采访.ai

《深度学习面试》一书：数百个完全解决的求职面试问题，涉及人工智能领域的广泛关键主题。

下载 PDF • 关于 • 勘误表 •

个人说明：

“不断学习，否则就有变得无关紧要的风险。”

在第一卷中，我特意呈现了数据科学领域连贯、累积和特定内容的核心课程，包括信息论、贝叶斯统计、算法微分、逻辑回归、感知器和卷积神经网络等主题。我希望你会发现这本书很刺激。

我相信，本书主要针对的研究生和求职者将会从阅读本书中受益；然而，我希望即使是最有经验的研究人员也会发现它很有趣。

恳请同学们和其他读者提出指正、批评和建议。尽管我在多年的写作和修改本文的过程中试图消除错误，但毫无疑问仍然存在一些错误。特别是，一些排版错误无疑会出现在最终版本中。我希望你能原谅他们。

联系阿米尔：

• https://www.linkedin.com/in/amirivry/

• https://scholar.google.com.mx/itations?user=rQCVwksAAAAJ&hl=iw

联系什洛莫：

• https://www.linkedin.com/in/quantscientist/

• https://scholar.google.com.mx/itations?user=bM0LGgcAAAAJ&hl

本书可通过亚马逊和其他标准分销渠道购买。请访问出版商的网页订购该书或获取有关其出版的更多详细信息。该书的手稿如下：仅供个人使用，不得出售。

• https://amazon.com/author/quantscientist

---

下载

PDF 文件可在此处获取：

https://arxiv.org/abs/2201.00650

引文

@misc{kashani2021deep,
      title={Deep Learning Interviews: Hundreds of fully solved job interview questions from a wide range of key topics in AI}, 
      author={Shlomo Kashani and Amir Ivry},
      year={2021},
      eprint={2201.00650},
      note = {ISBN 13: 978-1-9162435-4-5 }, 
      url = {https://www.interviews.ai}, 
      archivePrefix={arXiv},
      primaryClass={cs.LG}
}

严格禁止销售或商业用途。该电子资源的用户权利在下面的许可协议中指定。您只能将本电子资源用于私人学习目的。严禁出售/转售其内容。

这本书（www.interviews.ai）是为你而写的：一位有抱负的、具有定量背景的数据科学家，在竞争日益激烈的领域面临面试过程的挑战。对于大多数人来说，面试过程是您与梦想工作之间最大的障碍。即使您有能力、背景和动力在目标职位上取得优异成绩，您可能仍需要一些关于如何踏入该职位的指导。

关于

《深度学习访谈》第二版（亚马逊平装版以黑白印刷）包含数百个已完全解决的问题，涉及人工智能领域的广泛关键主题。它旨在排练面试或考试特定主题，并提供机器学习硕士/博士学位。学生和等待面试的人对该领域有条理的概述。它提出的问题足够棘手，足以让你初步解决并显着提高你的技能，但它们都包含在发人深省的问题和引人入胜的故事中。

这就是本书对学生和求职者特别有价值的原因：它使他们能够自信、快速地谈论任何相关主题，清晰、正确地回答技术问题，并充分理解面试问题的目的和含义。和答案。当走进面试室时，这些都是强大且不可或缺的优势。

本书的内容包含大量与 DL 工作面试和研究生水平考试相关的主题。这使得这项工作处于科学发展趋势的前沿，教授一套核心的实用数学和计算技能。人们普遍认为，每个计算机科学家的培训都必须包括机器学习的基本定理，而人工智能几乎出现在每所大学的课程中。本书旨在为此类课程的毕业生提供极好的参考资料。

• 这本书有近400页

• 数百个完全解决的问题

• 来自深度学习众多领域的问题

• 清晰的图表和插图

• 综合指数

• 逐步解决问题

• 不仅仅是给出的答案，还有展示的工作

• 不仅仅是展示的作品，还有适当的推理

这本书是为你而写的：一位有定量背景、有抱负的数据科学家，在竞争日益激烈的领域面临面试过程的挑战。对于大多数人来说，面试过程是您与梦想工作之间最大的障碍。即使您有能力、背景和动力在目标职位上取得优异成绩，您可能仍需要一些关于如何踏入该职位的指导。您的好奇心将引导您完成本书的问题集、公式和说明，随着您的进步，您将加深对深度学习的理解。微积分、逻辑回归、熵和深度学习理论之间存在着错综复杂的联系；读完这本书，这些联系就会变得直观。

核心学科领域（第一卷）：

本书的第一卷重点关注统计观点，并将背景基础知识与核心思想和实践知识相结合。有专门的章节介绍：

• 信息论

• 微积分与算法微分

• 贝叶斯深度学习和概率编程

• 逻辑回归

• 集成学习

• 特征提取

• 深度学习：扩展章节（100 多页）

这些章节与深度学习主题的大量深入讨论一起出现，并提供 PyTorch、Python 和 C++ 中的代码示例。

免责声明

• “PyTorch”是 Facebook 的商标。

许可

• 版权所有 © Shlomo Kashani，《深度学习访谈》一书的作者 Shlomo Kashani， 《深度学习访谈》一书的作者 www.interviews.ai：[email protected]

勘误表（可能不是最新的）

不包括较小的更正。

感谢所有指出这些问题的读者。 2020 年 3 月 12 日印刷版和在线版本中反映的勘误表：

1. 由于缺乏清晰度，问题号PRB-267 -CH.PRB- 8.91已被删除

2. 由于缺乏清晰度，问题号PRB-115 - CH.PRB- 5.16已被删除

2020 年 5 月 12 日印刷版和在线版本中反映的勘误表：

1. 第 230 页，问题号PRB-178将“启动交叉验证”修改为“分层交叉验证”。

2. 第 231 页，问题号PRB-181在数据折叠后添加了“.”

3. 第 231 页，问题号PRB-191将“an”修改为“a”

4. 第 234 页，问题编号PRB-192 “in”重复两次

5. 第 236 页，问题号PRB-194 将“approached”修改为“approaches”，将“arr”修改为“arr001”

6. 第 247 页，问题号PRB-210 将“an”修改为“a”

7. 第 258 页，问题号PRB-227 将“混淆度量”修改为“混淆矩阵”

8. 第271页，问题号PRB-240将“MaxPool2D(4,4,)”修改为“MaxPool2D(4,4)”

9. 第273页，问题号PRB-243将“身份”修改为“识别”

10. 第281页，问题号PRB-254将“建议”修改为“建议”

11. 第 283 页，问题编号PRB-256 “发生”拼写错误

12. 第286页“L1、L2”修改为“规范”

13. 第 288 页，问题编号SOL-184将“完整”修改为“是完整”

14. 第298页，问题编号SOL-208将“ou1”修改为“out”

15. 第 319 页，问题号SOL-240修改“torch.Size([1, 32, 222, 222])”。 到“torch.size([1, 32, 222, 222]).“

16. 第 283 页，问题编号PRB-256 “happening”拼写错误

2020 年 7 月 12 日印刷版和在线版本中反映的勘误表：

1. 第 187 页，问题编号PRB-140两个缺失图（6.3、6.4）在打印版本上未正确呈现

6.3

6.4 2020 年 9 月 21 日印刷版本和在线版本中反映的勘误表：

1. 第 34 页，溶液编号SOL- 19，0.21886 应为 0.21305，0.21886 ± 1.95 × 0.21886 应为0.21305 ± 1.95 × 0.21886

2. 第 36-7 页，解编号SOL-21 ，4.8792/0.0258 = 189.116而不是 57.3 且 pi(33) = 0.01748 而不是 pi(33) = 0.211868 。

3. 第 49 页， PRB-47 “专家是猴子的概率是多少”应该是“专家是人类的概率是多少”

2020 年 9 月 22 日印刷版和在线版本中反映的勘误表：

1. 第 73 页，解决方案编号SOL-56应为“Hessian 矩阵是通过微分生成的”

2. 第 57 页，问题编号PRB-65应为“两个神经元”

2020 年 9 月 24 日印刷版和在线版本中反映的勘误表：

1. 第 78 页，解决方案编号SOL-64 ，仅当 200 个神经元中至少有 150 个关闭时，OnOffLayer 才会关闭。因此，这可以表示为二项式分布，并且该层关闭的概率为：