🕷️ Crawler Inspector

URL Lookup

Direct Parameter Lookup

Raw Queries and Responses

1. Shard Calculation

Query:

Response:

Calculated Shard: 99 (from laksa123)

2. Crawled Status Check

Query:

curl -X POST \
  'http://laksa099.int.ahrefs:8124/' \
  -H 'Content-Type: text/plain' \
  -H 'X-ClickHouse-Database: crawler3' \
  -H 'Authorization: Basic YXBpOg==' \
  -d 'SELECT getAhrefsURLFromUnparsed(src_unparsed) AS found_url, ifNull(toUnixTimestamp(download_stamp), 0) AS crawl_time, ifNull(toUnixTimestamp(props_url_first_seen), 0) AS first_indexed_time, download_http_code AS http_code, src_unparsed AS src_unparsed, src_root_hash AS src_root_hash, history_drop_reason AS history_drop_reason, meta_title AS meta_title, meta_descriptions AS meta_descriptions, attrs_boilerpipe_text AS attrs_boilerpipe_text, attrs_markdown AS attrs_markdown, attrs_readable_markdown AS attrs_readable_markdown, meta_canonical AS meta_canonical FROM crawler3.page_info_local FINAL PREWHERE (src_root_hash, src_unparsed) IN ((getAhrefsRootHashFromUnparsed(getAhrefsUnparsedNoserviceFromURL(\'https://www.dataapplab.com/math-you-need-to-succeed-in-ml-interviews/\')), getAhrefsUnparsedNoserviceFromURL(\'https://www.dataapplab.com/math-you-need-to-succeed-in-ml-interviews/\'))) FORMAT JSONEachRow'

Response:

{"found_url":"https:\/\/www.dataapplab.com\/math-you-need-to-succeed-in-ml-interviews\/","crawl_time":1775565778,"first_indexed_time":1635498758,"http_code":200,"src_unparsed":"com,dataapplab!www,\/math-you-need-to-succeed-in-ml-interviews\/ s443","src_root_hash":"3498991255532658299","history_drop_reason":null,"meta_title":"机器学习面试，你必须知道这些数学知识 - Data Application Lab","meta_descriptions":["机器学习是指训练计算机程序，以建立基于数据的统计模型的过程。 机器学习 (ML) 的目标是转换数据，并从数据中识别关键模式或获得关键见解。而数学是机器学习面试中的一大重点。为了练习，我们汇总了机器学习面试问题中的数学相关的函数和问题。这份ML最重要数学的指南会对大家的求职很有帮助。"],"attrs_boilerpipe_text":"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。\n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\n(或类似职位，比如数据科学家)\n。\n原因是，研究科学家的面试往往非常重理论\n（数据科学则偏向统计学知识）\n，候选人需要了解更多的方程式，而机器学起工程师\n（MLE）\n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。\n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：(\n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\n（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）\n。\n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。\n通常，你会使用这些方程式来支持你的回答。\n例如，如果面试官问，如何减少过拟合，你会提到 L1\n（lasso）\n和 L2\n（ridge）\n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。\n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。\n如果你想了解更多数据分析相关内容，可以阅读以下这些文章：\nMachine Learning知识点：机器学习里的聚类分析技巧\n三个月如何搞定机器学习的数学原理？\n研究了2000+笔记本，我们总结了最适合机器学习、数据科学和深度学习的电脑\n评估机器学习算法的指标\n损失函数\n（Loss Functions）\n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。\n平均绝对误差 (MAE) \/ 均方误差 (MSE)\n这些是用于\n回归模型的损失函数\n对数损失函数\n（Log Loss）\n针对二进制输出分类模型的损失函数\n交叉熵损失函数\n（Cross Entropy Loss）\n多输出分类模型的损失函数\n铰链损失函数\n（Hinge Loss）\n针对SVM 的损失函数\n模型\n线性回归\n（Linear Regression）\n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。\n逻辑回归\n（Logistic Regression）\n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。\n支持向量机\n（SVMs）\n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\n（这个问题经常出现在与SVM有关的问题中）\n。\n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。\n神经网络的前向传递\n（Forward Pass of Neural Networks）\n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。\n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。\n贝叶斯定理\n（Bayes Theorem）\n这是机器学习中最常出现的方程。\n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。\nL1 和 L2 正则化\n（L1 and L2 Regularization）\n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。\n决策树\n（Decision Tree）\n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：\n基尼系数\n（Gini Index）\n熵\n（Entropy）\n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。\n指标\n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。\n分类指标\n（精确度、召回率、准确度、F1）\n回归指标\n（平均绝对误差、均方误差）\n其他一些指标：\nNormalized discounted cumulative gain\n（排名指标）\nIntersection over union\n（计算机视觉指标）\nDice coefficient\n（计算机视觉指标）\nBLEU 分数\n（NLP 指标）\n激活函数\n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。\nSoftmax函数\n距离函数\n（Distance Functions）\n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。\n因此，你应该熟悉 3 个最受欢迎的距离函数：\n余弦相似度（Cosine）\n欧氏距离\n（Euclidean）\n曼哈顿距离\n（Manhattan）\n统计知识\n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。\n卡方\n（Chi Squared）\n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。\n置信区间\n（Confidence Intervals）\n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%。\n标准化\n（Standardization）\n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。\n归一化\n（Normalization）\n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。\n偏差-方差权衡方程\n（Bias-Variance Tradeoff Equation）\n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。\n总结\n机器学习是指训练计算机程序，以建立基于数据的统计模型的过程。 机器学习 (ML) 的目标是转换数据，并从数据中识别关键模式或获得关键见解。而数学是机器学习面试中的一大重点。为了练习，我们汇总了机器学习面试问题中的数学相关的函数和问题。这份ML最重要数学的指南会对大家的求职很有帮助。\n原文作者：Stefan Hosein\n翻译作者：Lia\n美工编辑：过儿\n校对审稿：Jiawei Tong\n原文链接：\nhttps:\/\/towardsdatascience.com\/math-you-need-to-succeed-in-ml-interviews-9e717d61f296","attrs_markdown":"Menu\n\n× ![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2016\/10\/IMG_1220.jpg)\n\n[My account](http:\/\/www.dataapplab.com\/my-account\/)\n\n[![机器学习面试，你必须知道这些数学知识 - Data Application Lab](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2016\/10\/DAL_Logo-1.png)](https:\/\/www.dataapplab.com\/ \"机器学习面试，你必须知道这些数学知识 - Data Application Lab\")\n\n[![机器学习面试，你必须知道这些数学知识 - Data Application Lab](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2016\/10\/DAL_Logo-1.png)](https:\/\/www.dataapplab.com\/)\n\n- [Enterprise Service](https:\/\/www.dataapplab.com\/enterprise\/)\n  - - [Machine Learning & AI](https:\/\/www.dataapplab.com\/math-you-need-to-succeed-in-ml-interviews\/)\n    - [FinTech](https:\/\/www.dataapplab.com\/enterprise\/)\n    - [Natural Language Processing](https:\/\/www.dataapplab.com\/enterprise\/)\n    - [Steam Game Recommendation System](https:\/\/www.dataapplab.com\/enterprise\/)\n    - [GIS in Real Estate](https:\/\/www.dataapplab.com\/enterprise\/)\n  - - [Consulting Service](https:\/\/www.dataapplab.com\/consulting\/)\n    - [Business Insights](https:\/\/www.dataapplab.com\/math-you-need-to-succeed-in-ml-interviews\/)\n    - [Big Data Solutions](https:\/\/www.dataapplab.com\/math-you-need-to-succeed-in-ml-interviews\/)\n    - [Enterprise Application](https:\/\/www.dataapplab.com\/math-you-need-to-succeed-in-ml-interviews\/)\n    - [Infrastructure Management](https:\/\/www.dataapplab.com\/math-you-need-to-succeed-in-ml-interviews\/)\n  - - [Big Data Computing](https:\/\/www.dataapplab.com\/math-you-need-to-succeed-in-ml-interviews\/)\n    - [Computing Clusters](https:\/\/www.dataapplab.com\/?page_id=6848)\n    - [Data Warehouse](https:\/\/www.dataapplab.com\/math-you-need-to-succeed-in-ml-interviews\/)\n- [Career Consulting](https:\/\/www.dataapplab.com\/career-consulting\/)\n- [About us](https:\/\/www.dataapplab.com\/about-us\/)\n  - [About us](https:\/\/www.dataapplab.com\/about-us\/)\n  - [Milestone](https:\/\/www.dataapplab.com\/milestone\/)\n  - [Job Oppotunities](https:\/\/www.dataapplab.com\/job-oppotunities\/)\n- [Events](https:\/\/www.dataapplab.com\/event\/)\n- [Global Blog](https:\/\/www.dataapplab.com\/blog\/)\n- [中文课程](https:\/\/www.dataapplab.com\/intl\/)\n  - - [精华课程](https:\/\/www.dataapplab.com\/math-you-need-to-succeed-in-ml-interviews\/)\n    - [数据科学家](https:\/\/www.dataapplab.com\/ds)\n    - [LLM大语言模型开发者](https:\/\/www.dataapplab.com\/course\/llm\/)\n    - [商业分析师](https:\/\/www.dataapplab.com\/ba\/)\n    - [AI人工智能](https:\/\/www.dataapplab.com\/course\/ai\/)\n    - [软件工程师SDE](https:\/\/www.dataapplab.com\/sde)\n    - [Data Scientist 面试冲刺班](https:\/\/study.dataapplab.com\/course?courseid=ds-interview)\n    - [大数据工程师](https:\/\/study.dataapplab.com\/course?courseid=de)\n    - [数据应用学院Learn Center](https:\/\/study.dataapplab.com\/)\n\n# 机器学习面试，你必须知道这些数学知识\n[Home](https:\/\/www.dataapplab.com\/) \\\\ [Blog](https:\/\/www.dataapplab.com\/blog\/) \\\\\n\n![机器学习面试，你必须知道这些数学知识](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E9%9D%A2%E8%AF%95%EF%BC%8C%E4%BD%A0%E5%BF%85%E9%A1%BB%E7%9F%A5%E9%81%93%E8%BF%99%E4%BA%9B%E6%95%B0%E5%AD%A6%E7%9F%A5%E8%AF%86.jpg)\n\n## 机器学习面试，你必须知道这些数学知识\n**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。**\n\n**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。\n\n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：(\n\n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。**\n\n**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。\n\n**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。**如果你想了解更多数据分析相关内容，可以阅读以下这些文章：  \n[Machine Learning知识点：机器学习里的聚类分析技巧](https:\/\/www.dataapplab.com\/an-introduction-to-clustering-techniques\/)  \n[三个月如何搞定机器学习的数学原理？](https:\/\/www.dataapplab.com\/3-months-plan-to-learn-mathematics-for-ml\/)  \n[研究了2000+笔记本，我们总结了最适合机器学习、数据科学和深度学习的电脑](https:\/\/www.dataapplab.com\/towards-artificial-intelligence-best-laptops-for-machine-learning-deep-learning-data-science-ml\/)  \n[评估机器学习算法的指标](https:\/\/www.dataapplab.com\/metrics-to-evaluate-your-machine-learning-algorithm\/)\n\n**损失函数*（Loss Functions）***\n\n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。\n\n**平均绝对误差 (MAE) \/ 均方误差 (MSE)**\n\n这些是用于**回归模型的损失函数**\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E5%B9%B3%E5%9D%87%E7%BB%9D%E5%AF%B9%E8%AF%AF%E5%B7%AE.png)\n\n**对数损失函数*（Log Loss）***\n\n针对二进制输出分类模型的损失函数\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E5%AF%B9%E6%95%B0%E6%8D%9F%E5%A4%B1%E5%87%BD%E6%95%B0%EF%BC%88Log-Loss%EF%BC%89.png)\n\n**交叉熵损失函数*（Cross Entropy Loss）***\n\n**多输出分类模型的损失函数**\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E4%BA%A4%E5%8F%89%E7%86%B5%E6%8D%9F%E5%A4%B1%E5%87%BD%E6%95%B0.png)\n\n**铰链损失函数*（Hinge Loss）***\n\n**针对SVM 的损失函数**\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E9%93%B0%E9%93%BE%E6%8D%9F%E5%A4%B1%E5%87%BD%E6%95%B0.png)\n\n**模型**\n\n**线性回归*（Linear Regression）***\n\n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。\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E7%BA%BF%E6%80%A7%E5%9B%9E%E5%BD%92.png)\n\n**逻辑回归*（Logistic Regression）***\n\n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。\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E9%80%BB%E8%BE%91%E5%9B%9E%E5%BD%92.png)\n\n**支持向量机*（SVMs）***\n\n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。**\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E6%94%AF%E6%8C%81%E5%90%91%E9%87%8F%E6%9C%BA.png)\n\n**神经网络的前向传递*（Forward Pass of Neural Networks）***\n\n**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。\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E7%9A%84%E5%89%8D%E5%90%91%E4%BC%A0%E9%80%92.png)\n\n**贝叶斯定理*（Bayes Theorem）***\n\n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。**\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E8%B4%9D%E5%8F%B6%E6%96%AF%E5%AE%9A%E7%90%86.png)\n\n**L1 和 L2 正则化*（L1 and L2 Regularization）***\n\n**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。**\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/L1-%E5%92%8C-L2-%E6%AD%A3%E5%88%99%E5%8C%96.png)\n\n**决策树*（Decision Tree）***\n\n**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：**\n\n**基尼系数*（Gini Index）***\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E5%9F%BA%E5%B0%BC%E7%B3%BB%E6%95%B0.png)\n\n**熵*（Entropy）***\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E7%86%B5.png)\n\n**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。**\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E5%86%B3%E7%AD%96%E6%A0%91%E7%9A%84%E6%88%90%E6%9C%AC%E5%87%BD%E6%95%B0.png)\n\n**指标**\n\n**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。**\n\n**分类指标*（精确度、召回率、准确度、F1）***\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E5%88%86%E7%B1%BB%E6%8C%87%E6%A0%87.png)\n\n**回归指标*（平均绝对误差、均方误差）***\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E5%9B%9E%E5%BD%92%E6%8C%87%E6%A0%87.png)\n\n**其他一些指标：**\n\n- Normalized discounted cumulative gain*（排名指标）*\n- Intersection over union*（计算机视觉指标）*\n- Dice coefficient*（计算机视觉指标）*\n- BLEU 分数*（NLP 指标）*\n\n**激活函数**\n\n**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。**\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E6%BF%80%E6%B4%BB%E5%87%BD%E6%95%B0.png)\n\n**Softmax函数**\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/Softmax%E5%87%BD%E6%95%B0.png)\n\n**距离函数*（Distance Functions）***\n\n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：**\n\n**余弦相似度（Cosine）**\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E4%BD%99%E5%BC%A6%E7%9B%B8%E4%BC%BC%E5%BA%A6.png)\n\n**欧氏距离*（Euclidean）***\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E6%AC%A7%E6%B0%8F%E8%B7%9D%E7%A6%BB.png)\n\n**曼哈顿距离*（Manhattan）***\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E6%9B%BC%E5%93%88%E9%A1%BF%E8%B7%9D%E7%A6%BB.png)\n\n**统计知识**\n\n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。\n\n**卡方*（Chi Squared）***\n\n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。\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E5%8D%A1%E6%96%B9.png)\n\n**置信区间*（Confidence Intervals）***\n\n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%。\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E5%BE%AE%E4%BF%A1%E6%88%AA%E5%9B%BE_20211029165811.png)\n\n**标准化*（Standardization）***\n\n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。\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E6%A0%87%E5%87%86%E5%8C%96.png)\n\n**归一化*（Normalization）***\n\n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。\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E5%BD%92%E4%B8%80%E5%8C%96.png)\n\n**偏差-方差权衡方程*（Bias-Variance Tradeoff Equation）***\n\n**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。**\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E5%81%8F%E5%B7%AE-%E6%96%B9%E5%B7%AE%E6%9D%83%E8%A1%A1%E6%96%B9%E7%A8%8B.png)\n\n**总结**\n\n机器学习是指训练计算机程序，以建立基于数据的统计模型的过程。 机器学习 (ML) 的目标是转换数据，并从数据中识别关键模式或获得关键见解。而数学是机器学习面试中的一大重点。为了练习，我们汇总了机器学习面试问题中的数学相关的函数和问题。这份ML最重要数学的指南会对大家的求职很有帮助。\n\n原文作者：Stefan Hosein  \n翻译作者：Lia  \n美工编辑：过儿  \n校对审稿：Jiawei Tong  \n原文链接：<https:\/\/towardsdatascience.com\/math-you-need-to-succeed-in-ml-interviews-9e717d61f296>\n\nOctober 28, 2021 \\|  [Blog](https:\/\/www.dataapplab.com\/blog\/) \\| Tags: [机器学习](https:\/\/www.dataapplab.com\/tag\/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0\/)\n\n[Previous 快收藏！2021 Python常用函数都在这里](https:\/\/www.dataapplab.com\/pandas-basics-cheat-sheet-2021-python-for-data-science\/ \"快收藏！2021 Python常用函数都在这里\")\n\n[Next 想转行数据科学，你需要做什么？](https:\/\/www.dataapplab.com\/the-honest-truth-about-making-a-career-switch-into-data-science\/ \"想转行数据科学，你需要做什么？\")\n\n## Latest post\n[![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/11\/%E9%A2%84%E6%B5%8B%E6%80%A7%E5%88%86%E6%9E%90-80x80.png)](https:\/\/www.dataapplab.com\/listen-to-turing-laureates-on-ais-right-development-path\/ \"听一听图灵奖获得者为我们讲解什么是人工智能的正确发展方向\")\n\n##### [听一听图灵奖获得者为我们讲解什么是人工智能的正确发展方向](https:\/\/www.dataapplab.com\/listen-to-turing-laureates-on-ais-right-development-path\/ \"听一听图灵奖获得者为我们讲解什么是人工智能的正确发展方向\")\nApril 1, 2026\n\n[![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2026\/03\/%E7%A8%8B%E5%BA%8F%E5%91%98-80x80.jpg)](https:\/\/www.dataapplab.com\/will-programmers-no-longer-be-needed-in-the-future\/ \"未来是不是不需要程序员了？\")\n\n##### [未来是不是不需要程序员了？](https:\/\/www.dataapplab.com\/will-programmers-no-longer-be-needed-in-the-future\/ \"未来是不是不需要程序员了？\")\nMarch 29, 2026\n\n[![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2022\/05\/Web-3.0%E6%97%B6%E4%BB%A3%E5%88%B0%E6%9D%A5%EF%BC%81%E5%8E%BB%E4%B8%AD%E5%BF%83%E5%8C%96%E6%8A%80%E6%9C%AF%E7%9A%84%E4%BA%92%E8%81%94%E7%BD%91%E5%B0%86%E6%98%AF%E6%80%8E%E6%A0%B7%E4%B8%80%E7%95%AA%E6%99%AF%E8%B1%A1-80x80.jpg)](https:\/\/www.dataapplab.com\/in-depth-analysis-of-the-openclaw-open-source-llm-project\/ \"OpenClaw开源LLM项目深度解析\")\n\n##### [OpenClaw开源LLM项目深度解析](https:\/\/www.dataapplab.com\/in-depth-analysis-of-the-openclaw-open-source-llm-project\/ \"OpenClaw开源LLM项目深度解析\")\nMarch 28, 2026\n## Courses\n## Events\n[![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2026\/03\/100%E5%A4%A9%E6%8E%8C%E6%8F%A1%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B-6-80x80.jpg)](https:\/\/www.dataapplab.com\/event\/lecture-6-100-days-of-llm-mastery\/ \"Lecture 6: 100 Days of LLM Mastery\")\n\n##### [Lecture 6: 100 Days of LLM Mastery](https:\/\/www.dataapplab.com\/event\/lecture-6-100-days-of-llm-mastery\/ \"Lecture 6: 100 Days of LLM Mastery\")\nApril 9, 2026\n\n[![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2026\/04\/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E6%88%90%E4%B8%BA%E5%AE%89%E5%85%A8%E4%BA%8B%E4%BB%B6%E7%9A%84%E6%97%B6%E5%88%BB-80x80.jpg)](https:\/\/www.dataapplab.com\/event\/claude-llm-code-leak-an-ai-security-incident\/ \"Claude LLM Code Leak: An AI Security Incident\")\n\n##### [Claude LLM Code Leak: An AI Security Incident](https:\/\/www.dataapplab.com\/event\/claude-llm-code-leak-an-ai-security-incident\/ \"Claude LLM Code Leak: An AI Security Incident\")\nApril 10, 2026\n\n[![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2026\/03\/100%E5%A4%A9%E6%8E%8C%E6%8F%A1%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B-7-80x80.jpg)](https:\/\/www.dataapplab.com\/event\/lecture-7100-days-of-llm-mastery\/ \"Lecture 7: 100 Days of LLM Mastery\")\n\n##### [Lecture 7: 100 Days of LLM Mastery](https:\/\/www.dataapplab.com\/event\/lecture-7100-days-of-llm-mastery\/ \"Lecture 7: 100 Days of LLM Mastery\")\nApril 16, 2026\n\n## Consulting\n- [Business Insights](https:\/\/www.dataapplab.com\/math-you-need-to-succeed-in-ml-interviews\/)\n- [Big Data Solution](https:\/\/www.dataapplab.com\/math-you-need-to-succeed-in-ml-interviews\/)\n- [Enterprise Application](https:\/\/www.dataapplab.com\/math-you-need-to-succeed-in-ml-interviews\/)\n- [Infrastructure Management](https:\/\/www.dataapplab.com\/math-you-need-to-succeed-in-ml-interviews\/)\n\n## ABOUT US\n- [About us](https:\/\/www.dataapplab.com\/about-us\/)\n- [Milestone](https:\/\/www.dataapplab.com\/milestone\/)\n- [Terms and Conditions](https:\/\/www.dataapplab.com\/terms-of-use\/)\n- [User Agreement](https:\/\/www.dataapplab.com\/terms-use-agreement\/)\n- [Privacy Policy](https:\/\/www.dataapplab.com\/privacy-policy\/)\n\n## Contact Info:\nEmail: info@dataapplab.com Telephone: +1(909)768-3666 Human Resource: hr@dataapplab.com\n\n[TOP](https:\/\/www.dataapplab.com\/math-you-need-to-succeed-in-ml-interviews\/#top)\n\n© Copyright © 2019 Data Application Lab\n\n- [Enterprise Service](https:\/\/www.dataapplab.com\/enterprise\/)\n  - [Machine Learning & AI](https:\/\/www.dataapplab.com\/math-you-need-to-succeed-in-ml-interviews\/)\n  - [FinTech](https:\/\/www.dataapplab.com\/enterprise\/)\n  - [Natural Language Processing](https:\/\/www.dataapplab.com\/enterprise\/)\n  - [Steam Game Recommendation System](https:\/\/www.dataapplab.com\/enterprise\/)\n  - [GIS in Real Estate](https:\/\/www.dataapplab.com\/enterprise\/)\n  - [Consulting Service](https:\/\/www.dataapplab.com\/consulting\/)\n  - [Business Insights](https:\/\/www.dataapplab.com\/math-you-need-to-succeed-in-ml-interviews\/)\n  - [Big Data Solutions](https:\/\/www.dataapplab.com\/math-you-need-to-succeed-in-ml-interviews\/)\n  - [Enterprise Application](https:\/\/www.dataapplab.com\/math-you-need-to-succeed-in-ml-interviews\/)\n  - [Infrastructure Management](https:\/\/www.dataapplab.com\/math-you-need-to-succeed-in-ml-interviews\/)\n  - [Big Data Computing](https:\/\/www.dataapplab.com\/math-you-need-to-succeed-in-ml-interviews\/)\n  - [Computing Clusters](https:\/\/www.dataapplab.com\/?page_id=6848)\n  - [Data Warehouse](https:\/\/www.dataapplab.com\/math-you-need-to-succeed-in-ml-interviews\/)\n- [Career Consulting](https:\/\/www.dataapplab.com\/career-consulting\/)\n- [About us](https:\/\/www.dataapplab.com\/about-us\/)\n  - [About us](https:\/\/www.dataapplab.com\/about-us\/)\n  - [Milestone](https:\/\/www.dataapplab.com\/milestone\/)\n  - [Job Oppotunities](https:\/\/www.dataapplab.com\/job-oppotunities\/)\n- [Events](https:\/\/www.dataapplab.com\/event\/)\n- [Global Blog](https:\/\/www.dataapplab.com\/blog\/)\n- [中文课程](https:\/\/www.dataapplab.com\/intl\/)\n  - [精华课程](https:\/\/www.dataapplab.com\/math-you-need-to-succeed-in-ml-interviews\/)\n  - [数据科学家](https:\/\/www.dataapplab.com\/ds)\n  - [LLM大语言模型开发者](https:\/\/www.dataapplab.com\/course\/llm\/)\n  - [商业分析师](https:\/\/www.dataapplab.com\/ba\/)\n  - [AI人工智能](https:\/\/www.dataapplab.com\/course\/ai\/)\n  - [软件工程师SDE](https:\/\/www.dataapplab.com\/sde)\n  - [Data Scientist 面试冲刺班](https:\/\/study.dataapplab.com\/course?courseid=ds-interview)\n  - [大数据工程师](https:\/\/study.dataapplab.com\/course?courseid=de)\n  - [数据应用学院Learn Center](https:\/\/study.dataapplab.com\/)","attrs_readable_markdown":"**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。**\n\n**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。\n\n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：(\n\n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。**\n\n**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。\n\n**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。**如果你想了解更多数据分析相关内容，可以阅读以下这些文章：  \n[Machine Learning知识点：机器学习里的聚类分析技巧](https:\/\/www.dataapplab.com\/an-introduction-to-clustering-techniques\/)  \n[三个月如何搞定机器学习的数学原理？](https:\/\/www.dataapplab.com\/3-months-plan-to-learn-mathematics-for-ml\/)  \n[研究了2000+笔记本，我们总结了最适合机器学习、数据科学和深度学习的电脑](https:\/\/www.dataapplab.com\/towards-artificial-intelligence-best-laptops-for-machine-learning-deep-learning-data-science-ml\/)  \n[评估机器学习算法的指标](https:\/\/www.dataapplab.com\/metrics-to-evaluate-your-machine-learning-algorithm\/)\n\n**损失函数*（Loss Functions）***\n\n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。\n\n**平均绝对误差 (MAE) \/ 均方误差 (MSE)**\n\n这些是用于**回归模型的损失函数**\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E5%B9%B3%E5%9D%87%E7%BB%9D%E5%AF%B9%E8%AF%AF%E5%B7%AE.png)\n\n**对数损失函数*（Log Loss）***\n\n针对二进制输出分类模型的损失函数\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E5%AF%B9%E6%95%B0%E6%8D%9F%E5%A4%B1%E5%87%BD%E6%95%B0%EF%BC%88Log-Loss%EF%BC%89.png)\n\n**交叉熵损失函数*（Cross Entropy Loss）***\n\n**多输出分类模型的损失函数**\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E4%BA%A4%E5%8F%89%E7%86%B5%E6%8D%9F%E5%A4%B1%E5%87%BD%E6%95%B0.png)\n\n**铰链损失函数*（Hinge Loss）***\n\n**针对SVM 的损失函数**\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E9%93%B0%E9%93%BE%E6%8D%9F%E5%A4%B1%E5%87%BD%E6%95%B0.png)\n\n**模型**\n\n**线性回归*（Linear Regression）***\n\n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。\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E7%BA%BF%E6%80%A7%E5%9B%9E%E5%BD%92.png)\n\n**逻辑回归*（Logistic Regression）***\n\n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。\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E9%80%BB%E8%BE%91%E5%9B%9E%E5%BD%92.png)\n\n**支持向量机*（SVMs）***\n\n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。**\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E6%94%AF%E6%8C%81%E5%90%91%E9%87%8F%E6%9C%BA.png)\n\n**神经网络的前向传递*（Forward Pass of Neural Networks）***\n\n**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。\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E7%9A%84%E5%89%8D%E5%90%91%E4%BC%A0%E9%80%92.png)\n\n**贝叶斯定理*（Bayes Theorem）***\n\n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。**\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E8%B4%9D%E5%8F%B6%E6%96%AF%E5%AE%9A%E7%90%86.png)\n\n**L1 和 L2 正则化*（L1 and L2 Regularization）***\n\n**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。**\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/L1-%E5%92%8C-L2-%E6%AD%A3%E5%88%99%E5%8C%96.png)\n\n**决策树*（Decision Tree）***\n\n**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：**\n\n**基尼系数*（Gini Index）***\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E5%9F%BA%E5%B0%BC%E7%B3%BB%E6%95%B0.png)\n\n**熵*（Entropy）***\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E7%86%B5.png)\n\n**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。**\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E5%86%B3%E7%AD%96%E6%A0%91%E7%9A%84%E6%88%90%E6%9C%AC%E5%87%BD%E6%95%B0.png)\n\n**指标**\n\n**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。**\n\n**分类指标*（精确度、召回率、准确度、F1）***\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E5%88%86%E7%B1%BB%E6%8C%87%E6%A0%87.png)\n\n**回归指标*（平均绝对误差、均方误差）***\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E5%9B%9E%E5%BD%92%E6%8C%87%E6%A0%87.png)\n\n**其他一些指标：**\n\n- Normalized discounted cumulative gain*（排名指标）*\n- Intersection over union*（计算机视觉指标）*\n- Dice coefficient*（计算机视觉指标）*\n- BLEU 分数*（NLP 指标）*\n\n**激活函数**\n\n**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。**\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E6%BF%80%E6%B4%BB%E5%87%BD%E6%95%B0.png)\n\n**Softmax函数**\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/Softmax%E5%87%BD%E6%95%B0.png)\n\n**距离函数*（Distance Functions）***\n\n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：**\n\n**余弦相似度（Cosine）**\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E4%BD%99%E5%BC%A6%E7%9B%B8%E4%BC%BC%E5%BA%A6.png)\n\n**欧氏距离*（Euclidean）***\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E6%AC%A7%E6%B0%8F%E8%B7%9D%E7%A6%BB.png)\n\n**曼哈顿距离*（Manhattan）***\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E6%9B%BC%E5%93%88%E9%A1%BF%E8%B7%9D%E7%A6%BB.png)\n\n**统计知识**\n\n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。\n\n**卡方*（Chi Squared）***\n\n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。\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E5%8D%A1%E6%96%B9.png)\n\n**置信区间*（Confidence Intervals）***\n\n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%。\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E5%BE%AE%E4%BF%A1%E6%88%AA%E5%9B%BE_20211029165811.png)\n\n**标准化*（Standardization）***\n\n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。\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E6%A0%87%E5%87%86%E5%8C%96.png)\n\n**归一化*（Normalization）***\n\n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。\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E5%BD%92%E4%B8%80%E5%8C%96.png)\n\n**偏差-方差权衡方程*（Bias-Variance Tradeoff Equation）***\n\n**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。**\n\n![](https:\/\/www.dataapplab.com\/wp-content\/uploads\/2021\/10\/%E5%81%8F%E5%B7%AE-%E6%96%B9%E5%B7%AE%E6%9D%83%E8%A1%A1%E6%96%B9%E7%A8%8B.png)\n\n**总结**\n\n机器学习是指训练计算机程序，以建立基于数据的统计模型的过程。 机器学习 (ML) 的目标是转换数据，并从数据中识别关键模式或获得关键见解。而数学是机器学习面试中的一大重点。为了练习，我们汇总了机器学习面试问题中的数学相关的函数和问题。这份ML最重要数学的指南会对大家的求职很有帮助。\n\n原文作者：Stefan Hosein  \n翻译作者：Lia  \n美工编辑：过儿  \n校对审稿：Jiawei Tong  \n原文链接：<https:\/\/towardsdatascience.com\/math-you-need-to-succeed-in-ml-interviews-9e717d61f296>","meta_canonical":null}

3. Robots.txt Check

Query:

Response:

4. Spam/Ban Check

Query:

Response:

5. Seen Status Check

ℹ️ Skipped - page is already crawled

📄

INDEXABLE

✅

CRAWLED

1 day ago

🤖

ROBOTS ALLOWED

Page Info Filters

Filter	Status	Condition	Details
HTTP status	PASS	`download_http_code = 200`	HTTP 200
Age cutoff	PASS	`download_stamp > now() - 6 MONTH`	0 months ago
History drop	PASS	`isNull(history_drop_reason)`	No drop reason
Spam/ban	PASS	`fh_dont_index != 1 AND ml_spam_score = 0`	ml_spam_score=0
Canonical	PASS	`meta_canonical IS NULL OR = '' OR = src_unparsed`	Not set

Page Details

Property	Value
URL	https://www.dataapplab.com/math-you-need-to-succeed-in-ml-interviews/
Last Crawled	2026-04-07 12:42:58 (1 day ago)
First Indexed	2021-10-29 09:12:38 (4 years ago)
HTTP Status Code	200
Meta Title	机器学习面试，你必须知道这些数学知识 - Data Application Lab
Meta Description	机器学习是指训练计算机程序，以建立基于数据的统计模型的过程。机器学习 (ML) 的目标是转换数据，并从数据中识别关键模式或获得关键见解。而数学是机器学习面试中的一大重点。为了练习，我们汇总了机器学习面试问题中的数学相关的函数和问题。这份ML最重要数学的指南会对大家的求职很有帮助。
Meta Canonical	null
Boilerpipe Text	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：( 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。如果你想了解更多数据分析相关内容，可以阅读以下这些文章： Machine Learning知识点：机器学习里的聚类分析技巧三个月如何搞定机器学习的数学原理？研究了2000+笔记本，我们总结了最适合机器学习、数据科学和深度学习的电脑评估机器学习算法的指标损失函数（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。总结机器学习是指训练计算机程序，以建立基于数据的统计模型的过程。机器学习 (ML) 的目标是转换数据，并从数据中识别关键模式或获得关键见解。而数学是机器学习面试中的一大重点。为了练习，我们汇总了机器学习面试问题中的数学相关的函数和问题。这份ML最重要数学的指南会对大家的求职很有帮助。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
Markdown	Menu × ![](https://www.dataapplab.com/wp-content/uploads/2016/10/IMG_1220.jpg) [My account](http://www.dataapplab.com/my-account/) [![机器学习面试，你必须知道这些数学知识 - Data Application Lab](https://www.dataapplab.com/wp-content/uploads/2016/10/DAL_Logo-1.png)](https://www.dataapplab.com/ "机器学习面试，你必须知道这些数学知识 - Data Application Lab") [![机器学习面试，你必须知道这些数学知识 - Data Application Lab](https://www.dataapplab.com/wp-content/uploads/2016/10/DAL_Logo-1.png)](https://www.dataapplab.com/) - [Enterprise Service](https://www.dataapplab.com/enterprise/) - - [Machine Learning & AI](https://www.dataapplab.com/math-you-need-to-succeed-in-ml-interviews/) - [FinTech](https://www.dataapplab.com/enterprise/) - [Natural Language Processing](https://www.dataapplab.com/enterprise/) - [Steam Game Recommendation System](https://www.dataapplab.com/enterprise/) - [GIS in Real Estate](https://www.dataapplab.com/enterprise/) - - [Consulting Service](https://www.dataapplab.com/consulting/) - [Business Insights](https://www.dataapplab.com/math-you-need-to-succeed-in-ml-interviews/) - [Big Data Solutions](https://www.dataapplab.com/math-you-need-to-succeed-in-ml-interviews/) - [Enterprise Application](https://www.dataapplab.com/math-you-need-to-succeed-in-ml-interviews/) - [Infrastructure Management](https://www.dataapplab.com/math-you-need-to-succeed-in-ml-interviews/) - - [Big Data Computing](https://www.dataapplab.com/math-you-need-to-succeed-in-ml-interviews/) - [Computing Clusters](https://www.dataapplab.com/?page_id=6848) - [Data Warehouse](https://www.dataapplab.com/math-you-need-to-succeed-in-ml-interviews/) - [Career Consulting](https://www.dataapplab.com/career-consulting/) - [About us](https://www.dataapplab.com/about-us/) - [About us](https://www.dataapplab.com/about-us/) - [Milestone](https://www.dataapplab.com/milestone/) - [Job Oppotunities](https://www.dataapplab.com/job-oppotunities/) - [Events](https://www.dataapplab.com/event/) - [Global Blog](https://www.dataapplab.com/blog/) - [中文课程](https://www.dataapplab.com/intl/) - - [精华课程](https://www.dataapplab.com/math-you-need-to-succeed-in-ml-interviews/) - [数据科学家](https://www.dataapplab.com/ds) - [LLM大语言模型开发者](https://www.dataapplab.com/course/llm/) - [商业分析师](https://www.dataapplab.com/ba/) - [AI人工智能](https://www.dataapplab.com/course/ai/) - [软件工程师SDE](https://www.dataapplab.com/sde) - [Data Scientist 面试冲刺班](https://study.dataapplab.com/course?courseid=ds-interview) - [大数据工程师](https://study.dataapplab.com/course?courseid=de) - [数据应用学院Learn Center](https://study.dataapplab.com/) # 机器学习面试，你必须知道这些数学知识 [Home](https://www.dataapplab.com/) \\ [Blog](https://www.dataapplab.com/blog/) \\ ![机器学习面试，你必须知道这些数学知识](https://www.dataapplab.com/wp-content/uploads/2021/10/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E9%9D%A2%E8%AF%95%EF%BC%8C%E4%BD%A0%E5%BF%85%E9%A1%BB%E7%9F%A5%E9%81%93%E8%BF%99%E4%BA%9B%E6%95%B0%E5%AD%A6%E7%9F%A5%E8%AF%86.jpg) ## 机器学习面试，你必须知道这些数学知识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：( 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。如果你想了解更多数据分析相关内容，可以阅读以下这些文章： [Machine Learning知识点：机器学习里的聚类分析技巧](https://www.dataapplab.com/an-introduction-to-clustering-techniques/) [三个月如何搞定机器学习的数学原理？](https://www.dataapplab.com/3-months-plan-to-learn-mathematics-for-ml/) [研究了2000+笔记本，我们总结了最适合机器学习、数据科学和深度学习的电脑](https://www.dataapplab.com/towards-artificial-intelligence-best-laptops-for-machine-learning-deep-learning-data-science-ml/) [评估机器学习算法的指标](https://www.dataapplab.com/metrics-to-evaluate-your-machine-learning-algorithm/) *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 ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E5%B9%B3%E5%9D%87%E7%BB%9D%E5%AF%B9%E8%AF%AF%E5%B7%AE.png) 对数损失函数（Log Loss）针对二进制输出分类模型的损失函数 ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E5%AF%B9%E6%95%B0%E6%8D%9F%E5%A4%B1%E5%87%BD%E6%95%B0%EF%BC%88Log-Loss%EF%BC%89.png) 交叉熵损失函数（Cross Entropy Loss）多输出分类模型的损失函数 ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E4%BA%A4%E5%8F%89%E7%86%B5%E6%8D%9F%E5%A4%B1%E5%87%BD%E6%95%B0.png) 铰链损失函数（Hinge Loss）针对SVM 的损失函数 ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E9%93%B0%E9%93%BE%E6%8D%9F%E5%A4%B1%E5%87%BD%E6%95%B0.png) 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。 ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E7%BA%BF%E6%80%A7%E5%9B%9E%E5%BD%92.png) 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。 ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E9%80%BB%E8%BE%91%E5%9B%9E%E5%BD%92.png) 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。 ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E6%94%AF%E6%8C%81%E5%90%91%E9%87%8F%E6%9C%BA.png) *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。 ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E7%9A%84%E5%89%8D%E5%90%91%E4%BC%A0%E9%80%92.png) 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。 ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E8%B4%9D%E5%8F%B6%E6%96%AF%E5%AE%9A%E7%90%86.png) 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。 ![](https://www.dataapplab.com/wp-content/uploads/2021/10/L1-%E5%92%8C-L2-%E6%AD%A3%E5%88%99%E5%8C%96.png) 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） ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E5%9F%BA%E5%B0%BC%E7%B3%BB%E6%95%B0.png) 熵（Entropy） ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E7%86%B5.png) 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。 ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E5%86%B3%E7%AD%96%E6%A0%91%E7%9A%84%E6%88%90%E6%9C%AC%E5%87%BD%E6%95%B0.png) 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） ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E5%88%86%E7%B1%BB%E6%8C%87%E6%A0%87.png) 回归指标（平均绝对误差、均方误差） ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E5%9B%9E%E5%BD%92%E6%8C%87%E6%A0%87.png) 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。 ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E6%BF%80%E6%B4%BB%E5%87%BD%E6%95%B0.png) Softmax函数 ![](https://www.dataapplab.com/wp-content/uploads/2021/10/Softmax%E5%87%BD%E6%95%B0.png) *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） ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E4%BD%99%E5%BC%A6%E7%9B%B8%E4%BC%BC%E5%BA%A6.png) 欧氏距离（Euclidean） ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E6%AC%A7%E6%B0%8F%E8%B7%9D%E7%A6%BB.png) 曼哈顿距离（Manhattan） ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E6%9B%BC%E5%93%88%E9%A1%BF%E8%B7%9D%E7%A6%BB.png) 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。 ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E5%8D%A1%E6%96%B9.png) 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%。 ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E5%BE%AE%E4%BF%A1%E6%88%AA%E5%9B%BE_20211029165811.png) 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。 ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E6%A0%87%E5%87%86%E5%8C%96.png) 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。 ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E5%BD%92%E4%B8%80%E5%8C%96.png) 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。 ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E5%81%8F%E5%B7%AE-%E6%96%B9%E5%B7%AE%E6%9D%83%E8%A1%A1%E6%96%B9%E7%A8%8B.png) 总结** 机器学习是指训练计算机程序，以建立基于数据的统计模型的过程。机器学习 (ML) 的目标是转换数据，并从数据中识别关键模式或获得关键见解。而数学是机器学习面试中的一大重点。为了练习，我们汇总了机器学习面试问题中的数学相关的函数和问题。这份ML最重要数学的指南会对大家的求职很有帮助。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> October 28, 2021 \\| [Blog](https://www.dataapplab.com/blog/) \\| Tags: [机器学习](https://www.dataapplab.com/tag/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0/) [Previous 快收藏！2021 Python常用函数都在这里](https://www.dataapplab.com/pandas-basics-cheat-sheet-2021-python-for-data-science/ "快收藏！2021 Python常用函数都在这里") [Next 想转行数据科学，你需要做什么？](https://www.dataapplab.com/the-honest-truth-about-making-a-career-switch-into-data-science/ "想转行数据科学，你需要做什么？") ## Latest post [![](https://www.dataapplab.com/wp-content/uploads/2021/11/%E9%A2%84%E6%B5%8B%E6%80%A7%E5%88%86%E6%9E%90-80x80.png)](https://www.dataapplab.com/listen-to-turing-laureates-on-ais-right-development-path/ "听一听图灵奖获得者为我们讲解什么是人工智能的正确发展方向") ##### [听一听图灵奖获得者为我们讲解什么是人工智能的正确发展方向](https://www.dataapplab.com/listen-to-turing-laureates-on-ais-right-development-path/ "听一听图灵奖获得者为我们讲解什么是人工智能的正确发展方向") April 1, 2026 [![](https://www.dataapplab.com/wp-content/uploads/2026/03/%E7%A8%8B%E5%BA%8F%E5%91%98-80x80.jpg)](https://www.dataapplab.com/will-programmers-no-longer-be-needed-in-the-future/ "未来是不是不需要程序员了？") ##### [未来是不是不需要程序员了？](https://www.dataapplab.com/will-programmers-no-longer-be-needed-in-the-future/ "未来是不是不需要程序员了？") March 29, 2026 [![](https://www.dataapplab.com/wp-content/uploads/2022/05/Web-3.0%E6%97%B6%E4%BB%A3%E5%88%B0%E6%9D%A5%EF%BC%81%E5%8E%BB%E4%B8%AD%E5%BF%83%E5%8C%96%E6%8A%80%E6%9C%AF%E7%9A%84%E4%BA%92%E8%81%94%E7%BD%91%E5%B0%86%E6%98%AF%E6%80%8E%E6%A0%B7%E4%B8%80%E7%95%AA%E6%99%AF%E8%B1%A1-80x80.jpg)](https://www.dataapplab.com/in-depth-analysis-of-the-openclaw-open-source-llm-project/ "OpenClaw开源LLM项目深度解析") ##### [OpenClaw开源LLM项目深度解析](https://www.dataapplab.com/in-depth-analysis-of-the-openclaw-open-source-llm-project/ "OpenClaw开源LLM项目深度解析") March 28, 2026 ## Courses ## Events [![](https://www.dataapplab.com/wp-content/uploads/2026/03/100%E5%A4%A9%E6%8E%8C%E6%8F%A1%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B-6-80x80.jpg)](https://www.dataapplab.com/event/lecture-6-100-days-of-llm-mastery/ "Lecture 6: 100 Days of LLM Mastery") ##### [Lecture 6: 100 Days of LLM Mastery](https://www.dataapplab.com/event/lecture-6-100-days-of-llm-mastery/ "Lecture 6: 100 Days of LLM Mastery") April 9, 2026 [![](https://www.dataapplab.com/wp-content/uploads/2026/04/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E6%88%90%E4%B8%BA%E5%AE%89%E5%85%A8%E4%BA%8B%E4%BB%B6%E7%9A%84%E6%97%B6%E5%88%BB-80x80.jpg)](https://www.dataapplab.com/event/claude-llm-code-leak-an-ai-security-incident/ "Claude LLM Code Leak: An AI Security Incident") ##### [Claude LLM Code Leak: An AI Security Incident](https://www.dataapplab.com/event/claude-llm-code-leak-an-ai-security-incident/ "Claude LLM Code Leak: An AI Security Incident") April 10, 2026 [![](https://www.dataapplab.com/wp-content/uploads/2026/03/100%E5%A4%A9%E6%8E%8C%E6%8F%A1%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B-7-80x80.jpg)](https://www.dataapplab.com/event/lecture-7100-days-of-llm-mastery/ "Lecture 7: 100 Days of LLM Mastery") ##### [Lecture 7: 100 Days of LLM Mastery](https://www.dataapplab.com/event/lecture-7100-days-of-llm-mastery/ "Lecture 7: 100 Days of LLM Mastery") April 16, 2026 ## Consulting - [Business Insights](https://www.dataapplab.com/math-you-need-to-succeed-in-ml-interviews/) - [Big Data Solution](https://www.dataapplab.com/math-you-need-to-succeed-in-ml-interviews/) - [Enterprise Application](https://www.dataapplab.com/math-you-need-to-succeed-in-ml-interviews/) - [Infrastructure Management](https://www.dataapplab.com/math-you-need-to-succeed-in-ml-interviews/) ## ABOUT US - [About us](https://www.dataapplab.com/about-us/) - [Milestone](https://www.dataapplab.com/milestone/) - [Terms and Conditions](https://www.dataapplab.com/terms-of-use/) - [User Agreement](https://www.dataapplab.com/terms-use-agreement/) - [Privacy Policy](https://www.dataapplab.com/privacy-policy/) ## Contact Info: Email: info@dataapplab.com Telephone: +1(909)768-3666 Human Resource: hr@dataapplab.com [TOP](https://www.dataapplab.com/math-you-need-to-succeed-in-ml-interviews/#top) © Copyright © 2019 Data Application Lab - [Enterprise Service](https://www.dataapplab.com/enterprise/) - [Machine Learning & AI](https://www.dataapplab.com/math-you-need-to-succeed-in-ml-interviews/) - [FinTech](https://www.dataapplab.com/enterprise/) - [Natural Language Processing](https://www.dataapplab.com/enterprise/) - [Steam Game Recommendation System](https://www.dataapplab.com/enterprise/) - [GIS in Real Estate](https://www.dataapplab.com/enterprise/) - [Consulting Service](https://www.dataapplab.com/consulting/) - [Business Insights](https://www.dataapplab.com/math-you-need-to-succeed-in-ml-interviews/) - [Big Data Solutions](https://www.dataapplab.com/math-you-need-to-succeed-in-ml-interviews/) - [Enterprise Application](https://www.dataapplab.com/math-you-need-to-succeed-in-ml-interviews/) - [Infrastructure Management](https://www.dataapplab.com/math-you-need-to-succeed-in-ml-interviews/) - [Big Data Computing](https://www.dataapplab.com/math-you-need-to-succeed-in-ml-interviews/) - [Computing Clusters](https://www.dataapplab.com/?page_id=6848) - [Data Warehouse](https://www.dataapplab.com/math-you-need-to-succeed-in-ml-interviews/) - [Career Consulting](https://www.dataapplab.com/career-consulting/) - [About us](https://www.dataapplab.com/about-us/) - [About us](https://www.dataapplab.com/about-us/) - [Milestone](https://www.dataapplab.com/milestone/) - [Job Oppotunities](https://www.dataapplab.com/job-oppotunities/) - [Events](https://www.dataapplab.com/event/) - [Global Blog](https://www.dataapplab.com/blog/) - [中文课程](https://www.dataapplab.com/intl/) - [精华课程](https://www.dataapplab.com/math-you-need-to-succeed-in-ml-interviews/) - [数据科学家](https://www.dataapplab.com/ds) - [LLM大语言模型开发者](https://www.dataapplab.com/course/llm/) - [商业分析师](https://www.dataapplab.com/ba/) - [AI人工智能](https://www.dataapplab.com/course/ai/) - [软件工程师SDE](https://www.dataapplab.com/sde) - [Data Scientist 面试冲刺班](https://study.dataapplab.com/course?courseid=ds-interview) - [大数据工程师](https://study.dataapplab.com/course?courseid=de) - [数据应用学院Learn Center](https://study.dataapplab.com/)
Readable Markdown	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：( 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。如果你想了解更多数据分析相关内容，可以阅读以下这些文章： [Machine Learning知识点：机器学习里的聚类分析技巧](https://www.dataapplab.com/an-introduction-to-clustering-techniques/) [三个月如何搞定机器学习的数学原理？](https://www.dataapplab.com/3-months-plan-to-learn-mathematics-for-ml/) [研究了2000+笔记本，我们总结了最适合机器学习、数据科学和深度学习的电脑](https://www.dataapplab.com/towards-artificial-intelligence-best-laptops-for-machine-learning-deep-learning-data-science-ml/) [评估机器学习算法的指标](https://www.dataapplab.com/metrics-to-evaluate-your-machine-learning-algorithm/) *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 ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E5%B9%B3%E5%9D%87%E7%BB%9D%E5%AF%B9%E8%AF%AF%E5%B7%AE.png) 对数损失函数（Log Loss）针对二进制输出分类模型的损失函数 ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E5%AF%B9%E6%95%B0%E6%8D%9F%E5%A4%B1%E5%87%BD%E6%95%B0%EF%BC%88Log-Loss%EF%BC%89.png) 交叉熵损失函数（Cross Entropy Loss）多输出分类模型的损失函数 ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E4%BA%A4%E5%8F%89%E7%86%B5%E6%8D%9F%E5%A4%B1%E5%87%BD%E6%95%B0.png) 铰链损失函数（Hinge Loss）针对SVM 的损失函数 ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E9%93%B0%E9%93%BE%E6%8D%9F%E5%A4%B1%E5%87%BD%E6%95%B0.png) 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。 ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E7%BA%BF%E6%80%A7%E5%9B%9E%E5%BD%92.png) 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。 ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E9%80%BB%E8%BE%91%E5%9B%9E%E5%BD%92.png) 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。 ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E6%94%AF%E6%8C%81%E5%90%91%E9%87%8F%E6%9C%BA.png) *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。 ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E7%9A%84%E5%89%8D%E5%90%91%E4%BC%A0%E9%80%92.png) 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。 ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E8%B4%9D%E5%8F%B6%E6%96%AF%E5%AE%9A%E7%90%86.png) 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。 ![](https://www.dataapplab.com/wp-content/uploads/2021/10/L1-%E5%92%8C-L2-%E6%AD%A3%E5%88%99%E5%8C%96.png) 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） ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E5%9F%BA%E5%B0%BC%E7%B3%BB%E6%95%B0.png) 熵（Entropy） ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E7%86%B5.png) 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。 ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E5%86%B3%E7%AD%96%E6%A0%91%E7%9A%84%E6%88%90%E6%9C%AC%E5%87%BD%E6%95%B0.png) 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） ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E5%88%86%E7%B1%BB%E6%8C%87%E6%A0%87.png) 回归指标（平均绝对误差、均方误差） ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E5%9B%9E%E5%BD%92%E6%8C%87%E6%A0%87.png) 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。 ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E6%BF%80%E6%B4%BB%E5%87%BD%E6%95%B0.png) Softmax函数 ![](https://www.dataapplab.com/wp-content/uploads/2021/10/Softmax%E5%87%BD%E6%95%B0.png) *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） ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E4%BD%99%E5%BC%A6%E7%9B%B8%E4%BC%BC%E5%BA%A6.png) 欧氏距离（Euclidean） ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E6%AC%A7%E6%B0%8F%E8%B7%9D%E7%A6%BB.png) 曼哈顿距离（Manhattan） ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E6%9B%BC%E5%93%88%E9%A1%BF%E8%B7%9D%E7%A6%BB.png) 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。 ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E5%8D%A1%E6%96%B9.png) 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%。 ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E5%BE%AE%E4%BF%A1%E6%88%AA%E5%9B%BE_20211029165811.png) 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。 ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E6%A0%87%E5%87%86%E5%8C%96.png) 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。 ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E5%BD%92%E4%B8%80%E5%8C%96.png) 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。 ![](https://www.dataapplab.com/wp-content/uploads/2021/10/%E5%81%8F%E5%B7%AE-%E6%96%B9%E5%B7%AE%E6%9D%83%E8%A1%A1%E6%96%B9%E7%A8%8B.png) 总结** 机器学习是指训练计算机程序，以建立基于数据的统计模型的过程。机器学习 (ML) 的目标是转换数据，并从数据中识别关键模式或获得关键见解。而数学是机器学习面试中的一大重点。为了练习，我们汇总了机器学习面试问题中的数学相关的函数和问题。这份ML最重要数学的指南会对大家的求职很有帮助。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>
Shard	99 (laksa)
Root Hash	3498991255532658299
Unparsed URL	com,dataapplab!www,/math-you-need-to-succeed-in-ml-interviews/ s443