLO系列有几个版本，YOLOv4 用到了哪优化方法⭐⭐⭐⭐⭐

15. 除了聚类，还有哪些anchor的设计⭐⭐⭐⭐⭐

16. anchor的理解⭐⭐⭐⭐⭐

17. Anchor-free的优势在哪里⭐⭐⭐⭐⭐

18. 介绍比赛中的有用的trick有哪些⭐⭐⭐⭐

19. 手写nms⭐⭐⭐⭐⭐

机器学习面试题汇总与解析——评价指标

1. 说说机器学习评价指标⭐⭐⭐⭐⭐

2. AUC是什么？AUC是否对正负样本比例敏感？⭐⭐⭐⭐⭐

3. 分类模型如何评价⭐⭐⭐⭐⭐

4. 准确率与精准率的区别⭐⭐⭐⭐⭐

5. AUC的意义和两种计算方法⭐⭐⭐⭐⭐

6. 讲讲分类，回归，推荐，搜索的评价指标⭐⭐⭐⭐⭐

7. AB test的原理⭐⭐⭐⭐⭐

机器学习面试题汇总与解析——线性回归与逻辑回归

1. 逻辑回归 LR 详细推导⭐⭐⭐⭐⭐

2. 回归和分类的区别⭐⭐⭐⭐⭐

3. 逻辑回归特征是否归一化⭐⭐⭐⭐⭐

4. 什么样的模型需要特征归一化⭐⭐⭐⭐⭐

5. 如何提升LR的模型性能？⭐⭐⭐⭐⭐

6. 逻辑回归为啥要做特征离散化⭐⭐⭐⭐⭐

7. LR的详细过程，如何优化⭐⭐⭐⭐⭐

8. 知道什么损失函数，lr公式推导⭐⭐⭐⭐⭐

9. 最小二乘法在什么条件下与极大似然估计等价？⭐⭐⭐⭐⭐

10. 逻辑回归为什么不用平方损失函数？⭐⭐⭐⭐⭐

机器学习面试题汇总与解析——SVM

1. 推导SVM⭐⭐⭐⭐⭐

2. LR 和 SVM 联系与区别⭐⭐⭐⭐⭐

3. svm介绍一下⭐⭐⭐⭐⭐

4. 讲一下SVM的原理⭐⭐⭐⭐⭐

5. 如果特征比较多，用LR还是SVM?⭐⭐⭐⭐⭐

6. 介绍SVM⭐⭐⭐⭐⭐

7. SVM是否可以用随机梯度下降⭐⭐⭐⭐⭐

8. SVM优缺点⭐⭐⭐⭐⭐

9. 为什么要将求解 SVM 的原始问题转换为其对偶问题⭐⭐⭐⭐⭐

10. 为什么SVM对缺失数据敏感⭐⭐⭐⭐⭐

11. SVM怎么防止过拟合 ?⭐⭐⭐⭐⭐

机器学习面试题汇总与解析——KNN

1. KNN介绍一下⭐⭐⭐⭐

2. KNN优缺点⭐⭐⭐⭐

3. KNN的K值怎么选⭐⭐⭐⭐

4. KNN数据需要归一化吗？⭐⭐⭐⭐

5. KNN三要素说一下⭐⭐⭐⭐

6. 欧式距离与曼哈顿距离区别⭐⭐⭐⭐

7. knn的k设置的过大会有什么问题⭐⭐⭐⭐

机器学习面试题汇总与解析——聚类

1. k-means介绍一下⭐⭐⭐⭐⭐

2. k-means优缺点⭐⭐⭐⭐⭐

3. k-means的簇怎么选⭐⭐⭐⭐⭐

4. k-means如何调优⭐⭐⭐⭐⭐

5. 知道哪些聚类模型⭐⭐⭐⭐⭐

6. K-means的过程⭐⭐⭐⭐⭐

7. K-means如何选取K值⭐⭐⭐⭐⭐

8. kmeans聚类如何选择初始点⭐⭐⭐⭐⭐

9. kmeans聚类，聚的是特征还是样本？特征的距离如何计算？⭐⭐⭐⭐⭐

10. 聚类算法知道哪些⭐⭐⭐⭐⭐

11. Kmeans算法和EM算法的关系⭐⭐⭐⭐⭐

12. 写Kmeans代码⭐⭐⭐⭐⭐

机器学习面试题汇总与解析——决策树

1. 决策树介绍一下⭐⭐⭐⭐⭐

2. 决策树优缺点⭐⭐⭐⭐⭐

3. 决策树的划分标准是什么⭐⭐⭐⭐⭐

4. ID3和C4.5的区别⭐⭐⭐⭐⭐

5. 树模型对离散特征怎么处理的⭐⭐⭐⭐⭐

6. 树模型怎么决定一个叶子结点是否要分裂⭐⭐⭐⭐⭐

7. 决策树出现过拟合的原因及解决办法⭐⭐⭐⭐⭐

8. 如何对决策树进行剪枝？⭐⭐⭐⭐⭐

9. 决策树需要进行归一化处理吗⭐⭐⭐⭐⭐

10. 决策树与逻辑回归的区别⭐⭐⭐⭐⭐

11. 说下决策树的损失函数⭐⭐⭐⭐⭐

机器学习面试题汇总与解析——集成学习、Adaboost、随机森林、GBDT、xgBoost、LightGBM

1. LightGBM和xgBoost、GBDT的区别⭐⭐⭐⭐⭐

2. xgBoost和gbdt的区别⭐⭐⭐⭐⭐

3. xgBoost的block结构⭐⭐⭐⭐⭐

4. XGBoost的优缺点⭐⭐⭐⭐⭐

5. 集成学习 Bagging Boosting⭐⭐⭐⭐⭐

6. RF和GBDT的区别⭐⭐⭐⭐⭐

7. GBDT是否适合于处理大规模的ID特征⭐⭐⭐⭐⭐

8. LightGBM的直方图 排序后会比xgboost的效果差吗，为什么⭐⭐⭐⭐⭐

9. xgboost正则化项和什么有关⭐⭐⭐⭐⭐

10. 随机森林哪两个随机⭐⭐⭐⭐⭐

11. bootstrap怎么做的⭐⭐⭐⭐⭐

12. 介绍GBDT的详细计算过程⭐⭐⭐⭐⭐

13. xgb的正则项是什么⭐⭐⭐⭐⭐

14. xgboost缺失值处理方法⭐⭐⭐⭐⭐

15. 为什么xgboost要二阶展开？⭐⭐⭐⭐⭐

16. 集成学习的方法有哪些⭐⭐⭐⭐⭐

17. 泰勒公式求e的近似值⭐⭐⭐⭐⭐

18. XGBoost 如果损失函数没有二阶导，该怎么办⭐⭐⭐⭐⭐

19. GBDT的G梯度的向量长度为多少⭐⭐⭐⭐⭐

机器学习面试题汇总与解析——NLP

1. LSTM与transform的区别⭐⭐⭐⭐⭐

2. 讲一下Bert原理，Bert好在哪里？⭐⭐⭐⭐⭐

3. cbow 与 skip-gram 的区别和优缺点⭐⭐⭐⭐⭐

4. Bert的MLM预训练任务mask的目的是什么⭐⭐⭐⭐⭐

5. CRF原理⭐⭐⭐⭐

6. Bert 采用哪种Normalization结构，LayerNorm和BatchNorm区别，LayerNorm结构有参数吗，参数的作用？⭐⭐⭐⭐⭐

7. 如何优化BERT效果⭐⭐⭐⭐⭐

8. BERT self-attention相比lstm优点是什么？⭐⭐⭐⭐⭐

9. 说说循环神经网络⭐⭐⭐⭐⭐

10. 说说LSTM⭐⭐⭐⭐⭐

11. LSTM的结构⭐⭐⭐⭐⭐

12. LSTM的三个门怎么运作的，写一下三个门的公式⭐⭐⭐⭐⭐

13. LSTM为什么可以解决长期依赖，LSTM会梯度消失吗⭐⭐⭐⭐⭐

14. LSTM相较于RNN的优势⭐⭐⭐⭐⭐

15. 讲一下LSTM，LSTM相对于RNN有哪些改进？LSTM为什么可以解决长期问题，相对与RNN改进在哪

16. 讲一下LSTM吧，门都是怎么迭代的⭐⭐⭐⭐⭐

17. RNN为什么难以训练，LSTM又做了什么改进⭐⭐⭐⭐⭐

18. wide & deep 模型 wide 部分和 deep 部分分别侧重学习什么信息⭐⭐⭐⭐⭐

19. deepfm 一定优于 wide & deep 吗⭐⭐⭐⭐⭐

20. Bert的输入是什么？⭐⭐⭐⭐⭐

21. Bert的词向量的embedding怎么训练得到的？⭐⭐⭐⭐⭐

22. self-attention理解和作用，为什么要除以根号dk？⭐⭐⭐⭐⭐

23. BERT中并行计算体现在哪儿⭐⭐⭐⭐⭐

24. 翻译中Q\K\V对应的是什么⭐⭐⭐⭐⭐

25. attention和self attention的区别⭐⭐⭐⭐⭐

26. 介绍transformer以及讲优势⭐⭐⭐⭐⭐

27. Transformer encoder和decoder的介绍⭐⭐⭐⭐⭐

28. BERT模型怎么做的?大致的网络架构是怎么样的?⭐⭐⭐⭐⭐

29. transformer的position embedding和BERT的position embedding的区别⭐⭐⭐⭐⭐

机器学习面试题汇总与解析——模型优化

1. 若CNN网络很庞大，在手机上运行效率不高，对应模型压缩方法有了解吗⭐⭐⭐⭐⭐

2. 介绍一下模型压缩常用的方法？为什么用知识蒸馏？⭐⭐⭐⭐⭐

3. 知道模型蒸馏吗？谈下原理⭐⭐⭐⭐⭐

4. 做过模型优化吗？模型蒸馏和模型裁剪？⭐⭐⭐⭐⭐

5. squeezeNet的Fire Module有什么特点？⭐⭐⭐⭐

6. 降低网络复杂度但不影响精度的方法⭐⭐⭐⭐⭐

7. 如果让模型速度提高一倍，有什么解决方案？⭐⭐⭐⭐⭐

机器学习面试题汇总与解析——朴素贝叶斯

1. 朴素贝叶斯介绍一下⭐⭐⭐⭐⭐

2. 朴素贝叶斯优缺点⭐⭐⭐⭐⭐

3. 贝叶斯公式⭐⭐⭐⭐⭐

4. 朴素贝叶斯中的“朴素”怎么理解？⭐⭐⭐⭐⭐

5. 什么是拉普拉斯平滑法?⭐⭐⭐⭐⭐

6. 朴素贝叶斯中有没有超参数可以调？⭐⭐⭐⭐⭐

7. 你知道朴素贝叶斯有哪些应用吗？⭐⭐⭐⭐⭐

8. 朴素贝叶斯对异常值敏不敏感？⭐⭐⭐⭐⭐

9. 频率学派与贝叶斯学派的差别⭐⭐⭐⭐

10. 概率与期望的公式⭐⭐⭐⭐

11. 先验概率与后验概率⭐⭐⭐⭐

机器学习面试题汇总与解析——PCA与LDA

1. PCA介绍一下⭐⭐⭐⭐⭐

2. PCA算法步骤⭐⭐⭐⭐⭐

3. PCA原理⭐⭐⭐⭐⭐

4. PCA降维之后的维度怎么确定⭐⭐⭐⭐⭐

5. 说说PCA的优缺点⭐⭐⭐⭐⭐

6. 推导一下PCA⭐⭐⭐⭐⭐

7. 降维方法有哪些？⭐⭐⭐⭐⭐

8. LDA介绍一下⭐⭐⭐⭐⭐

9. LDA的中心思想是什么⭐⭐⭐⭐⭐

10. LDA的优缺点⭐⭐⭐⭐⭐

11. 说说LDA的步骤⭐⭐⭐⭐⭐

12. 推导一下LDA⭐⭐⭐⭐⭐

13. PCA和LDA有什么区别⭐⭐⭐⭐⭐

14. 偏差与方差⭐⭐⭐⭐

15. SVD懂么⭐⭐⭐⭐⭐

16. 方差和协方差的理解⭐⭐⭐⭐

17. 伯努利分布和二项分布的区别⭐⭐⭐⭐

机器学习面试题汇总与解析——GAN

1. GAN是用来干什么的，怎么用的，介绍一下⭐⭐⭐⭐⭐

2. GANs的优缺点是什么?⭐⭐⭐⭐⭐

3. GAN为什么不好收敛⭐⭐⭐⭐⭐

4. 为什么GAN中的优化器不常用SGD⭐⭐⭐⭐⭐

5. 生成对抗网络在哪里用到的，起什么作用，损失函数是什么⭐⭐⭐⭐⭐

6. 训练GAN的一些技巧⭐⭐⭐⭐⭐

7. 说说GAN的训练过程⭐⭐⭐⭐⭐

8. Pix2pix和cycleGan的区别⭐⭐⭐⭐⭐

机器学习面试题汇总与解析——特征工程

1. 特征工程有哪些⭐⭐⭐⭐⭐

2. 遇到缺值的情况，有哪些处理方式⭐⭐⭐⭐⭐

3. 样本不均衡的处理办法⭐⭐⭐⭐⭐

4. 训练时样本不平衡问题如何解决；小样本问题如何解决⭐⭐⭐⭐⭐

5. 常见的筛选特征的方法有哪些？⭐⭐⭐⭐⭐

6. 数据怎么清洗，缺失值怎么填充⭐⭐⭐⭐⭐

7. 出现Nan的原因⭐⭐⭐⭐⭐

8. 特征筛选，怎么找出相似性高的特征并去掉⭐⭐⭐⭐⭐

9. 对于不同场景机器学习和深度学习你怎么选择，你更习惯机器学习还是深度学习？⭐⭐⭐⭐⭐

10. 包含百万、上亿特征的数据在深度学习中怎么处理⭐⭐⭐⭐⭐

11. 类别型数据你是如何处理的？比如游戏品类，地域，设备⭐⭐⭐⭐

12. 计算特征之间的相关性方法有哪些？⭐⭐⭐⭐

机器学习面试题汇总与解析——传统算法

1. 傅里叶变换公式及其推导⭐⭐⭐

2. 边缘检测算法⭐⭐⭐

3. 牛顿法的推导过程⭐⭐⭐

4. 了解哪些插值算法⭐⭐⭐

5. SIFT的整个详细流程⭐⭐⭐

6. SIFT和SURF的区别⭐⭐⭐

7. 牛顿法和拟牛顿法⭐⭐⭐

8. FFT和DFT的区别⭐⭐⭐

9. 双线性差值的操作过程⭐⭐⭐

机器学习面试题汇总与解析——Python

1. python 深拷贝与浅拷贝⭐⭐⭐⭐⭐

2. python多线程能用多个cpu么？⭐⭐⭐⭐⭐

3. python垃圾回收机制⭐⭐⭐⭐⭐

4. python里的生成器是什么⭐⭐⭐⭐⭐

5. 迭代器和生成器的区别⭐⭐⭐⭐⭐

6. 装饰器⭐⭐⭐⭐⭐

7. python有哪些数据类型⭐⭐⭐⭐⭐

8. Python 中列表（ List ）中的 del，remove，和 pop 等的用法和区别⭐⭐⭐⭐⭐

9. python yeild 和return的区别⭐⭐⭐⭐⭐

10. python set底层实现⭐⭐⭐⭐⭐

11. python字典和set()的区别⭐⭐⭐⭐⭐

12. 怎么对字典的值进行排序？⭐⭐⭐⭐⭐

13. init和new和call的区别⭐⭐⭐⭐⭐

14. import常用库⭐⭐⭐

15. python的lamda函数⭐⭐⭐⭐⭐

16. Python内存管理⭐⭐⭐⭐⭐

17. python在内存上做了哪些优化？⭐⭐⭐⭐⭐

18. Python中类方法和静态方法的区别⭐⭐⭐⭐⭐

19. python多线程怎么实现⭐⭐⭐⭐⭐

20. 点积和矩阵相乘的区别？⭐⭐⭐⭐

21. Python中错误和异常处理⭐⭐⭐⭐

22. Python 的传参是传值还是传址？⭐⭐⭐⭐

23. 什么是猴子补丁？⭐⭐⭐⭐

24. 当退出 Python 时是否释放所有内存分配？⭐⭐⭐⭐

25. Python 中的 is 和 == 有什么区别？⭐⭐⭐⭐

26. gbk和utf8的区别⭐⭐⭐⭐

27. 遍历字典可以用什么方法⭐⭐⭐⭐

28. 反转列表的方法⭐⭐⭐⭐

29. python 元组中元组转为字典⭐⭐⭐⭐

30. range在python2和python3里的区别⭐⭐⭐⭐

31. __init__.py 文件的作用以及意义⭐⭐⭐⭐

机器学习面试题汇总与解析——HR面

本章讲解知识点

• 1.1 HR心理复盘
• 1.2 HR常问问题——学校的表现怎么样啊？
• 1.3 HR常问问题——了解我们公司吗？
• 1.4 HR常问问题——个人情况
• 1.5 HR常问问题——业余生活
• 1.6 HR常问问题——薪资待遇
• 1.7 HR常问问题——人性考察