ML

介绍一下调参的经验
Softmax的公式和伪代码
分类常见的指标有什么，如何理解AUC？
介绍决策树、RF、XGBoost、GBDT和 LightGBM
XGboost的loss函数的推导（mse以及非mse形式），以及求解推导。
使用O(N)复杂度完成GBDT分裂
介绍 F1-score，AUC，交叉熵，ROC
介绍 Adboost，GBDT，XGBoost
介绍不同的聚类算法：K-Means、GMM、DBSCAN等
CCA和PCA的区别
牛顿法能用于非凸函数吗？
XGBoost里处理缺失值的方法
样本不平衡对 SVM 的影响
KNN和Kmeans的算法中K的含义，K对算法的影响，怎么选择K
LR的全过程，从train到inference，损失函数
介绍常见的集成方法
LR + softmax做多分类和LR + multiLoss 做多分类区别在哪里
LR为什么用交叉熵作为loss函数
Kmeans的缺点？如何改善？
讲一下K-means算法的过程以及原理
为什么Bagging降方差，Boosting降偏差？
介绍XGBoost对GBDT的提升，LightGBM对XGBoost的提升
为什么要对连续型数值进行离散化，这样做有什么优势
LR 为什么用sigmoid函数？
怎么解决样本不均衡（重点考核损失函数优化）
HMM 和 CRF的区别
XGBoost 如何处理缺失数据？
写一下 LR 和 SVM 的损失函数
正负样本不均衡时的解决方案
知道哪些降维的方法，具体讲讲
线性模型和非线性模型都有哪些？
手写AUC的计算（小矩形积分得到总面积即可）
决策树分支的原理
offerpolicy 和 onpolicy 的区别
为什么随机森林的树比 GBDT 的深一点？
逻辑回归的目标函数(损失函数)是凸函数吗？
完全二叉树的概念
朴素贝叶斯与贝叶斯有什么区别？
SVM 为什么变成对偶问题来求解？
缺失值如何处理，什么情况下均值、众数，什么情况下丢弃特征。
诸如ID类的特征如何处理，编码方式one-hot还是其他的，高维时？什么样才算高维，有没有界定？
聚类的算法有哪些？评价方法？优化算法？
解释几何间隔和函数间隔
描述决策树，如何选特征，怎么划分，怎么剪枝，介绍信息增益
K-Means 聚类这种方法一定会收敛嘛？如果不收敛，怎么办？
SVM 的目标函数，为什么能用拉格朗日乘子法讲原始最优化问题转化为极大极小问题，数学原理是什么
介绍SVM，其中的软间隔是什么意思？
使用线性回归的时候什么时候会需要用L2？
如果F1已经趋于平稳，如何在保持F1稳定的前提下提高precision，降低recall；
LR 为什么不用 MSE，SVM 为什么用hinge不用logloss
XGBoost 怎么解决过拟合？怎么剪枝？怎么选择特征？怎么处理缺失值？
XGBoost 的默认深度
各种决策树模型的优劣（从最简单的ID3到最后的LGB）
SVM 核函数哪些是高维空间维度已知，哪些是未知的？
LR介绍、LR对特征需要做什么特殊处理吗？类别特征、连续特征
损失函数正则项的本质是什么?
SVM 有哪些核函数？
L1 正则化为什么能使特征稀疏？
Stacking原理，还有怎么调优？
XGBoost怎么调参？用了多少棵树？
各种决策树模型的优劣（从最简单的ID3到最后的LGB）
ID3 C4.5 CART的区别
手推 SVM, GBDT, XGBoost
CRF 怎么训练的（传统+深度学习）
得到AUC的两种计算方法
树的分裂方式（id3,gini,gdbt,xgboost）
监督学习的概念？什么是随机森林，随机森林的优点？
LR和SVM区别（计算复杂度）
Adam优化器的迭代公式
SGD每步做什么，为什么能online learning
L1 L2正则化区别
PCA原理和执行步骤
特征工程知道吗？举几个特征归一化的例子
SVM为什么可以处理非线性问题
L1正则化的先验分布？
L1的不知道，L2的先验分布知道吧？
多标签分类问题怎么解决，从损失函数角度考虑

NN

激活函数除了Sigmoid tanh ReLU 还有什么介绍一下
BFE 和 Dropout的关系
Dropout是失活神经元还是失活连接
手推梯度反向传播
分类网络样本不均衡怎么办？
dropout层作用，如何实现有什么作用？
Dropout 前向和反向的处理
神经网络如果没有激活函数还能解决线性不可分问题吗？
Tensorflow的动态图和静态图有什么区别
分别介绍GN，BN，LN，IN
为什么BN有泛化能力的改善. 什么场景用什么normalization方法，效果如何.
Dropout为什么能防止过拟合？具体实现
dropout在训练和测试时不同，怎么保证测试结果稳定
如何计算神经网络的 FLOPS？
梯度下降陷入局部最优有什么解决办法

图像处理

手写灰度直方图代码
介绍一下开运算和闭运算
介绍双目相机识别目标深度的原理
单目视觉如何测量深度？
介绍常见的边缘检测算法
SIFT 特征是如何保持旋转不变性的？
如何快速判断图中有环？
介绍常见的边缘检测算子
Hough 变换原理（直线和圆检测）
为什么 Sobel 算子中间是2，两边是1
算法题：实现 OpenCV中的图像缩放，包括实现双线性插值
输入图像灰度值对模型的影响，为什么要把0-255转化成0-1？
介绍 RANSAC
介绍一阶二阶边缘检测算子一阶二阶边缘检测算子
OpenCV里面findcontour函数的原理是什么？
相机里面的标定参数有哪些？是怎么计算这些参数的？
如何求边缘，45°边缘，高斯滤波和双边滤波
代码题：手撕实现图像的resize和rotate90度
手写中值滤波
介绍一下高斯滤波，均值滤波，中值滤波
SIFT特征提取怎么做的，具备什么性质，为什么
讲一下CTC的原理
夜间拍照的多图对齐和融合

CV

介绍你读到的19年 Anchor-free 目标检测论文
简单介绍Fast RCNN -> Faster RCNN -> mask RCNN (这个真的好高频)
256×256×3 -> 128×128×64的卷积，stride，padding和待优化的参数有多少
手撕 SoftNMS代码
CNN反向传播公式推导；参数共享指的是？
介绍熟悉的NAS网络
介绍目标检测中的多尺度训练/测试？
为什么 DenseNet 比 ResNet 更耗显存？
为什么深度学习中的图像分割要先编码再解码？
1×1 卷积有什么作用？
如何计算语义分割的 mIoU（写伪代码）
原始图片中的 RoI 如何映射到 feature map ?
PyTorch 不用库函数如何实现多机多卡
哪些情况用 MaxPool比AveragePool效果好？原因
介绍Anchor based 和Anchor free目标检测网络的优缺点
YOLOv3在小缺陷检测上也很好，RPN上和two-stage的有什么区别
MobileNetV2 module的参数量和FLOPs计算
CNN 的感受野受什么影响
CNN 如何保持平移方向不变性
如果分类的数据图像每一类只有几张，你会用什么方法？
RPN怎么计算 box 的实际坐标
介绍常见的 Anchor free 目标检测算法
算法题：编程实现目标检测中的 IoU 计算
公式及讲解soft attention，hard attention，multi head attention
卷积操作是线性的吗？CNN是线性的吗？为什么？（激活函数）常用的激活函数？
3×3 卷积核与 5×5 卷积核相比的优点
InceptionV1~V4系列介绍，以及每一版的改进，优缺点介绍
CNN Maxpooling 怎么反向传播？
写出 YOLOv3 的损失函数
YOLOV1~V3系列介绍，以及每一版的改进，优缺点介绍
介绍金字塔池化，ASPP，深度可分，带孔卷积
VGG网络什么特点，用到了哪几种卷积核？
介绍 anchor-based和anchor-free两者的优缺点
PyTorch 多gpu训练机制的原理，优化器以及网络参数保存机制
讲下faster-rcnn？Faster-rcnn里面的NMS的算法原理是什么？
Mask R-CNN 如何提高mask的分辨率？
普通卷积、DW+PW卷积计算量推导
MobileNet V2中的Residual结构最先是哪个网络提出来的
CornerNet介绍，CornerPooling是怎么做的，怎么解决cornernet检测物体合并为一个框的问题
GoogLeNet中为什么采用小的卷积核？
说一下UNet的结构
熟悉deeplab吗，aspp是怎样的，与其他的state-of-art的模型对比，deeplab还可以做哪些改进？
retinanet的focal loss是解决的什么问题
介绍deeplabv3，画出backbone（串联和并联），论文中认为这两种哪种方式更好？如何避免friding efect、deeplabv3的损失函数