• 你是如何進(jìn)行探索性數(shù)據(jù)分析（EDA）的？EDA 的目標(biāo)是在應(yīng)用預(yù)測模型之前從數(shù)據(jù)中收集一些見解?；旧?，你應(yīng)該以從粗略到精細(xì)的方式進(jìn)行 EDA。我們從獲得一些高級別的全局見解開始，然后檢查一些不平衡的類和每個類的均值和方差。檢查前幾行，了解它們是關(guān)于什么的。運行 pandas 的 df.info() 來檢查哪些特征是連續(xù)的、分類的以及它們的類型（int、float、string）。接下來，刪除在分析和預(yù)測中用不到的列。這些列可能看起來就是毫無用處的，它們要么具有相同的值（即不會給我們提供太多的信息），要么缺少值。我們還可以使用最常見的值或中位數(shù)來填充缺失值。然后，我們可以開始進(jìn)行一些基本的可視化。先從高級別的東西開始。對于已經(jīng)分類的且具有少量組的特征，可以為它們繪制條形圖。找出最“一般的特征”，為這些特征單獨進(jìn)行可視化，嘗試從中獲得一些基本見解。現(xiàn)在我們可以開始更具體的可視化了。在特征之間創(chuàng)建可視化，一次兩個或三個。特征之間是如何相互關(guān)聯(lián)的？你還可以通過 PCA 來找出哪些特征包含最多信息。將一些特征組合在一起，以查看它們之間的關(guān)系。例如，當(dāng) A=0 且 B=0 時，類會發(fā)生什么？A=1 和 B=0 呢？比較不同的特征。例如，如果特征 A 可以是“女性”或“男性”，那么我們就可以繪制出特征 A 對應(yīng)的桶，看看男性和女性是否處于不同的桶中。除了條形圖、散點圖和其他基本圖之外，我們還可以繪制 PDF/CDF 和疊加圖等。查看一些統(tǒng)計信息，如分布、p 值等。最后是構(gòu)建 ML 模型的時候了。先從樸素貝葉斯和線性回歸這些簡單的東西開始。如果你發(fā)現(xiàn)這些行不通，或者數(shù)據(jù)是高度非線性的，就要使用多項式回歸、決策樹或 SVM?？梢愿鶕?jù) EDA 的重要性選擇特征。如果你有大量數(shù)據(jù)，可以使用神經(jīng)網(wǎng)絡(luò)。

• 在處理圖像時，為什么使用卷積而不僅僅是 FC 層？ 這個問題非常有趣，因為公司通常不會問這樣的問題。正如你所料，一家專注于計算機(jī)視覺的公司問了這個問題。這個問題的答案由兩部分組成。首先，卷積保留、編碼并實際使用圖像的空間信息。如果我們只使用 FC 層，就沒有相關(guān)的空間信息。其次，卷積神經(jīng)網(wǎng)絡(luò)（CNN）提供了部分內(nèi)置的平移方差，因為每個卷積核都相當(dāng)于自己的過濾器和特征檢測器。

• 是什么讓 CNN 具備平移不變性？ 如上所述，每個卷積核都是自己的過濾器和特征檢測器。因此，假設(shè)你正在進(jìn)行對象檢測，對象在圖像中的位置并不重要，因為我們將以滑動窗口的方式在整個圖像上應(yīng)用卷積。

• 為什么我們在分類 CNN 中有最大池化（max-pooling）？ 這也是我在面試一個計算機(jī)視覺相關(guān)職位是被問到的一個問題。CNN 中的最大池化可以減少計算，因為在池化后，特征圖變得更小了。因為你正在進(jìn)行最大程度的激活，所以不會丟失太多的語義信息。還有一種理論認(rèn)為，最大池化有助于為 CNN 提供更多的方差平移。

• 為什么分段 CNN 通常具有編碼器和解碼器結(jié)構(gòu)？ 編碼器 CNN 基本上可以被認(rèn)為是特征提取網(wǎng)絡(luò)，而解碼器使用這些信息來預(yù)測圖像片段（通過“解碼”特征并放大到原始圖像大小）。

• 殘差網(wǎng)絡(luò)有什么意義？ 殘差連接的主要作用是允許從前層直接訪問特征，這讓信息在整個網(wǎng)絡(luò)中傳播變得更加容易。

• 什么是批量標(biāo)準(zhǔn)化？為什么它能夠奏效？ 訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)是很復(fù)雜的，因為在訓(xùn)練期間，隨著前一層的參數(shù)發(fā)生變化，每層的輸入分布都會發(fā)生變化。然后，我們的想法是標(biāo)準(zhǔn)化每層的輸入，使得它們的平均輸出激活為零，標(biāo)準(zhǔn)偏差為 1。這是針對每一層的每個小批量進(jìn)行的，即僅計算該小批量的均值和方差，然后進(jìn)行標(biāo)準(zhǔn)化。這有點類似于網(wǎng)絡(luò)輸入的標(biāo)準(zhǔn)化。這有什么用？我們知道，規(guī)范化網(wǎng)絡(luò)輸入有助于它學(xué)習(xí)。但網(wǎng)絡(luò)只是一系列層，一個層的輸出成為下一層的輸入。這意味著我們可以將神經(jīng)網(wǎng)絡(luò)中的任何一個層視為后續(xù)子網(wǎng)絡(luò)的第一個層。我們將其視為一系列相互 feed 的神經(jīng)網(wǎng)絡(luò)，我們在應(yīng)用激活函數(shù)之前規(guī)范化一個層的輸出，然后將其 feed 到后面的層（子網(wǎng)絡(luò)）。

• 為什么要使用很多小的卷積核，比如 3x3，而不是更大的卷積核？VGGNet 論文（https://arxiv.org/pdf/1409.1556.pdf） 對此做了很好的解釋。有兩個原因：首先，你可以使用幾個較小的卷積核來獲取相同的感知字段并捕獲更多的空間上下文，使用較小的卷積核意味著較少的參數(shù)和計算。其次，因為對于較小的卷積核，你需要使用更多的過濾器，這樣就能夠使用更多的激活函數(shù)，你的 CNN 就可以學(xué)習(xí)更具辨別力的映射函數(shù)。

• 你有其他與這個職位相關(guān)的項目經(jīng)驗嗎？ 這個時候，你需要強(qiáng)調(diào)你的研究方向與應(yīng)聘公司業(yè)務(wù)之間的聯(lián)系。你是否做過一些事情或?qū)W到過一些技能與他們的業(yè)務(wù)或你申請的職位有關(guān)？不一定要 100％匹配，只要有一定聯(lián)系就可以了，這樣可以證明你將能夠直接為他們帶來價值。

結(jié) 論

這些是我在應(yīng)聘數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)職位時遇到的所有面試問題。我希望你喜歡這篇文章，并能夠從中學(xué)到一些有用的新東西！