机器学习面试，你必须知道这些数学知识
今日份知识你摄入了么？
机器学习中有很多方程式，为了准备面试，你至少需要知道本文所包含的内容。
在开始这篇文章之前，我应该先介绍一下目标受众——本篇文章是针对那些对机器学习工程面试感兴趣的人，而不是研究科学家(或类似职位，比如数据科学家)。原因是，研究科学家的面试往往非常重理论（数据科学则偏向统计学知识），候选人需要了解更多的方程式，而机器学起工程师（MLE）面试则更注重工程学知识，你需要非常了解机器学习，但不需要达到专家水平。
如果你跟我一样，在为MLE的面试做准备时，你会阅读书籍和博客，做笔记。一段时间后，你意识到这些资料中都有很多数学方程，你开始好奇，到底哪些对你的面试很重要。但是因为你不确定，所以你只有一个不落地研究了：(
由 freepik 创建的背景矢量 —www.freepik.com
好消息是，MLE 面试和其他面试相比的优势在于，面试官提出的问题中基本上不会要求你明确给出方程式，甚至推导方程式（需要注意的是：有些初创公司的面试过程还不够正式化，所以面试内容主要还是取决于面试官）。但是，在回答机器学习问题时，我们需要注意并使用其中一些方程式。
通常，你会使用这些方程式来支持你的回答。例如，如果面试官问，如何减少过拟合，你会提到 L1（lasso）和 L2（ridge）正则化，此时还应该补充说， L2 添加了一个惩罚项，为损失函数的系数的平方，L1也类似。在这种情况下，我们不会明确地写出方程式，但我们会让面试官知道我们是了解这些知识的，并且会在回答问题时使用它们。
我列出了一份总结性的方程式及清单，在准备 MLE 面试时你必须知道这些内容。该清单针对一般领域的 ML 工程师，对于特定领域，你还需要了解其他方程式。
损失函数（Loss Functions）
你应该熟知所有损失函数，因为当你谈论 ML 模型时，面试官会期待优秀的候选人可以在没有提示的情况下提到损失函数。
平均绝对误差 (MAE) / 均方误差 (MSE)
这些是用于回归模型的损失函数
对数损失函数（Log Loss）
针对二进制输出分类模型的损失函数
交叉熵损失函数（Cross Entropy Loss）
多输出分类模型的损失函数
铰链损失函数（Hinge Loss）
针对SVM 的损失函数
模型
线性回归（Linear Regression）
尽管线性回归问题不像逻辑回归那样为人所知，但知道在什么情况下会遇到线性回归问题也很重要。线性回归是传统ML基本模型之一，其方程式非常简单。
逻辑回归（Logistic Regression）
逻辑回归在ML面试中经常出现，因为它通常是分类问题的基线模型，面试官可以使用过拟合和分类指标进行跟踪。
支持向量机（SVMs）
与线性回归一样，支持向量机并不经常出现在ML面试中。但是，了解 SVM 的成本函数的方程式，将有助于你理解超参数，超参数可用于控制误分类数量（这个问题经常出现在与SVM有关的问题中）。如果超参数为 0，则模型不允许出现任何误分类，反之，超参数值越大，允许的误分类越多。
神经网络的前向传递（Forward Pass of Neural Networks）
神经网络经常出现在ML面试中，所以你至少要准备一个问题。候选人必须熟知前向传递方程，以便更好地理解要如何将激活函数、权重和输入结合在一起。
贝叶斯定理（Bayes Theorem）
这是机器学习中最常出现的方程。面试中出现的问题往往不是解决贝叶斯定理的问题——这些问题通常是针对数据科学家的——但有时你需要解释简单贝叶斯模型，而这个定理是核心。
L1 和 L2 正则化（L1 and L2 Regularization）
了解这两个方程以及它们如何防止过拟合非常重要。过拟合问题经常出现在 ML 面试中。
决策树（Decision Tree）
决策树、随机森林、和增强树经常出现在 ML 面试中，你应该知道用于测量节点杂质的两个方程：
基尼系数（Gini Index）
熵（Entropy）
决策树的成本函数-因为编写成本函数非常简单，面试官很可能在ML编程问题中提出让你编写成本函数。
指标
在提到 ML 模型时，你需要知道如何进行评估，因此了解每个模型的指标非常重要。
分类指标（精确度、召回率、准确度、F1）
回归指标（平均绝对误差、均方误差）
其他一些指标：
Normalized discounted cumulative gain（排名指标）
Intersection over union（计算机视觉指标）
Dice coefficient（计算机视觉指标）
BLEU 分数（NLP 指标）
激活函数
如上文所述，神经网络经常出现在面试中，在回答涉及神经网络和其他ML模型的问题时，了解流行的激活函数也很有必要。
Softmax函数
距离函数（Distance Functions）
距离函数出现在ML面试的许多领域：比如k最近邻、k均值以及推荐系统。因此，你应该熟悉 3 个最受欢迎的距离函数：
余弦相似度（Cosine）
欧氏距离（Euclidean）
曼哈顿距离（Manhattan）
统计知识
虽然 MLE 面试中的统计问题没有数据科学家面试那么多，但你也要试着将这些方程用于数据分析问题。这类问题经常出现在面试中，因为你的工作中心就是处理数据。
卡方（Chi Squared）
卡方检验用来确定某一类别特征的期望频率，与该特征的观察频率之间，是否存在统计学上显著的差异。
置信区间（Confidence Intervals）
该区间给出了估计区间包含感利息价值的概率。最常见的置信区间为 95%。
标准化（Standardization）
标准化是一种数据预处理技术，用于将数据围绕平均值进行缩放，以获得单位标准差。
归一化（Normalization）
归一化是一种数据预处理技术，用于在 0 和 1 之间缩放数据。
偏差-方差权衡方程（Bias-Variance Tradeoff Equation）
虽然你可能了解偏差-方差权衡的概念，但理解该偏差-方差权衡方程还可以帮你深层次理解这个概念，并在回答这个问题时提供更深层次的知识。
总结
现在，你已经掌握了一些在 MLE 面试中取得成功所需的基本方程式，下一步要做的，就是练习。感谢你的阅读！
原文作者：Stefan Hosein
翻译作者：Lia
美工编辑：过儿
校对审稿：Jiawei Tong
原文链接：https://towardsdatascience.com/math-you-need-to-succeed-in-ml-interviews-9e717d61f296
本周公开课预告
往期精彩回顾
Facebook和Microsoft数据科学家面试,他们会问这些SQL问题
点击“阅读原文”查看数据应用学院核心课程