---

注意事项

[!TIP] 如果您在移动途中也想准备面试，不妨试试 @LearningnRunning 制作的 AI Tech Interview 练习！

[!WARNING]
提交 PR 请求时，请务必遵守编写规则。如果不遵守，该 PR 可能会被拒绝。

• 关于反馈，请参考通过 Pull Request 请求反馈的方法，并通过 Pull Request 提交。
  • Pull Request 的编写规则请参阅这里。
• 您也可以通过 GitBook 网站 查看内容。

---

面试问题

📈 统计学/数学

• 请解释特征值和特征向量是什么，以及它们为什么重要。
• 什么是采样和重采样？重采样的优势有哪些？
• 概率模型和随机变量分别是什么？
• 累积分布函数和概率密度函数分别是什么？请用公式表示。
• 条件概率是什么？
• 协方差和相关系数分别是什么？请用公式表示。
• 置信区间的定义是什么？
• 如果要向不懂 p 值的人解释，你会怎么讲？
• R 平方的意义是什么？
• 在什么情况下应该使用均值，什么情况下应该使用中位数？
• 中心极限定理为什么有用？
• 请解释熵的概念，最好也能提到信息增益。
• 什么时候可以使用参数方法，什么时候可以使用非参数方法？
• “似然”和“概率”有什么区别？
• 统计学中使用的自助法（Bootstrap）是什么意思？
• 当样本数量非常少（不超过几十个）时，如何建立预测模型？
• 贝叶斯派和频率派的观点有何不同？
• 统计功效是什么？
• 如果存在缺失值，是否需要填补？为什么？
• 如何判断异常值？
• 如何计算所需的样本量？
• 如何控制偏差？
• 什么情况下对数函数会很有用？请举例说明。
• 请解释伯努利分布、二项分布、多项分布、高斯正态分布、t 分布、卡方分布、F 分布、贝塔分布、伽马分布等，并说明这些分布之间的关系。
• 你打算乘飞机出差，想知道是否需要带伞。于是你随机给住在出差地点的三位朋友打电话，独立地询问他们那里是否正在下雨。每位朋友有 2/3 的几率说真话，1/3 的几率说谎。结果三位朋友都说：“是的，正在下雨。”那么实际上真的会下雨的概率是多少？

🤖 机器学习

• 请介绍一些常用的评估指标。（例如 RMSE、MAE、召回率、精确率等）
• 为什么要进行归一化？有哪些归一化的方法？
• 请解释局部最小值和全局最小值的区别。
• 请解释维度灾难。
• 常用的降维方法有哪些？
• PCA 既是降维方法，也是数据压缩和去噪方法，为什么呢？
• LSA、LDA、SVD 等缩写的含义是什么？它们之间有什么联系？
• 如果要向高中生解释马尔可夫链，最好的方式是什么？
• 如果需要从文本数据中提取主题，你会采取什么方法？
• 为什么支持向量机采用的是将数据映射到更高维度的方式？它有哪些优点？
• 相较于其他优秀的机器学习算法，朴素贝叶斯作为一种较为古老的方法，其优势在哪里？
• 回归和分类任务中，合适的评估指标分别是什么？
• 请解释关联规则中的支持度、置信度和提升度。
• 你了解牛顿法和梯度下降法这两种优化方法吗？
• 你认为机器学习方法和统计学方法之间有什么区别？
• 传统人工神经网络有哪些常见的问题？
• 你认为当前深度学习领域创新的根本原因是什么？
• 请解释 ROC 曲线。
• 如果你有 100 台服务器，为什么应该选择随机森林而不是人工神经网络？
• K-means 算法除了计算量大之外，还有哪些典型的语义上的缺点？
• 请解释 L1 和 L2 正则化。
• 什么是交叉验证？应该如何进行？
• 你知道 XGBoost 吗？为什么这个模型在 Kaggle 上如此出名？
• 集成学习方法都有哪些？
• 特征向量是什么？
• 优秀模型的定义是什么？
• 50 棵小决策树比一棵大决策树好吗？为什么这么认为？
• 为什么垃圾邮件过滤器经常使用逻辑回归？
• OLS（普通最小二乘法）回归的公式是什么？

🧠 深度学习

• 什么是深度学习？它与机器学习有什么区别？
• 损失函数和激活函数分别是什么？
• TensorFlow 和 PyTorch 的特点及区别是什么？
• 数据归一化是什么，为什么需要它？
• 请介绍一下你所知道的激活函数。（如 Sigmoid、ReLU、LeakyReLU、Tanh 等）
• 如果出现过拟合，该如何应对？
• 什么是超参数？
• 请谈谈权重初始化的方法，并说明常用的做法。
• 玻尔兹曼机是什么？
• 使用 TensorFlow、PyTorch 等工具时，有哪些调试技巧？
• 神经网络最大的缺点是什么？为了解决这个问题而出现的一次性学习又是什么？
• 为什么现在 ReLU 比 Sigmoid 更受欢迎？
  • “非线性”的含义及其必要性是什么？
  • ReLU 如何近似曲线函数？
  • ReLU 存在哪些问题？
  • 偏置项存在的意义是什么？
• 如果要用简单易懂的方式解释梯度下降法，你会怎么说？
  • 为什么一定要使用梯度？梯度下降图中的横轴和纵轴分别代表什么？实际情况下这张图会如何呈现？
  • 为什么在梯度下降过程中有时损失会增加？
  • 如果要用通俗易懂的语言解释反向传播，你会怎么讲？
• 尽管存在局部最小值问题，为什么深度学习仍然能够取得良好的效果？
  • 梯度下降法如何避免陷入局部最小值？
  • 如何判断找到的解是否是全局最小值？
• 为什么要将训练集和测试集分开？
  • 为什么还需要单独的验证集？
  • 测试集被污染是什么意思？
  • 正则化是什么？
• 批量归一化的效果如何？
  • Dropout 的效果又如何？
  • 应用批量归一化后，在实际使用中需要注意什么？代码上该如何实现？
  • GAN 中生成器部分是否也可以应用批量归一化？
• 如果让你根据已有的知识来解释 SGD、RMSprop 和 Adam，你会怎么说？
  • SGD 中“随机”的含义是什么？
  • 使用较小的迷你批次有哪些优缺点？
  • 动量的公式应该怎么写？
• 如果用 NumPy 在 CPU 上实现一个简单的 MNIST 分类器，大概需要多少行代码？
  • 大概需要花费几个小时才能完成一个能够正常运行的程序？
  • 反向传播需要多少行代码？
  • 如果换成卷积神经网络，又会增加多少代码？
• 如果用 TensorFlow、PyTorch 等框架来编写一个简单的 MNIST 分类器，大概需要花费多少时间？
  • 如果不使用卷积神经网络，只用多层感知器是否也能达到不错的效果？
  • 最后一层该如何设计？
  • 学习时可以用 BCE 损失函数，但如果想以 MSE 损失函数来看待情况呢？
• 为什么在进行深度学习时使用 GPU 会更好？
  • 如果想同时使用两块 GPU，该怎么做？
  • 训练时所需的 GPU 显存该如何计算？

🐍 Python

• Python中的列表和元组有什么区别？
• Python有哪些关键特性？
• Python是一种什么类型的语言？是编程语言还是脚本语言？
• Python是一种解释型语言。请解释一下。
• 什么是PEP 8？
• Python是如何进行内存管理的？
• Python中的命名空间是什么？
• 什么是PYTHONPATH？
• 什么是Python模块？请列举一些常用的Python内置模块。
• Python中的局部变量和全局变量是什么？
• Python是否区分大小写？
• Python中的类型转换是什么？
• 如何在Windows上安装Python并设置环境变量？
• Python中是否需要缩进？
• Python数组和列表有什么区别？
• Python中的函数是什么？
• 什么是__init__？
• 什么是lambda函数？
• Python中的self是什么？
• break、continue和pass分别如何工作？
• [::-1]的作用是什么？
• 如何在Python中就地打乱列表中的元素顺序？
• 迭代器和可迭代对象有什么区别？
• 如何在Python中生成随机数？
• range和xrange有什么区别？
• 如何在Python中编写注释？
• 什么是序列化和反序列化？
• Python中的生成器是什么？
• 如何将字符串的第一个字母大写？
• 如何将字符串全部转换为小写？
• 如何在Python中注释多行代码？
• Python中的文档字符串是什么？
• is、not和in运算符的作用是什么？
• help()和dir()函数在Python中有什么用途？
• 当Python退出时，为什么不是所有内存都会被释放？
• Python中的字典是什么？
• 如何在Python中使用三元运算符？
• *args和**kwargs是什么意思？为什么要使用它们？
• len()函数的作用是什么？
• 解释Python中re模块的split()、sub()和subn()方法。
• 什么是负索引？为什么使用负索引？
• Python中的包是什么？
• 如何在Python中删除文件？
• Python有哪些内置数据类型？
• NumPy数组相比（嵌套）Python列表有哪些优势？
• 如何向Python数组中添加元素？
• 如何从Python数组中移除元素？
• Python是否支持面向对象编程的概念？
• 深拷贝和浅拷贝有什么区别？
• Python中是如何实现多线程的？
• Python中的编译和链接过程是什么？
• Python中的库有哪些？请列举几个。
• split()函数用来做什么？
• 如何在Python中导入模块？
• 以一个例子说明Python中的继承。
• 如何在Python中创建类？
• Python中的猴子补丁是什么？
• Python是否支持多重继承？
• Python中的多态是什么？
• 在Python中定义封装的概念？
• 如何在Python中实现数据抽象？
• Python是否使用访问控制修饰符？
• 如何在Python中创建一个空类？
• object()函数的作用是什么？
• Python中的map函数是什么？
• Python中NumPy数组比列表更好吗？
• Python中的GIL是什么？
• CPython与Python有何不同？
• Python中的装饰器是什么？
• 什么是对象驻留？
• @classmethod、@staticmethod和@property分别是什么？

🌐 网络

• 请解释TCP/IP协议栈的每一层。
• 请比较OSI七层模型和TCP/IP协议栈的区别。
• 请对比帧、包、段和数据报。
• 请解释TCP和UDP的区别。
• 请对比TCP和UDP的头部结构。
• 请比较并解释TCP的三次握手和四次挥手过程。
• 为什么TCP的连接建立过程（3步）和连接终止过程（4步）步骤数量不同？
• 如果服务器在发送FIN标志之前，由于路由延迟或丢包等原因导致先前发送的数据包晚于FIN包到达，会发生什么情况？
• 为什么初始序列号ISN不从0开始，而是通过生成随机数来设定？
• 请解释HTTP和HTTPS，并说明它们之间的区别。
• 请解释HTTP请求/响应头的结构。
• 请比较HTTP和HTTPS的工作流程。
• CORS是什么？
• 请比较和解释HTTP的GET和POST方法。
• 请解释Cookie和Session。
• DNS是什么？
• 请解释REST和RESTful的概念，并说明两者的区别。
• Socket是什么？请用你熟悉的编程语言简单展示一个Socket创建的例子。
• 请解释Socket.io和WebSocket的区别。
• 请比较IPv4和IPv6的区别。
• MAC地址是什么？
• 请解释路由器、交换机和集线器的区别。
• SMTP是什么？
• 我用笔记本电脑访问了www.google.com。请详细描述从发出请求到接收响应的整个过程。
• 请简要介绍几种常见的网络拓扑结构。
• 请解释子网掩码。
• 数据封装是什么？
• 请解释DHCP。
• 请介绍几种路由协议。（例如：链路状态、距离向量）
• 以太网是什么？
• 请解释客户端和服务器的区别。
• 请解释延迟、时延抖动和吞吐量的区别。

🖥️ 操作系统

• 请告诉我进程和线程的区别。
• 请解释为什么使用多线程而不是多进程。
• 请解释缓存的局部性原理。
• 请解释线程安全的概念。（提示：临界区）
• 请比较互斥锁和信号量的区别。
• 请解释调度器是什么，以及它如何分为短期、中期和长期调度。
• 请简要介绍CPU调度算法，如FCFS、SJF、SRTF、优先级调度和RR。
• 请解释同步和异步的区别。
• 请简要介绍内存管理策略。
• 请解释虚拟内存。
• 请解释死锁的概念及其发生条件。
• 请比较用户级线程和内核级线程。
• 请解释外部碎片和内部碎片。
• 请解释上下文切换是什么，并列出其过程。
• 请解释交换技术。

🗂 数据结构

• 链表
  • 单链表
  • 双向链表
  • 循环链表
• 哈希表
• 栈
• 队列
  • 循环队列
• 图
• 树
  • 二叉树
  • 满二叉树
  • 完全二叉树
  • 二叉搜索树
• 堆（二叉堆）
  • 最小堆
  • 最大堆
• 红黑树
• B+树

🔻 算法

• 时间复杂度和空间复杂度
• 排序算法
  • 冒泡排序
  • 选择排序
  • 插入排序
  • 归并排序
  • 堆排序
  • 快速排序
  • 计数排序
  • 基数排序
• 分治法
• 动态规划
• 贪心算法
• 图
  • 图遍历：BFS、DFS
  • 最短路径
    • Dijkstra
    • Floyd-Warshall
    • Bellman-Ford
  • 最小生成树
    • Prim
    • Kruskal
  • 并查集
  • 拓扑排序

---

贡献者

---

参考资料

• zzsza的Datascience-Interview-Questions
• DopplerHQ的awesome-interview-questions
• JaeYeopHan的Interview_Question_for_Beginner
• WeareSoft的tech-interview

ai-tech-interview 快速上手指南

ai-tech-interview 是一个开源的 AI 技术面试题库，涵盖了统计/数学、机器学习、深度学习、Python、网络、操作系统、数据结构和算法等核心领域。本项目主要以 Markdown 文档形式存在，无需复杂的运行环境，旨在帮助开发者系统性地准备技术面试。

环境准备

由于本项目本质上是文档集合，对系统环境要求极低：

• 操作系统：Windows, macOS, Linux 均可。
• 前置依赖：
  • Git：用于克隆代码仓库。
  • Markdown 阅读器（可选）：推荐使用 VS Code、Typora 或 GitHub 网页版直接阅读。
  • 浏览器：若使用官方提供的 Streamlit 在线练习版，仅需现代浏览器。

安装步骤

方式一：本地克隆（推荐用于离线查阅或贡献内容）

打开终端（Terminal 或 CMD），执行以下命令拉取最新代码：

git clone https://github.com/boost-devs/ai-tech-interview.git
cd ai-tech-interview

国内加速提示：如果访问 GitHub 速度较慢，可以使用国内镜像源（如 Gitee 镜像，若有）或通过代理加速克隆过程。若无特定镜像，建议配置 Git 全局代理或使用 ghproxy 等工具：

git clone https://ghproxy.com/https://github.com/boost-devs/ai-tech-interview.git

方式二：在线直接使用

无需安装，直接访问项目维护者部署的 Streamlit 应用进行交互式练习：

• 在线地址：AI Tech Interview 练习平台

基本使用

1. 本地查阅题库

克隆完成后，进入项目目录，根据面试方向查看对应的 Markdown 文件。所有答案详解均位于 ./answers/ 目录下。

查看统计与数学面试题：

cat answers/1-statistics-math.md
# 或在 VS Code 中打开该文件获得更好的阅读体验
code answers/1-statistics-math.md

查看机器学习面试题：

cat answers/2-machine-learning.md

目录结构说明：

• 1-statistics-math.md: 统计/数学基础
• 2-machine-learning.md: 机器学习核心
• 3-deep-learning.md: 深度学习原理
• 4-python.md: Python 语言特性
• 5-network.md: 计算机网络
• 6-operating-system.md: 操作系统
• 7-data-structure.md: 数据结构
• 8-algorithm.md: 算法

2. 在线模拟面试

访问 Streamlit 在线平台，界面将随机或按类别展示面试问题。你可以：

1. 点击题目尝试自我回答。
2. 展开查看详细解析和参考答案。
3. 利用碎片时间（如通勤途中）进行移动端练习。

3. 参与贡献（可选）

如果你希望补充答案或修正错误，请遵循以下步骤：

1. Fork 本仓库到你的账户。
2. 在本地修改对应的 .md 文件。
3. 提交 Pull Request (PR)。
   • 注意：提交前务必阅读 PR 撰写规则，不符合规范的 PR 可能会被拒绝。
   • 反馈与建议也请通过 PR 形式提交，参考 反馈请求方法。

此外，项目还维护了一份 GitBook 版本，适合喜欢书籍排版风格的读者阅读。