AI 算法面试 100 问｜终极押题必背精简清单

前言

涵盖机器学习、深度学习、CV、NLP、训练调优、项目实战、手撕算法高频必考问答，全篇精简无废话，考前速背快速过知识点，校招 / 实习 / 社招通用，吃透直接稳过算法面试。

一、机器学习基础必背

1. 监督、无监督、半监督、强化学习区别 监督有标签训练，无监督自主聚类分组，半监督少量标签大量无标签，强化学习靠奖励机制迭代决策。
2. 偏差与方差 偏差高欠拟合，模型拟合能力弱；方差高过拟合，泛化能力差。
3. 生成式与判别式模型 生成式学习数据分布，朴素贝叶斯；判别式直接学决策边界，逻辑回归、SVM。
4. 为什么要做数据归一化 消除量纲影响，加速梯度下降收敛，让特征权重更新均衡。
5. 梯度下降三种形式 批量 GD 稳但慢，随机 SGD 快易震荡，小批量 Mini-Batch 兼顾速度与稳定。
6. 正则化作用 L1 稀疏化可特征筛选，L2 限制权重大小抑制过拟合。
7. 集成学习三大方式 Bagging 并行训练如随机森林，Boosting 串行拟合残差如 GBDT，Stacking 多层堆叠融合。
8. 特征选择常用方法 方差筛选、相关性分析、卡方检验、树模型特征重要性筛选。
9. 类别不平衡如何处理 上采样、下采样、类别权重调整、Focal 损失、合成样本扩充。
10. 离群点检测方法 箱线图、3σ 原则、聚类筛选、孤立森林。

二、深度学习核心问答

1. 激活函数必要性 引入非线性，多层网络才能拟合复杂映射关系。
2. ReLU 优缺点 计算快缓解梯度消失，易出现神经元死亡；Leaky ReLU 解决该问题。
3. 梯度消失与梯度爆炸 深层网络链式求导梯度持续衰减为消失，梯度无限增大为爆炸；用残差、BN、梯度裁剪解决。
4. BN 层作用 归一化输入分布，加速收敛，缓解梯度消失，自带轻微正则。
5. Dropout 原理与作用 训练随机失活神经元，减弱神经元依赖，强力防过拟合，测试恢复全部权重。
6. 正向传播与反向传播 前向算预测结果，反