翻译 | shawn
编辑 | 阿司匹林
出品 | 人工智能头条（公众号ID：AI_Thinker）
【人工智能头条导读】随着人工智能的日益火热，数据科学正在变得越来越重要。数据科学的初学者常常会碰到各种概念型的面试问题，为此，加拿大 Ryerson University 一名大四学生 Jae Duk Seo 整理了一份面试问题清单，并根据自己所掌握的知识给出了回答。
要注意的是，Jae Duk Seo 并没有确保每一个答案都是尽善尽美的，但是他列出了很多参考资料，然后给出自己的思考，有时还会对自己的原答案进行纠正。
为什么我们要把这样一篇文章推荐给大家？
因为我们正变得越辣越懒。
熟悉我们的读者肯定知道，我们经常会推荐一些免费的开源项目、学习资源等，但是大部分人都是先马再看。我们私下做的小调查发现，很多读者收藏后，并没有再花时间去学习。而我们之前整理了一些大公司的面试题，希望大家能够积极参与，但是收到的反馈也寥寥无几。
我们希望这样一篇“不够完美”的文章能够激发大家参与的积极性，错了不要紧，重要的从错误中学习。
因此，不管你是否只知道某个问题的答案，也不管你的答案正确与否，我们都欢迎大家积极留言，从讨论中学习。
以下内容由人工智能头条编译：
▌1. 什么是特征向量？
我对特征向量的理解目前非常有限。举例来说，使用标准的卷积神经网络（CNN）和全连接神经网络（FNN）构建一个分类器，CNN 的作用是从图像中提取高级特征（从边缘和角落到脸部等）。在从 CNN 到 FNN 过渡的过程中，我们通常会将图像向量化，得出的向量就称为特征向量。
来源：Research Gate评论
让我惊讶的是，原始的像素值（pixel values）也可以被当作为特征向量。但是这是讲得通的。接下来我们尝试做一些编程工作：使用 MNIST 数据集创造一个 HOG 特征向量（如果有人想知道 HOG 特征是什么，请点击链接阅读此文https://www.learnopencv.com/histogram-of-oriented-gradients/）。
左图→图像3的可视化HOG特征
右图→图像6的可视化HOG特征
如上图所示，每张图像的 HOG 特征向量长度都为 2048，当我们将这些向量可视化后，它们就会变成右图。
▌2. 解释构建决策树的步骤
最近我学习了二叉查找树（Binary Search Tree），虽然我不知道怎么回答这个问题，但是我可以可以尝试给出一些建议：从不同类型的用户那里收集不同结果的信息，然后以树状结构标绘二分答案（binary answers），直到标绘完所有信息。
来源：https://www.smartdraw.com/decision-tree/
我对我搜索到的答案不是十分满意，但是我找到了一个教你如何在商业环境中如何绘制决策的YouTube 教程。视频很老，但是很有帮助。
视频地址： https://www.youtube.com/channel/UCUam9zhEElOl9NXSesyyjtA
▌3.什么是“根本原因分析”（root cause analysis）？
我认为“root”（根本）这个词是指基础的东西，当我们想指出某件事的核心时我们会用到这个词。因此，我认为“根本原因分析”是搞清某个问题核心原因的过程。
来源：维基百科
不过，“根本原因分析”并不只是确定核心原因的过程，它还被用于防止同类型的问题再次发生。最终我找到了一篇论文《根本原因分析方法》（https://www.ncbi.nlm.nih.gov/pmc/articles/PMC1292997/pdf/bumc0014-0154.pdf），感兴趣的读者可以点击阅读。
▌4.什么是逻辑回归？
我认为“回归”这个词指的是预测。依我看，线性回归就是找出用来预测未来结果（例如房价）的最佳直线。“逻辑”的话，我只能想到 sigmoid 函数。逻辑回归结合“逻辑”和“回归”，我认为它是对离散值的预测，而不是对连续值的预测。
来源：https://www.statisticssolutions.com/what-is-logistic-regression/
来源：维基百科
总的来说，逻辑回归是预测分类值的过程，预测的可能是简单的二分类预测值，也可能是复杂的多分类预测值。想知道指数函数和逻辑函数有什么不同的读者，点击此链接☟☟
http://wmueller.com/precalculus/families/1_80.html
来源：http://xaktly.com/LogisticFunctions.html
▌5.什么是推荐系统？
YouTube 的视频推荐板块就是一个很好的推荐系统。算法（很多人将其称为 AI）获取用户过去 2 周或 4 周内看过的视频列表，然后搜索相似内容的视频推荐给用户。在某种程度上，这是一个逻辑回归，因为算法试图预测用户接下来最可能观看的视频类别。
来源：维基百科
信息过滤系统这个词我从没听说过，想不到推荐系统只是信息过滤系统的一部分。接下来让我们尝试构建一个简单的推荐系统。
紫色、绿色、黄色圆点 →特定用户喜欢的三种冰淇淋口味
红色圆点 →未知任何历史信息的新用户
假设我们有一家冰淇淋店，在二维网格上用坐标表示我们的每位顾客。x 坐标值在 [0–6] 区间，y 坐标值在 [0–7.5] 区间的顾客喜欢紫色冰淇淋。如果来了一位坐标值在 [2,7.5], [8,15.5] 和 [20, 11] 区间的顾客，我们应该向他推荐哪种口味的冰淇淋？我的方法很简单，构建一个K-近邻算法（KNN）（近邻值为3），让算法预测这位顾客喜欢哪种口味的冰淇淋。
▌6. 梯度下降法是否总是会在相近点收敛？
不是，梯度下降也会收敛到局部最小点，为了防止这种情况经常发生，激活函数必须是单调函数。
详细解释见这篇文章 https://towardsdatascience.com/google-deepmind-deep-learning-for-medical-image-segmentation-with-interactive-code-4634b6fd6a3a
依我愚见，上图是对这个问题最好的回答。
▌7. A/B测试的目的是什么？
每当我回答采访问题时，似乎总有个问题和 A/B 测试有关。简单来说，A/B 测试的目的是得出：给定环境中存在一处不同时主体（subject）反应会有什么变化。
来源：维基百科
A/B测试（也称分离测试）是比较两个版本的网页，看哪个版本更好。向类似的访问者同时展示两个变量，对两个版本的网页进行比较。转化率更好的版本获胜！（来源：https://vwo.com/ab-testing/ ）
上图是网页 A/B 测试的详细定义，但是我认为这个定义可以拓展到不同的行业（例如医药业或物流业等）中。
▌8. 线性模型的缺点有什么？
线性模型的一个显而易见的优点是简单。如果我们使用 Y = aX b 这个方程构建一个模型，构建前我们就知道这个模型有多简单。但是，我认为简单也可以成为线性模型的一个缺点。因为线性模型的简单性，我们无法用它对复杂的场景建模。
线性模型的很多缺点我没有提到，比如对异常点很敏感，有过度拟合的倾向等。我认为我的答案是错误的，因为我们可以使用更加高级的多项式回归模型预测更加复杂的情景，这不是线性回归模型的一个缺点。
原文链接： https://towardsdatascience.com/my-take-on-data-scientist-interview-questions-part-1-6df22252b2e8
如需转载，请联系小编微信1092722531
