第一篇：机器学习面试题目
1、有监督学习和无监督学习的区别
有监督学习：对具有标记的训练样本进行学习，以尽可能对训练样本集外的数据进行分类预测。（LR,SVM,BP,RF,GBDT）
无监督学习：对未标记的样本进行训练学习，比发现这些样本中的结构知识。(KMeans,DL)
2、正则化
正则化是针对过拟合而提出的，以为在求解模型最优的是一般优化最小的经验风险，现在在该经验风险上加入模型复杂度这一项（正则化项是模型参数向量的范数），并使用一个rate比率来权衡模型复杂度与以往经验风险的权重，如果模型复杂度越高，结构化的经验风险会越大，现在的目标就变为了结构经验风险的最优化，可以防止模型训练过度复杂，有效的降低过拟合的风险。
奥卡姆剃刀原理，能够很好的解释已知数据并且十分简单才是最好的模型。
过拟合
如果一味的去提高训练数据的预测能力，所选模型的复杂度往往会很高，这种现象称为过拟合。所表现的就是模型训练时候的误差很小，但在测试的时候误差很大。产生的原因过拟合原因： 1.样本数据的问题。样本数量太少；
抽样方法错误，抽出的样本数据不能有效足够代表业务逻辑或业务场景。比如样本符合正态分布，却按均分分布抽样，或者样本数据不能代表整体数据的分布； 样本里的噪音数据干扰过大 2.模型问题
模型复杂度高、参数太多 决策树模型没有剪枝
权值学习迭代次数足够多(Overtraining),拟合了训练数据中的噪声和训练样例中没有代表性的特征.解决方法
1.样本数据方面。
增加样本数量，对样本进行降维，添加验证数据 抽样方法要符合业务场景 清洗噪声数据 2.模型或训练问题
控制模型复杂度，优先选择简单的模型，或者用模型融合技术。
利用先验知识，添加正则项。L1正则更加容易产生稀疏解、L2正则倾向于让参数w趋向于0.4、交叉验证 不要过度训练，最优化求解时，收敛之前停止迭代。
决策树模型没有剪枝 权值衰减
5、泛化能力
泛化能力是指模型对未知数据的预测能力
6、生成模型和判别模型
1.生成模型：由数据学习联合概率分布P(X,Y)，然后求出条件概率分布P(Y|X)作为预测的模型，即生成模型：P(Y|X)= P(X,Y)/ P(X)。（朴素贝叶斯、Kmeans）
生成模型可以还原联合概率分布p(X,Y)，并且有较快的学习收敛速度，还可以用于隐变量的学习
2.判别模型：由数据直接学习决策函数Y=f(X)或者条件概率分布P(Y|X)作为预测的模型，即判别模型。（k近邻、决策树、SVM）
直接面对预测，往往准确率较高，直接对数据在各种程度上的抽象，所以可以简化模型
7、线性分类器与非线性分类器的区别以及优劣
如果模型是参数的线性函数，并且存在线性分类面，那么就是线性分类器，否则不是。常见的线性分类器有：LR,贝叶斯分类，单层感知机、线性回归 常见的非线性分类器：决策树、RF、GBDT、多层感知机 SVM两种都有(看线性核还是高斯核)线性分类器速度快、编程方便，但是可能拟合效果不会很好 非线性分类器编程复杂，但是效果拟合能力强
8、特征比数据量还大时，选择什么样的分类器？
线性分类器，因为维度高的时候，数据一般在维度空间里面会比较稀疏，很有可能线性可分 对于维度很高的特征，你是选择线性还是非线性分类器？ 理由同上
对于维度极低的特征，你是选择线性还是非线性分类器？
非线性分类器，因为低维空间可能很多特征都跑到一起了，导致线性不可分
1.如果Feature的数量很大，跟样本数量差不多，这时候选用LR或者是Linear Kernel的SVM 2.如果Feature的数量比较小，样本数量一般，不算大也不算小，选用SVM+Gaussian Kernel 3.如果Feature的数量比较小，而样本数量很多，需要手工添加一些feature变成第一种情况
9、ill-condition病态问题
训练完的模型测试样本稍作修改就会得到差别很大的结果，就是病态问题（这简直是不能用啊）
10、L1和L2正则的区别，如何选择L1和L2正则 http://blog.csdn.NET/xbmatrix/article/details/61624196 他们都是可以防止过拟合，降低模型复杂度
L1是在loss function后面加上 模型参数的1范数（也就是|xi|）
L2是在loss function后面加上 模型参数的2范数（也就是sigma(xi^2)），注意L2范数的定义是sqrt(sigma(xi^2))，在正则项上没有添加sqrt根号是为了更加容易优化 L1 会产生稀疏的特征
L2 会产生更多地特征但是都会接近于0 L1会趋向于产生少量的特征，而其他的特征都是0，而L2会选择更多的特征，这些特征都会接近于0。L1在特征选择时候非常有用，而L2就只是一种规则化而已。L1求解
最小角回归算法：LARS算法
11、越小的参数说明模型越简单
过拟合的，拟合会经过曲面的每个点，也就是说在较小的区间里面可能会有较大的曲率，这里的导数就是很大，线性模型里面的权值就是导数，所以越小的参数说明模型越简单。
12、为什么一些机器学习模型需要对数据进行归一化？ http://blog.csdn.net/xbmatrix/article/details/56695825 归一化化就是要把你需要处理的数据经过处理后（通过某种算法）限制在你需要的一定范围内。
1）归一化后加快了梯度下降求最优解的速度。等高线变得显得圆滑，在梯度下降进行求解时能较快的收敛。如果不做归一化，梯度下降过程容易走之字，很难收敛甚至不能收敛 2）把有量纲表达式变为无量纲表达式, 有可能提高精度。一些分类器需要计算样本之间的距离（如欧氏距离），例如KNN。如果一个特征值域范围非常大，那么距离计算就主要取决于这个特征，从而与实际情况相悖（比如这时实际情况是值域范围小的特征更重要）3)逻辑回归等模型先验假设数据服从正态分布。哪些机器学习算法不需要做归一化处理？
概率模型不需要归一化，因为它们不关心变量的值，而是关心变量的分布和变量之间的条件概率，如决策树、rf。而像adaboost、gbdt、xgboost、svm、lr、KNN、KMeans之类的最优化问题就需要归一化。特征向量的归一化方法
线性函数转换，表达式如下：y=(x-MinValue)/(MaxValue-MinValue)对数函数转换，表达式如下：y=log10(x)反余切函数转换，表达式如下：y=arctan(x)*2/PI 减去均值，乘以方差：y=(x-means)/ variance 标准化与归一化的区别
简单来说，标准化是依照特征矩阵的列处理数据，其通过求z-score的方法，将样本的特征值转换到同一量纲下。归一化是依照特征矩阵的行处理数据，其目的在于样本向量在点乘运算或其他核函数计算相似性时，拥有统一的标准，也就是说都转化为“单位向量”。规则为l2的归一化公式如下：
13、特征向量的缺失值处理
1.缺失值较多.直接将该特征舍弃掉，否则可能反倒会带入较大的noise，对结果造成不良影响。
2.缺失值较少,其余的特征缺失值都在10%以内，我们可以采取很多的方式来处理: 1)把NaN直接作为一个特征，假设用0表示； 2)用均值填充；
3)用随机森林等算法预测填充
随机森林如何处理缺失值（http://charleshm.github.io/2016/03/Random-Forest-Tricks/）方法一（na.roughfix）简单粗暴，对于训练集,同一个class下的数据，如果是分类变量缺失，用众数补上，如果是连续型变量缺失，用中位数补。
方法二（rfImpute）这个方法计算量大，至于比方法一好坏？不好判断。先用na.roughfix补上缺失值，然后构建森林并计算proximity matrix，再回头看缺失值，如果是分类变量，则用没有缺失的观测实例的proximity中的权重进行投票。如果是连续型变量，则用proximity矩阵进行加权平均的方法补缺失值。然后迭代4-6次，这个补缺失值的思想和KNN有些类似12。
随机森林如何评估特征重要性（http://charleshm.github.io/2016/03/Random-Forest-Tricks/）衡量变量重要性的方法有两种，Decrease GINI 和 Decrease Accuracy：
1)Decrease GINI： 对于回归问题，直接使用argmax(Var−VarLeft−VarRight)作为评判标准，即当前节点训练集的方差Var减去左节点的方差VarLeft和右节点的方差VarRight。
2)Decrease Accuracy：对于一棵树Tb(x)，我们用OOB样本可以得到测试误差1；然后随机改变OOB样本的第j列：保持其他列不变，对第j列进行随机的上下置换，得到误差2。至此，我们可以用误差1-误差2来刻画变量j的重要性。基本思想就是，如果一个变量j足够重要，那么改变它会极大的增加测试误差；反之，如果改变它测试误差没有增大，则说明该变量不是那么的重要。
14、优化Kmeans 使用kd树或者ball tree(这个树不懂)将所有的观测实例构建成一颗kd树，之前每个聚类中心都是需要和每个观测点做依次距离计算，现在这些聚类中心根据kd树只需要计算附近的一个局部区域即可 KMeans初始类簇中心点的选取
k-means++算法选择初始seeds的基本思想就是：初始的聚类中心之间的相互距离要尽可能的远。
1.从输入的数据点集合中随机选择一个点作为第一个聚类中心
2.对于数据集中的每一个点x，计算它与最近聚类中心(指已选择的聚类中心)的距离D(x)3.选择一个新的数据点作为新的聚类中心，选择的原则是：D(x)较大的点，被选取作为聚类中心的概率较大 4.重复2和3直到k个聚类中心被选出来
5.利用这k个初始的聚类中心来运行标准的k-means算法
15、解释对偶的概念
一个优化问题可以从两个角度进行考察，一个是primal 问题，一个是dual 问题，就是对偶问题，一般情况下对偶问题给出主问题最优值的下界，在强对偶性成立的情况下由对偶问题可以得到主问题的最优下界，对偶问题是凸优化问题，可以进行较好的求解，SVM中就是将primal问题转换为dual问题进行求解，从而进一步引入核函数的思想。
16、如何进行特征选择？
特征选择是一个重要的数据预处理过程，主要有两个原因：一是减少特征数量、降维，使模型泛化能力更强，减少过拟合;二是增强对特征和特征值之间的理解 常见的特征选择方式： 1.去除方差较小的特征
2.正则化。1正则化能够生成稀疏的模型。L2正则化的表现更加稳定，由于有用的特征往往对应系数非零。
3.随机森林，对于分类问题，通常采用基尼不纯度或者信息增益，对于回归问题，通常采用的是方差或者最小二乘拟合。一般不需要feature engineering、调参等繁琐的步骤。它的两个主要问题，1是重要的特征有可能得分很低（关联特征问题），2是这种方法对特征变量类别多的特征越有利（偏向问题）。
4.稳定性选择。是一种基于二次抽样和选择算法相结合较新的方法，选择算法可以是回归、SVM或其他类似的方法。它的主要思想是在不同的数据子集和特征子集上运行特征选择算法，不断的重复，最终汇总特征选择结果，比如可以统计某个特征被认为是重要特征的频率（被选为重要特征的次数除以它所在的子集被测试的次数）。理想情况下，重要特征的得分会接近100%。稍微弱一点的特征得分会是非0的数，而最无用的特征得分将会接近于0。
17、数据预处理
1.缺失值，填充缺失值fillna： i.离散：None, ii.连续：均值。
iii.缺失值太多，则直接去除该列
2.连续值：离散化。有的模型（如决策树）需要离散值
3.对定量特征二值化。核心在于设定一个阈值，大于阈值的赋值为1，小于等于阈值的赋值为0。如图像操作
4.皮尔逊相关系数，去除高度相关的列 #correlation matrix corrmat = df_train.corr()f, ax = plt.subplots(figsize=(12, 9))sns.heatmap(corrmat, vmax=.8, square=True);1.去除噪声点。通过matplotlib.scatter函数图示某一特征与预测特征的点分布图，明显看出噪声点，去除即可
#bivariate analysis saleprice/grlivareavar = 'GrLivArea' data = pd.concat([df_train['SalePrice'], df_train[var]], axis=1)data.plot.scatter(x=var, y='SalePrice', ylim=(0,800000));df_train.sort_values(by = 'GrLivArea', ascending = False)[:2] df_train = df_train.drop(df_train[df_train['Id'] == 1299].index)df_train = df_train.drop(df_train[df_train['Id'] == 524].index)1.标签编码，把字符类别特征编码成数值类型，如红绿蓝编码为0、1、2 2.归一化。将数据按比例缩放，使这些数据落入到一个较小的特定的区间之内。最小最大缩放：
当使用基于距离的算法时，我们必须尝试将数据缩放，这样较不重要的特征不会因为自身较大的范围而主导目标函数。如KNN。
在逻辑回归中，每个特征都被分配了权重或系数(Wi)。如果某个特征有相对来说比较大的范围，而且其在目标函数中无关紧要，那么逻辑回归模型自己就会分配一个非常小的值给它的系数，从而中和该特定特征的影响优势，而基于距离的方法，如KNN，没有这样的内置策略，因此需要缩放。Z-score标准化: 很多的机器学习技巧/模型（例如L1，L2正则项，向量空间模型-Vector Space Model，欧几里得距离测量的KNN、k-均值、SVM、感知器、神经网络、线性判别分析、主成分分析）都基于这样的假设：所有的属性取值都差不多是以0为均值且取值范围相近的，标准化数据帮助我们提高预测模型的精度。
备注：在缩放和标准化中二选一是个令人困惑的选择，你必须对数据和要使用的学习模型有更深入的理解，才能做出决定。对于初学者，你可以两种方法都尝试下并通过交叉验证精度来做出选择。
18、什么是偏差与方差？
泛化误差可以分解成偏差的平方加上方差加上噪声。偏差度量了学习算法的期望预测和真实结果的偏离程度，刻画了学习算法本身的拟合能力，方差度量了同样大小的训练集的变动所导致的学习性能的变化，刻画了数据扰动所造成的影响，噪声表达了当前任务上任何学习算法所能达到的期望泛化误差下界，刻画了问题本身的难度。偏差和方差一般称为bias和variance，一般训练程度越强，偏差越小，方差越大，泛化误差一般在中间有一个最小值，如果偏差较大，方差较小，此时一般称为欠拟合，而偏差较小，方差较大称为过拟合。偏差： 方差：
解决bias和Variance问题的方法： 交叉验证
High bias解决方案:Boosting、复杂模型（非线性模型、增加神经网络中的层）、更多特征 High Variance解决方案：agging、简化模型、降维
19、采用 EM 算法求解的模型有哪些，为什么不用牛顿法或梯度下降法？
用EM算法求解的模型一般有GMM或者协同过滤，k-means其实也属于EM。EM算法一定会收敛，但是可能收敛到局部最优。由于求和的项数将随着隐变量的数目指数上升，会给梯度计算带来麻烦。
20、SVM、LR、决策树的对比？
模型复杂度：SVM支持核函数，可处理线性非线性问题;LR模型简单，训练速度快，适合处理线性问题;决策树容易过拟合，需要进行剪枝
损失函数：SVM hinge loss;LR L2正则化;adaboost 指数损失
数据敏感度：SVM添加容忍度对outlier不敏感，只关心支持向量，且需要先做归一化;LR对远点敏感
数据量：数据量大就用LR，数据量小且特征少就用SVM非线性核
21、GBDT 和随机森林的区别？
随机森林采用的是bagging的思想，bagging又称为bootstrap aggreagation，通过在训练样本集中进行有放回的采样得到多个采样集，基于每个采样集训练出一个基学习器，再将基学习器结合。随机森林在对决策树进行bagging的基础上，在决策树的训练过程中引入了随机属性选择。传统决策树在选择划分属性的时候是在当前节点属性集合中选择最优属性，而随机森林则是对结点先随机选择包含k个属性的子集，再选择最有属性，k作为一个参数控制了随机性的引入程度。
另外，GBDT训练是基于Boosting思想，每一迭代中根据错误更新样本权重，因此是串行生成的序列化方法，而随机森林是bagging的思想，因此是并行化方法。
22、xgboost怎么给特征评分？
在训练的过程中，通过Gini指数选择分离点的特征，一个特征被选中的次数越多，那么该特征评分越高。
[python] view plain copy print? 1.# feature importance
2.print(model.feature_importances_)
3.# plot
4.pyplot.bar(range(len(model.feature_importances_)), model.feature_importances_)
5.pyplot.show()
6.==========
7.# plot feature importance
8.plot_importance(model)
9.pyplot.show()
# feature importance print(model.feature_importances_)# plot pyplot.bar(range(len(model.feature_importances_)), model.feature_importances_)pyplot.show()========== # plot feature importance plot_importance(model)pyplot.show()
23、什么是OOB？随机森林中OOB是如何计算的，它有什么优缺点？
bagging方法中Bootstrap每次约有1/3的样本不会出现在Bootstrap所采集的样本集合中，当然也就没有参加决策树的建立，把这1/3的数据称为袋外数据oob（out of bag）,它可以用于取代测试集误差估计方法。
袋外数据(oob)误差的计算方法如下：
对于已经生成的随机森林,用袋外数据测试其性能,假设袋外数据总数为O,用这O个袋外数据作为输入,带进之前已经生成的随机森林分类器,分类器会给出O个数据相应的分类,因为这O条数据的类型是已知的,则用正确的分类与随机森林分类器的结果进行比较,统计随机森林分类器分类错误的数目,设为X,则袋外数据误差大小=X/O;这已经经过证明是无偏估计的,所以在随机森林算法中不需要再进行交叉验证或者单独的测试集来获取测试集误差的无偏估计。
24、解释置信区间
置信区间不能用贝叶斯学派的概率来描述，它属于频率学派的范畴。真值要么在，要么不在。由于在频率学派当中，真值是一个常数，而非随机变量（后者是贝叶斯学派），所以我们不对真值做概率描述。比如，95%置信区间，并不是真值在这个区间内的概率是95%，而应该为100次随机抽样中构造的100个区间如果95次包含了参数真值，那么置信度为95%。
25、监督学习一般使用两种类型的目标变量：标称型和数值型
标称型：标称型目标变量的结果只在有限目标集中取值，如真与假(标称型目标变量主要用于分类)数值型：数值型目标变量则可以从无限的数值集合中取值，如0.100，42.001等(数值型目标变量主要用于回归分析)
26、为什么说朴素贝叶斯是高偏差低方差？
它简单的假设了各个特征之间是无关的，是一个被严重简化了的模型。所以，对于这样一个简单模型，大部分场合都会bias部分大于variance部分，也就是高偏差，低方差
1.什么是机器学习
机器学习是为了应对系统程序设计，属于计算机科学类的学科，它能根据经验进行自动学习和提高。例如：一个由程序操纵的机器人，它能根据从传感器搜集到的数据，完成一系列的任务和工作。它能根据数据自动地学习应用程序。
2.机器学习与数据挖掘的区别
机器语言是指在没有明确的程序指令的情况下，给予计算机学习能力，使它能自主的学习、设计和扩展相关算法。数据挖掘则是一种从非结构化数据里面提取知识或者未知的、人们感兴趣的图片。在这个过程中应用了机器学习算法。
3.什么是机器学习的过度拟合现象
在机器学习中，当一个统计模型首先描述随机误差或噪声，而不是自身的基本关系时，过度拟合就会出现。当一个模型是过于复杂，过拟合通常容易被发现，因为相对于训练数据类型的数量，参数的数量过于五花八门。那么这个模型由于过度拟合而效果不佳。
4.过度拟合产生的原因
由于用于训练模型的标准并不等同于判断模型效率的标准，这导致了产生过度拟合的可能性。
5.如何避免过度拟合
当你使用较小的数据集进行机器学习时，容易产生过度拟合，因此使用较大的数据量能避免过度拟合现象。但是，当你不得不使用小型数据集进行建模时，可以使用被称为交叉验证的技术。在这种方法中数据集被分成两节，测试和训练数据集，测试数据集只测试模型，而在训练数据集中，数据点被用来建模。
在该技术中，一个模型通常是被给定有先验知识的数据集（训练数据集）进行训练，没有先验知识的数据集进行测试。交叉验证的思想是：在训练阶段，定义一个数据集用来测试模型。
6.什么是感应式的机器学习？
感应机器学习涉及由实践进行学习的过程，能从一组可观测到的例子的尝试推导出普遍性规则。
7.什么是机器学习的五个流行的算法？
1.决策树2.神经网络（反向传播）3.概率网络4.最邻近法5.支持向量机
8.机器学习有哪些不同的算法技术？ 在机器学习不同类型的算法技术是：
1.监督学习2.非监督学习3.半监督学习4.转导推理（Transduction）5.学习推理（Learning to Learn）。
9.在机器学习中，建立假设或者模型的三个阶段指的是什么？ 1.建模2.模型测试3.模型应用。
10.什么是监督学习的标准方法？
监督学习的标准方法是将一组示例数据的分成训练数据集和测试数据集。
11.什么是训练数据集和测试数据集？
在类似于机器学习的各个信息科学相关领域中，一组数据被用来发现潜在的预测关系，称为“训练数据集”。训练数据集是提供给学习者的案例，而试验数据集是用于测试由学习者提出的假设关系的准确度。
12.下面列出机器学习的各种方法？ 机器学习的各种方法如下“
1.概念与分类学习（Concept Vs Classification Learning）。2.符号与统计学习（Symbolic Vs Statistical Learning）。3.归纳与分析学习（Inductive Vs Analytical Learning）。
13.非机器学习有哪些类型？ 人工智能、规则推理。
14.什么是非监督学习的功能？
1.求数据的集群2.求出数据的低维表达3.查找数据有趣的方向4.有趣的坐标和相关性5.发现显著的观测值和数据集清理
15.什么是监督学习的功能？
1.分类、2.语音识别3.回归4.时间序列预测5.注释字符串
16.什么是算法独立的机器学习？
机器学习在基础数学领域独立于任何特定分类器或者学习算法，被称为算法独立的机器学习。
17.人工智能与机器学习的区别？
基于经验数据的特性而设计和开发的算法被称为机器学习。而人工智能不但包括机器学习，还包括诸如知识表示，自然语言处理，规划，机器人技术等其它方法。
18.在机器学习中分类器指的是什么？
在机器学习中，分类器是指输入离散或连续特征值的向量，并输出单个离散值或者类型的系统。
19.朴素贝叶斯方法的优势是什么？
朴素贝叶斯分类器将会比判别模型，譬如逻辑回归收敛得更快，因此你只需要更少的训练数据。其主要缺点是它学习不了特征间的交互关系。
20.在哪些领域使用模式识别技术？ 模式识别被应用在：
1.计算机视觉2.语言识别3.统计4.数据挖掘5.非正式检索6.生物信息学。
21.什么是遗传编程？
遗传编程的机器学习中两种常用的方法之一。该模型是基于测试，并在一系列的结果当中，获取最佳选择。
22.在机器学习中归纳逻辑程序设计是指什么？
归纳逻辑程序设计（ILP）是利用逻辑程序设计表达的背景知识和实例，它是机器学习的一个分支。
23.在机器学习中，模型的选择是指？
在不同的数学模型中，选择用于描述相同的数据集的模型的过程被称为模型选择。模型选择吧被应用于统计，机器学习和数据挖掘的等相关领域。
24.用于监督学习校准两种方法是什么？
在监督学习中，用于预测良好概率的两种方法是： 1.普拉特校准，2.保序回归。
这些方法被设计为二元分类，而且有意义的。
25.什么方法通常用于防止过拟合？
当有足够的数据进行等渗回归时，这通常被用来防止过拟合问题。
26.规则学习的启发式方法和决策树的启发式方法之间的区别是什么？
决策树的启发式方法评价的是一系列不相交的集合的平均质量；然而规则学习的启发式方法仅仅评价在候选规则覆盖下的实例集。
27.什么是感知机器学习？
在机器学习，感知器是一种输入到几个可能的非二进制输出的监督分类算法。
28.贝叶斯逻辑程序的两个组成部分是什么？
贝叶斯逻辑程序由两部分组成。第一成分由一组贝叶斯条款组成，能捕捉特定域的定性结构。第二组分是定量的，它能对域的量化信息进行编码。
29.什么是贝叶斯网络？
贝叶斯网络是用来表示一组变量之间为概率关系的图像模型。
30.为什么基于实例的学习算法有时也被称为懒惰学习算法？
基于实例的学习算法也被称为懒惰学习算法，因为它们延缓诱导或泛化过程，直到分类完成。
31.支持向量机能处理哪两种分类方法？ 1.结合二分类法2.修改二进制纳入多类学习法。
32.什么是集成学习？
为了解决特定的计算程序，如分类器或专家知识等多种模式，进行战略性生产和组合。这个过程被称为集成学习。
33.为什么集成学习被应用？
集成学习能提高模型的分类，预测，函数逼近等方面的精度。
34.什么使用集成学习？
当你构建一个更准确，相互独立的分类器时，使用集成学习。
35.什么是集成方法的两种范式？ 集成方法的两种范式是：
1.连续集成方法2.并行集成方法。
36.什么是集成方法的一般原则，在集成方法中套袋（bagging）和爆发（boosting）指的是什么？
集成方法的一般原则是要结合定的学习算法多种预测模型，相对于单一模型，其有更强的健壮性。套袋是一种能提高易变的预测或分类方案集成方法。爆发方法被依次用来减少组合模型的偏差。爆发和装袋都可以通过降低方差减少误差。
37.什么是集成方法分类错误的偏置方差分解？
学习算法的期望误差可以分解为偏差和方差。偏置项衡量由学习方法产生的平均分类器与目标函数是否匹配。
38.在集成方法中什么是增量合成方法？
增量学习方法是一种从新数据进行学习，并能应用于后续由现有的数据集生成的分类器的算法。
39.PCA，KPCA和ICE如何使用？
PCA（主成分分析），KPCA（基于内核主成分分析）和ICA（独立成分分析）是用于降维的重要特征提取技术。
40.在机器学习中降维是什么意思？
在机器学习和统计应用中，降维是指在计算时减少随机变量数目的处理过程，并且可以分为特征选择和特征提取。
41.什么是支持向量机？
支持向量机是一种监督学习算法，适用于分类和回归分析。
42.关系评价技术的组成部分是什么？ 关系评价技术的重要组成部分如下：
1.数据采集2.地面实况采集3.交叉验证技术4.查询类型5.评分标准6.显着性检验。
43.连续监督学习有什么不同方法？ 连续监督学习问题的不同解决办法如下：
1.滑动窗口方法2.复发性推拉窗3.隐藏马尔科夫模型4.最大熵马尔科夫模型5.条件随机域6.图变换网络。
44.在机器人技术和信息处理技术的哪些方面会相继出现预测问题？ 在机器人技术和信息处理技术中，相继出现预测问题的是： 1.模仿学习2.结构预测3.基于模型的强化学习。
45.什么是批量统计学习？
统计学习技术允许根据一组观察到的数据进行学习功能和预测，这可以对无法观察和未知的数据进行预测。这些技术提供的学习预测器对未来未知数据的预测提供性能保证。
46什么是PAC学习？
可能近似正确模型(PAC)学习是一个已经被引入到分析学习算法和统计效率的学习框架。
47有哪些不同的类别可以分为序列学习过程？ 序列预测2.序列生成3.序列识别4.顺序决定.48什么是序列学习？
序列学习是一种以合乎逻辑的方式进行教学和学习的方法。
49.机器学习的两种技术是什么？ 机器学习的两种技术是： 1.遗传编程2.归纳学习
50.你在日常工作中看到的机器学习的一个流行应用是什么？ 各大电商网站上已部署好的推荐引擎使用的是机器学习。
问1：你会在时间序列数据集上使用什么交叉验证技术？是用k倍或LOOCV？
答：都不是。对于时间序列问题，k倍可能会很麻烦，因为第4年或第5年的一些模式有可能跟第3年的不同，而对数据集的重复采样会将分离这些趋势，而我们最终可能只是需要对过去几年的进行验证，这就不能用这种方法了。相反，我们可以采用如下所示的5倍正向链接策略：
fold 1 : training [1], test [2]
fold 2 : training [1 2], test [3]
fold 3 : training [1 2 3], test [4]
fold 4 : training [1 2 3 4], test [5]
fold 5 : training [1 2 3 4 5], test [6]
1，2，3，4，5，6代表的是年份。
问2：你是怎么理解偏差方差的平衡的？
答：从数学的角度来看，任何模型出现的误差可以分为三个部分。以下是这三个部分：
偏差误差在量化平均水平之上，预测值跟实际值相差多远时有用。高偏差误差意味着我们的模型表现不太好，因为没有抓到重要的趋势。而另一方面，方差量化了在同一个观察上进行的预测是如何彼此不同的。高方差模型会过度拟合你的训练集，而在训练集以外的数据上表现很差。
问3：给你一个有1000列和1百万行的训练数据集，这个数据集是基于分类问题的。经理要求你来降低该数据集的维度以减少模型计算时间，但你的机器内存有限。你会怎么做？（你可以自由做各种实际操作假设。）
答：你的面试官应该非常了解很难在有限的内存上处理高维的数据。以下是你可以使用的处理方法：
1.由于我们的RAM很小，首先要关闭机器上正在运行的其他程序，包括网页浏览器等，以确保大部分内存可以使用。
2.我们可以随机采样数据集。这意味着，我们可以创建一个较小的数据集，比如有1000个变量和30万行，然后做计算。
3.为了降低维度，我们可以把数值变量和分类变量分开，同时删掉相关联的变量。对于数值变量，我们将使用相关性分析；对于分类变量，我们可以用卡方检验。
4.另外，我们还可以使用PCA（主成分分析），并挑选可以解释在数据集中有最大偏差的成分。
5.利用在线学习算法，如VowpalWabbit（在Python中可用）是一个不错的选择。
6.利用Stochastic GradientDescent（随机梯度下降法）建立线性模型也很有帮助。
7.我们也可以用我们对业务的理解来估计各预测变量对响应变量的影响的大小。但是，这是一个主观的方法，如果没有找出有用的预测变量可能会导致信息的显著丢失。
问4：全球平均温度的上升导致世界各地的海盗数量减少。这是否意味着海盗的数量减少引起气候变化？
答：不能够这样说。这是一个“因果关系和相关性”的经典案例。全球平均温度和海盗数量之间有可能有相关性，但基于这些信息，我们不能说因为全球平均气温的上升而导致了海盗的消失。我们不能断定海盗的数量减少是引起气候变化的原因，因为可能有其他因素（潜伏或混杂因素）影响了这一现象。
问5：给你一个数据集，这个数据集有缺失值，且这些缺失值分布在离中值有1个标准偏差的范围内。百分之多少的数据不会受到影响？为什么？
答：约有32%的数据将不受缺失值的影响。因为，由于数据分布在中位数附近，让我们先假设这是一个正态分布。我们知道，在一个正态分布中，约有68%的数据位于跟平均数（或众数、中位数）1个标准差范围内，那么剩下的约32%的数据是不受影响的。因此，约有32%的数据将不受缺失值的影响。
问6：你意识到你的模型受到低偏差和高方差问题的困扰。那么，应该使用哪种算法来解决问题呢？为什么？
答：可以使用bagging算法（如随机森林）。因为，低偏差意味着模型的预测值接近实际值，换句话说，该模型有足够的灵活性，以模仿训练数据的分布。这样貌似很好，但是别忘了，一个灵活的模型没有泛化能力，意味着当这个模型用在对一个未曾见过的数据集进行测试的时候，它会令人很失望。在这种情况下，我们可以使用bagging算法（如随机森林），以解决高方差问题。bagging算法把数据集分成重复随机取样形成的子集。然后，这些样本利用单个学习算法生成一组模型。接着，利用投票（分类）或平均（回归）把模型预测结合在一起。另外，为了应对大方差，我们可以：
1.使用正则化技术，惩罚更高的模型系数，从而降低了模型的复杂性。
2.使用可变重要性图表中的前n个特征。可以用于当一个算法在数据集中的所有变量里很难寻找到有意义信号的时候。
问7：协方差和相关性有什么区别？
答：相关性是协方差的标准化格式。协方差本身很难做比较。例如：如果我们计算工资（$）和年龄（岁）的协方差，因为这两个变量有不同的度量，所以我们会得到不能做比较的不同的协方差。为了解决这个问题，我们计算相关性来得到一个介于-1和1之间的值，就可以忽略它们各自不同的度量。
问8：真阳性率和召回有什么关系？写出方程式。
答：真阳性率=召回。它们有相同的公式（TP / TP + FN）。
问9：Gradient boosting算法（GBM）和随机森林都是基于树的算法，它们有什么区别？
答：最根本的区别是，随机森林算法使用bagging技术做出预测；而GBM是采用boosting技术做预测的。在bagging技术中，数据集用随机采样的方法被划分成n个样本。然后，使用单一的学习算法，在所有样本上建模。接着利用投票或者求平均来组合所得到的预测。bagging是平行进行的，而boosting是在第一轮的预测之后，算法将分类出错的预测加高权重，使得它们可以在后续一轮中得到校正。这种给予分类出错的预测高权重的顺序过程持续进行，一直到达到停止标准为止。随机森林通过减少方差（主要方式）提高模型的精度。生成树之间是不相关的，以把方差的减少最大化。在另一方面，GBM提高了精度，同时减少了模型的偏差和方差。
问10：你认为把分类变量当成连续型变量会更得到一个更好的预测模型吗？
答：为了得到更好的预测，只有在分类变量在本质上是有序的情况下才可以被当做连续型变量来处理。
问11：“买了这个的客户，也买了......”亚马逊的建议是哪种算法的结果？
答：这种推荐引擎的基本想法来自于协同过滤。协同过滤算法考虑用于推荐项目的“用户行为”。它们利用的是其他用户的购买行为和针对商品的交易历史记录、评分、选择和购买信息。针对商品的其他用户的行为和偏好用来推荐项目（商品）给新用户。在这种情况下，项目（商品）的特征是未知的。
问12：在k-means或kNN，我们是用欧氏距离来计算最近的邻居之间的距离。为什么不用曼哈顿距离？
答：我们不用曼哈顿距离，因为它只计算水平或垂直距离，有维度的限制。另一方面，欧氏距离可用于任何空间的距离计算问题。因为，数据点可以存在于任何空间，欧氏距离是更可行的选择。例如：想象一下国际象棋棋盘，象或车所做的移动是由曼哈顿距离计算的，因为它们是在各自的水平和垂直方向做的运动。
问13：我知道校正R2或者F值是用来评估线性回归模型的。那用什么来评估逻辑回归模型？
答：我们可以使用下面的方法：
1.由于逻辑回归是用来预测概率的，我们可以用AUC-ROC曲线以及混淆矩阵来确定其性能。
2.此外，在逻辑回归中类似于校正R2的指标是AIC。AIC是对模型系数数量惩罚模型的拟合度量。因此，我们更偏爱有最小AIC的模型。
3.空偏差指的是只有截距项的模型预测的响应。数值越低，模型越好。残余偏差表示由添加自变量的模型预测的响应。数值越低，模型越好。
问14：为什么朴素贝叶斯如此“朴素”？
答：因为它假定所有的特征在数据集中的作用是同样重要和独立的。正如我们所知，这个假设在现实世界中是很不真实的，因此，说朴素贝叶斯真的很“朴素”。
问15：花了几个小时后，现在你急于建一个高精度的模型。结果，你建了5 个GBM（Gradient Boosted Models），想着boosting算法会展现“魔力”。不幸的是，没有一个模型比基准模型表现得更好。最后，你决定将这些模型结合到一起。尽管众所周知，结合模型通常精度高，但你就很不幸运。你到底错在哪里？
答：据我们所知，组合的学习模型是基于合并弱的学习模型来创造一个强大的学习模型的想法。但是，只有当各模型之间没有相关性的时候组合起来后才比较强大。由于我们已经试了5个GBM也没有提高精度，表明这些模型是相关的。具有相关性的模型的问题是，所有的模型提供相同的信息。例如：如果模型1把User1122归类为1，模型2和模型3很有可能会做同样的分类，即使它的实际值应该是0，因此，只有弱相关的模型结合起来才会表现更好。
第二篇：面试备用：18大机器学习经典算法总结
学习18大经典数据挖掘算法
大概花了将近2个月的时间，自己把18大数据挖掘的经典算法进行了学习并且进行了代码实现，涉及到了决策分类，聚类，链接挖掘，关联挖掘，模式挖掘等等方面。也算是对数据挖掘领域的小小入门了吧。下面就做个小小的总结，后面都是我自己相应算法的博文链接，希望能够帮助大家学习。
1.C4.5算法。C4.5算法与ID3算法一样，都是数学分类算法，C4.5算法是ID3算法的一个改进。ID3算法采用信息增益进行决策判断，而C4.5采用的是增益率。
详细介绍链接：http://blog.csdn.net/androidlushangderen/article/details/42395865
2.CART算法。CART算法的全称是分类回归树算法，他是一个二元分类，采用的是类似于熵的基尼指数作为分类决策，形成决策树后之后还要进行剪枝，我自己在实现整个算法的时候采用的是代价复杂度算法，详细介绍链接：http://blog.csdn.net/androidlushangderen/article/details/42558235
3.KNN(K最近邻)算法。给定一些已经训练好的数据，输入一个新的测试数据点，计算包含于此测试数据点的最近的点的分类情况，哪个分类的类型占多数，则此测试点的分类与此相同，所以在这里,有的时候可以复制不同的分类点不同的权重。近的点的权重大点，远的点自然就小点。
详细介绍链接：http://blog.csdn.net/androidlushangderen/article/details/42613011
4.Naive Bayes(朴素贝叶斯)算法。朴素贝叶斯算法是贝叶斯算法里面一种比较简单的分类算法，用到了一个比较重要的贝叶斯定理，用一句简单的话概括就是条件概率的相互转换推导。
详细介绍链接：http://blog.csdn.net/androidlushangderen/article/details/42680161
5.SVM(支持向量机)算法。支持向量机算法是一种对线性和非线性数据进行分类的方法，非线性数据进行分类的时候可以通过核函数转为线性的情况再处理。其中的一个关键的步骤是搜索最大边缘超平面。
详细介绍链接：http://blog.csdn.net/androidlushangderen/article/details/42780439
6.EM(期望最大化)算法。期望最大化算法，可以拆分为2个算法，1个E-Step期望化步骤,和1个M-Step最大化步骤。他是一种算法框架，在每次计算结果之后，逼近统计模型参数的最大似然或最大后验估计。
详细介绍链接：http://blog.csdn.net/androidlushangderen/article/details/42921789
7.Apriori算法。Apriori算法是关联规则挖掘算法，通过连接和剪枝运算挖掘出频繁项集，然后根据频繁项集得到关联规则，关联规则的导出需要满足最小置信度的要求。
详细介绍链接：http://blog.csdn.net/androidlushangderen/article/details/43059211
8.FP-Tree(频繁模式树)算法。这个算法也有被称为FP-growth算法，这个算法克服了Apriori算法的产生过多侯选集的缺点，通过递归的产生频度模式树，然后对树进行挖掘，后面的过程与Apriori算法一致。
详细介绍链接：http://blog.csdn.net/androidlushangderen/article/details/43234309
9.PageRank(网页重要性/排名)算法。PageRank算法最早产生于Google,核心思想是通过网页的入链数作为一个网页好快的判定标准，如果1个网页内部包含了多个指向外部的链接，则PR值将会被均分，PageRank算法也会遭到Link Span攻击。
详细介绍链接：http://blog.csdn.net/androidlushangderen/article/details/43311943
10.HITS算法。HITS算法是另外一个链接算法，部分原理与PageRank算法是比较相似的，HITS算法引入了权威值和中心值的概念，HITS算法是受用户查询条件影响的，他一般用于小规模的数据链接分析，也更容易遭受到攻击。
详细介绍链接：http://blog.csdn.net/androidlushangderen/article/details/43311943
11.K-Means(K均值)算法。K-Means算法是聚类算法，k在在这里指的是分类的类型数，所以在开始设定的时候非常关键，算法的原理是首先假定k个分类点，然后根据欧式距离计算分类，然后去同分类的均值作为新的聚簇中心，循环操作直到收敛。
详细介绍链接：http://blog.csdn.net/androidlushangderen/article/details/43373159
12.BIRCH算法。BIRCH算法利用构建CF聚类特征树作为算法的核心，通过树的形式，BIRCH算法扫描数据库，在内存中建立一棵初始的CF-树，可以看做数据的多层压缩。
详细介绍链接：http://blog.csdn.net/androidlushangderen/article/details/43532111
13.AdaBoost算法。AdaBoost算法是一种提升算法，通过对数据的多次训练得到多个互补的分类器，然后组合多个分类器，构成一个更加准确的分类器。
详细介绍链接：http://blog.csdn.net/androidlushangderen/article/details/43635115
14.GSP算法。GSP算法是序列模式挖掘算法。GSP算法也是Apriori类算法，在算法的过程中也会进行连接和剪枝操作，不过在剪枝判断的时候还加上了一些时间上的约束等条件。
详细介绍链接：http://blog.csdn.net/androidlushangderen/article/details/43699083
15.PreFixSpan算法。PreFixSpan算法是另一个序列模式挖掘算法，在算法的过程中不会产生候选集，给定初始前缀模式，不断的通过后缀模式中的元素转到前缀模式中，而不断的递归挖掘下去。
详细介绍链接：http://blog.csdn.net/androidlushangderen/article/details/43766253
16.CBA(基于关联规则分类)算法。CBA算法是一种集成挖掘算法，因为他是建立在关联规则挖掘算法之上的，在已有的关联规则理论前提下，做分类判断，只是在算法的开始时对数据做处理，变成类似于事务的形式。
详细介绍链接：http://blog.csdn.net/androidlushangderen/article/details/43818787
17.RoughSets(粗糙集)算法。粗糙集理论是一个比较新颖的数据挖掘思想。这里使用的是用粗糙集进行属性约简的算法，通过上下近似集的判断删除无效的属性，进行规制的输出。
详细介绍链接：http://blog.csdn.net/androidlushangderen/article/details/43876001
18.gSpan算法。gSpan算法属于图挖掘算法领域。，主要用于频繁子图的挖掘，相较于其他的图算法，子图挖掘算法是他们的一个前提或基础算法。gSpan算法用到了DFS编码，和Edge五元组，最右路径子图扩展等概念，算法比较的抽象和复杂。
详细介绍链接：http://blog.csdn.net/androidlushangderen/article/details/43924273
第三篇：机器学习报告
机器学习总结报告
刘皓冰
大部分人错误地以为机器学习是计算机像人一样去学习。事实上，计算机是死的，怎么可能像人类一样“学习”呢，机器学习依靠的是数学，更确切地说是靠统计。
如果我们让计算机工作，是给它一串指令，然后计算机会遵照这个指令一步步执行下去，有因有果，非常明确。但这种方式在机器学习中是行不通的。机器学习是不会接受你输入的指令的，它接受的是你输入的数据。也就是说，机器学习是一种让计算机利用数据而不是指令来进行各种工作的方法。这听起来非常不可思议，但结果上却是非常可行的。“统计”思想将在你学习“机器学习”相关理念时无时无刻不伴随，相关而不是因果的概念将是支撑机器学习能够工作的核心概念。
依据数据所做的判断跟机器学习的思想根本上是一致的。机器学习方法是计算机利用已有的数据(输入)，得出了某种模型，并利用此模型预测未来(输出)的一种方法。从数据中学得模型的过程称为“学习”（learning）或“训练”（training），这个过程通过执行某个学习算法来完成。训练过程中使用的数据成为“训练数据”（training data），其中每个样本称为一个“训练样本”（training sample），训练样本组成的集合称为“训练集“（training set）。学得模型对应了关于数据的某种潜在的规律，因此亦称”假设“（hypothesis）；这种潜在规律自身，则称为”真相“或”真实“（ground-truth），学习过程就是为了找出或逼近真相。模型有时也被称为”学习器“（learner），可看作学习算法在给定数据和参数空间上的实例化。
若欲预测的是离散值则此类学习任务被称为“分类”；若欲预测的是连续值则此类学习任务称为“回归”；对只涉及两个类别的“二分类”任务，通常称其中一个类为“正类”，另一个类为“反类”；涉及多个类别时，则称为“多分类”任务。
模型是否准确依赖与数据。如果我的数据越多，我的模型就越能够考虑到越多的情况，由此对于新情况的预测效果可能就越好。这是机器学习界“数据为王”思想的一个体现。一般来说(不是绝对)，数据越多，最后机器学习生成的模型预测的效果越好。
机器学习里面有非常多的经典算法，每种算法都能形成一个模型。下面在简要介绍一下机器学习中的经典代表方法。重点介绍的是这些方法内涵的思想。
1、回归算法 在大部分机器学习课程中，回归算法都是介绍的第一个算法。原因有两个：一.回归算法比较简单，介绍它可以让人平滑地从统计学迁移到机器学习中。二.回归算法是后面若干强大算法的基石，如果不理解回归算法，无法学习那些强大的算法。回归算法有两个重要的子类：即线性回归和逻辑回归。
线性回归一般使用“最小二乘法”来求解。“最小二乘法”的思想是这样的，假设我们拟合出的直线代表数据的真实值，而观测到的数据代表拥有误差的值。为了尽可能减小误差的影响，需要求解一条直线使所有误差的平方和最小。最小二乘法将最优问题转化为求函数极值问题。函数极值在数学上我们一般会采用求导数为0的方法。但这种做法并不适合计算机，可能求解不出来，也可能计算量太大。计算机科学界专门有一个学科叫“数值计算”，专门用来提升计算机进行各类计算时的准确性和效率问题。例如，著名的“梯度下降”以及“牛顿法”就是数值计算中的经典算法，也非常适合来处理求解函数极值的问题。梯度下降法是解决回归模型中最简单且有效的方法之一。
逻辑回归是一种与线性回归非常类似的算法，但是，从本质上讲，线型回归处理的问题类型与逻辑回归不一致。线性回归处理的是数值问题，也就是最后预测出的结果是数字，例如预测一所房子大约可以买多少钱。而逻辑回归属于分类算法，也就是说，逻辑回归预测结果是离散的分类，例如判断肿瘤是恶性还是良性等等。实现方面的话，逻辑回归只是对对线性回归的计算结果加上了一个Sigmoid函数，将数值结果转化为了0到1之间的概率(Sigmoid函数的图像一般来说并不直观，你只需要理解对数值越大，函数越逼近1，数值越小，函数越逼近0)，接着我们根据这个概率可以做预测，例如概率大于0.5，肿瘤就是恶性的等等。
2、神经网络
神经网络(也称之为人工神经网络，ANN)算法是80年代机器学习界非常流行的算法，不过在90年代中途衰落。现在，携着“深度学习”之势，神经网络重装归来，重新成为最强大的机器学习算法之一。
神经网络的诞生起源于对大脑工作机理的研究。早期生物界学者们使用神经网络来模拟大脑。机器学习的学者们使用神经网络进行机器学习的实验，发现在视觉与语音的识别上效果都相当好。在BP算法(加速神经网络训练过程的数值算法)诞生以后，神经网络的发展进入了一个热潮。
下图是一个简单的神经网络的逻辑架构。在这个网络中，分成输入层，隐藏层，和输出层。输入层负责接收信号，隐藏层负责对数据的分解与处理，最后的结果被整合到输出层。每层中的一个圆代表一个处理单元，可以认为是模拟了一个神经元，若干个处理单元组成了一个层，若干个层再组成了一个网络，也就是”神经网络”。
图神经网络的逻辑架构
在神经网络中，每个处理单元事实上就是一个逻辑回归模型，逻辑回归模型接收上层的输入，把模型的预测结果作为输出传输到下一个层次。通过这样的过程，神经网络可以完成非常复杂的非线性分类。
进入90年代，神经网络的发展进入了一个瓶颈期。其主要原因是尽管有BP算法的加速，神经网络的训练过程仍然很困难。因此90年代后期支持向量机(SVM)算法取代了神经网络的地位。
3、SVM（支持向量机）
支持向量机算法是诞生于统计学习界，同时在机器学习界大放光彩的经典算法。
支持向量机算法从某种意义上来说是逻辑回归算法的强化：通过给予逻辑回归算法更严格的优化条件，支持向量机算法可以获得比逻辑回归更好的分类界线。但是如果没有某类函数技术，则支持向量机算法最多算是一种更好的线性分类技术。
但是，通过跟高斯“核”的结合，支持向量机可以表达出非常复杂的分类界线，从而达成很好的的分类效果。“核”事实上就是一种特殊的函数，最典型的特征就是可以将低维的空间映射到高维的空间。
上述机器学习算法均为监督学习算法。监督学习，就是人们常说的分类回归，通过已有的训练样本（即已知数据以及其对应的输出）去训练得到一个最优模型（这个模型属于某个函数的集合，最优则表示在某个评价准则下是最佳的），再利用这个模型将所有的输入映射为相应的输出。在人对事物的认识中，我们从孩子开始就被大人们教授这是猫啊、那是狗啊、那是桌子啊，等等。我们所见到的景物就是输入数据，而大人们对这些景物的判断结果（是房子还是鸟啊）就是相应的输出。当我们见识多了以后，脑子里就慢慢地得到了一些泛化的模型，这就是训练得到的那个（或者那些）函数，从而不需要大人在旁边指点的时候，我们也能分辨的出来哪些是猫，哪些是狗。无监督学习则是另一种研究的比较多的学习方法，它与监督学习的不同之处，在于我们事先没有任何训练样本，而需要直接对数据进行建模。这听起来似乎有点不可思议，但是在我们自身认识世界的过程中很多处都用到了无监督学习。比如我们去参观一个画展，我们完全对艺术一无所知，但是欣赏完多幅作品之后，我们也能把它们分成不同的派别（比如哪些更朦胧一点，哪些更写实一些，即使我们不知道什么叫做朦胧派，什么叫做写实派，但是至少我们能把他们分为两个类）。无监督学习里典型的例子就是聚类了。聚类的目的在于把相似的东西聚在一起，而我们并不关心这一类是什么。因此，一个聚类算法通常只需要知道如何计算相似度就可以开始工作了。
那么，什么时候应该采用监督学习，什么时候应该采用非监督学习呢？一种非常简单的回答就是从定义入手，如果我们在分类的过程中有训练样本，则可以考虑用监督学习的方法；如果没有训练样本，则不可能用监督学习的方法。但是事实上，我们在针对一个现实问题进行解答的过程中，即使我们没有现成的训练样本，我们也能够凭借自己的双眼，从待分类的数据中人工标注一些样本，并把他们作为训练样本，这样的话就可以把条件改善，用监督学习的方法来做。然而对于不同的场景，正负样本的分布如果会存在偏移（可能是大的偏移，也可能偏移比较小），这样的话用监督学习的效果可能就不如用非监督学习了。
今天，在计算机科学的诸多分支学科领域中，都能找到机器学习技术的身影，尤其是在计算机视觉、语音识别、模式识别、自然语言处理等“计算机应用技术”领域，机器学习已成为最重要的技术进步源泉之一。此外，机器学习还为许多交叉学科提供了重要的技术支撑比如说“生物信息学”。
可以说“计算机视觉=图像处理+机器学习“。图像处理技术用于将图像处理为适合进入机器学习模型中的输入，机器学习则负责从图像中识别出相关的模式。计算机视觉相关的应用非常的多，例如百度识图、手写字符识别、车牌识别等等应用。这个领域是应用前景非常火热的，同时也是研究的热门方向。随着机器学习的新领域深度学习的发展，大大促进了计算机图像识别的效果，因此未来计算机视觉界的发展前景不可估量。
如果说“计算机视觉=图像处理+机器学习“，那么”语音识别=语音处理+机器学习“。语音识别就是音频处理技术与机器学习的结合。语音识别技术一般不会单独使用，一般会结合自然语言处理的相关技术。目前的相关应用有苹果语音助手siri、微软小娜等。
“自然语言处理=文本处理+机器学习“。自然语言处理技术主要是让机器理解人类的语言的一门领域。在自然语言处理技术中，大量使用了编译原理相关的技术，例如词法分析，语法分析等等，除此之外，在理解这个层面，则使用了语义理解，机器学习等技术。作为唯一由人类自身创造的符号，自然语言处理一直是机器学习界不断研究的方向。按照百度机器学习专家余凯的说法“听与看，说白了就是阿猫和阿狗都会的，而只有语言才是人类独有的”。如何利用机器学习技术进行自然语言的的深度理解，一直是工业和学术界关注的焦点。
谈到对数据进行分析利用，很多人会想到“数据挖掘”（data mining）。数据挖掘领域在二十世纪九十年代形成，它受到很多学科领域的影响，其中数据库、机器学习、统计学无疑影响最大。数据挖掘是从海量数据中发掘知识，这就必然涉及对“海量数据”的管理和分析。大体来说，“数据挖掘=机器学习+数据库“——数据库领域的研究为数据挖掘提供数据管理技术，而机器学习和统计学的研究为数据挖掘提供数据分析技术。由于统计学往往醉心于理论的优美而忽视实际的效用，因此，统计学界提供的很多技术通常都要在机器学习界进一步研究，变成有效的机器学习算法之后才能再进入数据挖掘领域。从这个意义上说，统计学主要是通过机器学习来对数据挖掘发挥影响，而机器学习和数据库则是数据挖掘的两大支撑技术。从数据分析的角度来看，绝大多数数据挖掘技术都来自机器学习领域，但机器学习研究往往并不把海量数据作为处理对象，因此，数据挖掘要对算法进行改造，使得算法性能和空间占用达到实用的地步。同时，数据挖掘还有自身独特的内容，即关联分析。
通过上面的介绍，可以看出机器学习是多么的重要，应用是多么的广泛。现随着大数据（big data）概念的兴起，机器学习大量的应用都与大数据高度耦合，几乎可以认为大数据是机器学习应用的最佳场景。例如经典的Google利用大数据预测了H1N1在美国某小镇的爆发、百度预测2014年世界杯结果从淘汰赛到决赛全部正确。这实在太神奇了，那么究竟是什么原因导致大数据具有这些魔力的呢？简单来说，就是机器学习技术。正是基于机器学习技术的应用，数据才能发挥其魔力。
大数据的核心是利用数据的价值，机器学习是利用数据价值的关键技术，对于大数据而言，机器学习是不可或缺的。相反，对于机器学习而言，越多的数据会越可能提升模型的精确性，同时，复杂的机器学习算法的计算时间也迫切需要分布式计算与内存计算这样的关键技术。因此，机器学习的兴盛也离不开大数据的帮助。大数据与机器学习两者是互相促进，相依相存的关系。
机器学习与大数据紧密联系。但是，必须清醒的认识到，大数据并不等同于机器学习，同理，机器学习也不等同于大数据。大数据中包含有分布式计算、内存数据库、多维分析等等多种技术。单从分析方法来看，大数据也包含以下四种分析方法：
1.大数据，小分析：即数据仓库领域的OLAP分析思路，也就是多维分析思想。2.大数据，大分析：这个代表的就是数据挖掘与机器学习分析法。3.流式分析：这个主要指的是事件驱动架构。4.查询分析：经典代表是NoSQL数据库。
也就是说，机器学习仅仅是大数据分析中的一种而已。尽管机器学习的一些结果具有很大的魔力，在某种场合下是大数据价值最好的说明。但这并不代表机器学习是大数据下的唯一的分析方法。
第四篇：面试题目
四、简答题
1、我校现有多少个学部、院、系？他们的全称分别是什么？
2、请简单陈述对你所报的部门的理解（部门存在的意义、发展方向等）？
3、请列举几个你认为现在校学生会面对的最亟待解决的问题。
4、假设你能如愿当选，简述一下你将如何把工作做好？
5、假如你与其他干事有纠纷，简述一下你如何处理？ 6.在什么样的条件下你工作最有效？
7.当你是对的，但别人却反对你时，你该如何处置？ 8.你是否愿意做一些常规又简单的工作？为什么？
9、如果你的学习和社团工作发生了冲突，你会如何处理？
10、在什么样的条件下你工作最有效？
回答：“我解决问题的方法很系统，包括四个步骤：收集有关信息、仔细分析问题、确定解决方案、着手解决问题。我发现很多人把前两个步骤忽略掉了，直接从解决方案入手，这是不妥当的。只要获取了足够的信息，对问题有一个充分的认识，我可以解决任何事情。” 1 你能为学生会带来什么，也希望学生会能给你带来什么？ 2 你为什么要进学生会？ 谈谈对你影响最深的一句话，一个人？ 4 学生会对学生有什么作用？.作为学生干部应如何处理好与普通同学的关系？ 6 你是否愿意做常规工作？ 文娱部的表演有很多元化，你可以列举几个有特色的表演（最好是你曾经表演过的）8 如果进入文娱不你会认为对你将来的发展有什么帮助？ 9 你觉得组织文艺活动应具备哪些基本能力？ 雷锋的螺丝钉精神在学生会工作中是否还有意义？谈谈你的观点？ 11 谈你的缺点, 并简述你的一次失败经历。如果你的学习任务与工作任务有冲突，你会如何处理？ 13 ,如果你进了学生会，你有什么想法，请写出你的计划。14 你对你认识的职位了解多少？ 15 你认为你进学生会的优势是什么? 一，组织中常见的决策陷阱有哪些？组织如何避免这些陷阱、二，决策的过程中包括哪些步骤？每一步骤需要注意哪些问题？ 三，你在衡量自己工作成绩中应该注意哪些问题？ 四，你愿意做常规工作吗？ 五，如何理解院系二级管理？ 六，计划的编制包括哪几个步骤？
七，你如何让别人接受你的观点或在主意？
八，你认为学生会是怎样的一个组织，而你又如何去发展它？ 九，你最大的优缺点是什么？对你的学习和工作带来什么的影响？ 十，请问加入学生会你最想得到的是什么？
1．如果你的意见与下属的有冲突，你会怎样处理？ 2．假如你进了学生会，你将怎么做？
3．简述你是凭着什么态度竞选学生会的，你有什么过人之处。4．你觉得大学与高中有什么不同？ 5．怎样处理好学习与工作之间的矛盾？
1、如何看待“读活书，活读书，读书活”？
1、在学生会里，有时因工作协调，会让你去做苦力类的工作，请问你如何看待？
1、你对宿管部的工作有多大了解？
2、你为什么要加入学生会宿管部？
3、假如你加入了学生会宿管部，你有什么计划？
4、你认为你自己有那方面的才能能够胜任宿管部里面的工作？
5、你是怎样看待责任心的？
6、假如自己班里面的工作与学生会的工作在时间上有冲突，你会怎样处理？
7、假如学生会的工作与你们班的某些同学有负面影响，你怎样处理？
8、你是如何去处理人际关系的？
9、学生会是有纪律、有组织的部门，假如你加入了学生会，你会服从上级的命令吗？
1、请做一下自我介绍。
分析：在面试刚开始时要求面试者做自我介绍是一个非常普遍的程序。有时面试者的问题就是从他们的自我介绍中得出的。在做自我介绍时，诚实非常重要，不要试图通过任何形式来隐藏自己过去的一些经历或者事件，也不应该自吹自擂，夸张自己的学识和能力。回答：面试的时候首先介绍一下自己的专业，班别等个人基本情况,先谈一下你对这个部门的的看法，然后再说说能为这个部门做的工作,最好有一些建设性的提议,这样评委看出你面试前有做准备，而且对他们的社团有兴趣，有兴趣才可以把部门的工作做好。所以这样就很容易通过了！但一般有时间限制，要注意！
2、你为什么认为自己有能力胜任这个工作？
分析：这是一个典型的无固定答案的问题，给面试者提供了一个机会，展示自己勇于接受挑战的个性。主考官也可对面试者的动机和信心有所了解。
回答：我具有你们所要求的技能，所以我能胜任这一工作。一旦录用，我将全力以赴为之努力。
3、你最大的优缺点是什么，对你的工作会有什么影响？
分析：回答这个问题的难点在于面试者既不能把优点说得不像优点，又不能把缺点说得过于严重。有一点面试者应该牢记在心：从你的回答中，主考官可以知道你的才能，也能了解你的价值观和自我评价的尺度。
回答：“我最大的优点是，我拥有组织严密的头脑，能从混乱的条理中理出头绪来。我最大的缺点或许就是不喜欢工作无序的人。我相信，我的XX能力有助于社团更的发展，而我欣赏工作井井有条的态度也会影响同事工作有序起来。”
4、你如何让别人接受你的观点或主意？
分析：主考官从你的回答中能获得两方面的信息：一是你在试图影响别人时，是不是让人感到很舒服；二是你的说服能力有多高。
回答：我通常会从他人的角度来看待这个观点，这样，我就能容易找到说服他们的方法。
5、在什么样的条件下你工作最有效？
分析：此问题考察的是面试者对工作条件的要求。主考官可以从中获取面试者的工作方式、影响工作效率的因素等信息，还可以知道面试者的不足在哪里。回答：“我解决问题的方法很系统，包括四个步骤：收集有关信息、仔细分析问题、确定解决方案、着手解决问题。我发现很多人把前两个步骤忽略掉了，直接从解决方案入手，这是不妥当的。只要获取了足够的信息，对问题有一个充分的认识，我可以解决任何事情。”
6、你经历过最让你失望的事情是什么，为什么？
分析：这个问题直接涉及到“成熟”这个话题，它能体现出应聘者的做事标准及价值观念。
7、你希望从工作中（我们社团中）得到的最大回报是什么？
回答：“对我而言，最重要的是工作能发挥我的特长，能有成就感。同时也期望工作能让我超越现在的水平，不断地提高自己，获取更多的经验，丰富自己的大学生活。
8、当你是对的，但别人却反对你时，你该如何处置？
分析：这个问题不仅能反映面试者处理不同观点和随之而来的压力的能力，而且还能从中看出面试者处理矛盾的能力。
回答：“首先，我会寻找足够的证据证明我是对的。一旦确认正确，我会从他人的角度考虑这个问题，我会试着从他们的角度说服他们，相互开诚布公，直到双方达成一致意见。”
9、你认为你有资格胜任你的职位吗？如果不能你会怎么做？
分析：这个问题如同问面试者的弱点，回答时不能大意。
回答：“要胜任这个职位，肯定有许多新东西需要我去学习，但是我学得很快。我相信我的能力和技能可以适应这个工作。
10、你是否愿意做常规工作？
分析：主试人从以往痛苦的经历中体会到，新进社团的大学生很多没有意识到他们刚进入社团大多是要做一些琐碎的、常规的工作，你应向对方解释，你理解需要有人做常规工作，在你奉命完成更有责任的工作之前，你知道要先完成一定数量的日常常规工作，这也是你有准备接受这项必要的工作的原因。
回答：行，没问题，社团工作不能一蹴而就，我知道社团里大多是要做一些琐碎的、常规的工作，而我认为在任何事情中都有学习的机会。
11、你在接受别人指导时，会不会感到难受或受到伤害？
分析：这是个顺从性问题，如果你的失误被别人指出来之后，会轻易地顶撞或发火，那么你在组织里不会干得很久。初级岗位的竞争相当激烈，这也是你表明自己与众不同的又一个方式。
回答：“我会接受别人的意见，更重要的是，我能接受建设性的批评而没有抵触情绪。即使主观上尽全力而为，我也还会出现失误，还需要别人把我引回正确的方向上。我明白，如果我想在团体里有所发展，我必须首先要证明自己服从管理。”
12、你为何想进我们部门？
分析：主试人想考察的是你的价值取向和工作意图。不要只谈希望团体给你提供多少价值、经验，而应让对方觉得你能为团体创造价值。
回答：我有这方面的能力，并且善于学习，同时我想通过我自己的努力，尽可能的为团体创造更大的价值。
13、如果你的学习和社团工作发生了冲突，你会如何处理？
分析：这是学校社团面试中最常见的问题，这中问题没有固定的回答模式，主考官主要是想从中得知面试者处理学习工作矛盾的方法能力和其责任心。回答：以你以往的一些经验谈谈，不能绝对地说你会处理好，说你会尽力在学习中平衡两者。完美13问。
另外面试不需要多，新人面试不懂问什么问题我这就给几个参考下：
你觉得我们社团怎么样，有这么多的社团为何来我这面试呢（自己判断说的是不是实话）你准备怎么给我们留个好印象呢，有什么让我们选你的理由吗？（看看人家是否真心想加哈）在这么多来面试的人中，你觉得自己突出吗？你的优势在哪？（可以把人家吓到，不过这个效果更好）
五、论述题
1、论述你对你所报部门有什么建设性的想法？
2、论述如何合理的安排你的学习和工作时间，如果发生冲突如何解决？
3、在工作中，自己难免会发生错误，你是怎样看待错误的？
4、都说同事关系很难相处？你如何看待？如你被录用你如何和同事相处？ 5.谈谈你心目中的大学生活？你设想如何度过你的大学生涯？
6.雷锋的螺丝钉精神在学生会工作中是否还有意义？谈谈你的观点？
7，假设要你组织一项活动，而大家的积极性都不高，都没人愿意加入，你会以怎样的方法，使大家对你所组织的活动感兴趣？ 六.情景模式题：
1.当你临危受命接到了部门的通知要在三天内排出一个新颖的节目 你有什么构想（构想一定要贴合实际）
2.要进行一场比赛，例如：过一段时间在广科里举行的‘迎新杯’篮球赛要做哪些准备工作？
2010~2011年机电工程学院 学生会换届公开竞选 笔试
(时间:60分钟)姓名____ 班级______ 竞聘第一职位_______ 竞聘第二职位_______ Ⅰ必做题
您对院学生工作的总体印象如何,哪些方面需要改进.您认为你自身的什么品质最能胜任 学生会干部职务.Ⅱ选答题
您根据您竞聘的职位回答以下 试题中对应的两道题目即可
主席团成员:主席团是实行分管部门制度,你认为应该怎么指导分管部门的活动
体育部部长:如果让你组织一项体育比赛,你将如何增强它的影响力 甚至将他打造成一个品牌活动
学习部部长:现要求我部创建一个品牌活动,活动对象不限我院,请你确认一个主题,并解释原因.外联部部长:现在很多商家都感觉拉赞助是在骗他们钱,那么在拉赞助的时候你将如何让他们解除这样的误会 并产生合作兴趣 可以送老生晚会为例.女生部部长:你对现在的女生部有什么意见和建议 如果你是部长在以后的时间里你会怎么做
生活部部长:现如今生活部检查宿舍都是集中于周三下午,(这里有现实原因存在)这样往往造成大家的应付心理,那么对于宿舍的管理方面你有什么见解
新闻部部长:你如何扩大新闻的影响力和影响范围 具体的办法和形式可以有哪些
文艺部部长:目前为止,文娱部每年都有两个重头戏,迎新和送老,都是在院级范围组织活动,那么对于走出去你有什么见解
宣传部部长:你认为宣传部可以创立哪些属于自己的品牌活动,且为此次活动做一次宣传板子示意图.
第五篇：面试题目
公务员面试问题
第一题：你是一个新人，有的老同志刁难你，排挤你，认为新人不行，怎么办？ 【名师解题思路】
对于人际关系中的矛盾与问题，考生应该首先做到正确看待，将心态放平和，认真分析问题出现的原因，从而寻找到与人沟通、解决问题的有效办法。
【名师参考答案】
新近单位之后，在工作中遇到一些难题是在所难免的。所以作为一个新人，要具有这种适应环境，遭受挫折的勇气。同时也用一种积极的态度来对待这些难题，同事的批评，是自己进步的动力，也是自己能够更加认识到自己的问题。
有的老同志刁难我，排挤我，认为新人不行，对于这样的事情，我会从以下几个方面来处理。
第一，就是摆正心态。不能自己想当然的把同事对我的批评当做是故意刁难我，排挤我。我想肯定是我在工作中存在问题，同事对我不满意，才导致了对我不信任，认为我不行。我更应该诚恳的接受批评，谦虚的向同事学习。
第二，认真的对自己的工作进行总结。思考自己在进入单位后的工作中存在什么问题。是否存在工作态度不够积极主动，学习的主动性不够的问题；是否存在在工作中理论与实践相脱节的情况；是否存在在工作中不够细致谨慎等问题而导致的同事的不信任。
第三，针对自己的问题，进行有效的学习和加强。如果存在工作态度的问题，在未来就一定要端正工作态度，积极主动地对待工作；如果工作方法存在问题，理论与实践相脱节，既要多看、多学、多做。观察同事的做法，请教同事的意见，多主动揽活，多实践；如果存在工作中不够细致谨慎的问题，就要从心底认识自己的问题，端正自己工作作风。“细节决定成败”，用高度的责任感对待自己面对的工作。
第四，在自己自我完善的过程，让同事看得到我的努力，用我的行动来获取老同事的信任。在工作中多向老同志请教求帮，老同志有丰富的经验，一定能够给我很好的指导。
总之，我一定要用积极的态度面对工作中的难题。在未来的工作中不断的加强和完善自己，多与领导同事进行沟通，相信一定会很好的处理与同事的关系，把工作做好。
第二题：领导让你组织一次海关与武警的活动，要体现新鲜新颖。你怎么打算？ 【名师解题思路】
选准活动形式和主题，把握好组织活动的流程，以此为脉络来展开活动的准备和组织工作。在具体实施的过程中，要做好协调和控制，更好地把活动落到实处。为了体现新鲜新颖，可以在活动形式、活动内容上下功夫，同时将活动当中需要注意的问题进行细化，把握整个活动的重点和难点，将人员有效分工，物资合理配置，促成整个活动的顺利完成。
【名师参考答案】
组织一次海关与武警的活动，既可以丰富我们的生活，又可以加强海关与武警之间的感情联络，达成形成默契，在未来工作中可以更好的配合。下面我谈谈我的打算。
我打算举办一次展风采比赛，既体现出海关与武警的精神面貌，又可以让彼此更加了解，同时联合媒体进行宣传，让百姓也更加了解我们的海关和武警的风采。
首先我会将自己的想法与领导沟通，听取领导的指示。在领导的指示下，着手准备。
第一，与海关和武警两部门的负责人沟通，先确定各部门展风采的项目，合适的时间，并确定好比赛的场地；
第二，确定评委的名单，比赛规则及奖项的设置；
第三，明确要邀请的媒体；考试大－中国教育考试门户网站(www.xiexiebang.com)
第四，成立赛务小组，下设一、二、三组，分别承担媒体联络、后勤服务、比赛组织等相关工作。
第五，将以上内容作出书面方案，根据需要的物品做出经费预算，上报领导。
领导审批后，根据既定的方案，在海关和武警相关部门进行大力的宣传，时刻关注参赛状况，并督促选手抓紧练习。同时召开赛务小组会议，落实责任，明确分工。
在比赛当天，作为主要负责人，要加强与各小组工作人员之间的联系，及时的了解情况，遇到问题及时解决。并传达工作原则，严格要求各小组各司其职，保障此次展风采活动的顺利召开。
我认为此次比赛的重点就是让海关和武警发挥出自己的真实水平，“友谊第一，比赛第二”，希望通过比赛增进了解。所以在比赛期间，我会安排由武警和海关的同志共同编排的节目，节目主要反映两个部门的紧密合作的工作状况。
比赛结束后，邀请领导致辞并对获奖者进行颁奖。之后整理比赛现场，与比赛过程的资料进行汇总整理，并跟踪各媒体的报道状况。
作为主要负责人，将此次比赛的参赛、比赛及获奖状况做成书面总结上报领导，并对赛务组成员的努力表示肯定。鉴于此次活动所获得成效，向领导建议定期举行类似的活动，更好的加强海关与武警间的合作关系。
第三题：可能要长期驻外啊，你怎么看待？ 【名师参考答案】
《论语?里仁》中有“父母在，不远游”的说法，在中国人以孝为先的传统理念下，我们确实应该尽量留住父母身边，承欢膝前，一家人可以尽享天伦之乐。
我们也一直有另一句话“忠孝难两全”。为国尽忠与父母尽孝的两难不是今天才出现的，千百年来一直是困扰大家的问题。而我们也可以看到，在国家需要的时候，在我们可以为祖国尽一点绵薄之力的时候，每个中国人都不会吝啬自己的奉献和付出，每一对父母也都会为自己的孩子而骄傲。以我自己为例，如果我代表国家长期驻外，我的父母会全力支持我的工作，并且会以我为骄傲。来源：考试大的美女编辑们
再退一步，距离现在已经不再成为现代人考虑问题的重要限制因素。我们现在的社会中可以看到，子女远离家乡到大城市工作学习的现象越来越普遍，空巢老人逐渐增多。这是因为，高科技的发展，通讯工具、交通工具的不断进步，越来越多的人已经不再在意距离问题。毕竟现在已经不是进京赶考一次要经年累月的年代了，朝发夕至在很多时候都成为了一种可能。因此在现实意义上，我没觉得长期驻外和在国内工作有什么实质上的区别，也不认为这件事可以构成自己选择上的障碍。
当然，就像《论语?里仁》“父母在，不远游”还有后半句“游必有方”所说的，我们可以离父母远一点，可以为了国家、为了工作、为了前程而离开父母身边，暂不承欢膝下，但是我们需要能让父母不为我们的远离而焦虑而担心。我们的离开必须是时刻让父母能够了解的、让父母能够安心的。同时我们离开的时候，也应该是充分考虑父母的状况的，能够安置好父母的生活，离开后要与父母保持联系，给予关心，尽量做到“忠孝两全”。
第一题：你迄今为止最失败的事情是什么。你本科是哪儿的；为什么本科毕业不报考外交部；你如果进入外交部，以后的10-15年怎么计划的；如果没能进入外交部，将来会怎么办？（1）你迄今为止最失败的事情是什么。
面试中有一类问题，要求考生回答过去生活中遇到的最成功、最失败、最幸福、最痛苦等的事情。这类问题看似简单，要回答时却经常感觉无从下手。
考生在面对这类问题的，经常会产生的一个困惑是：自己生活中不曾发生过任何重大的、值得一提的事情。事实上，这就是进入了一种思维误区，即认为只有重大的、惊天动地的事情才是值得一说的，才是可以说的。事实上，大部分人的生活都是平凡的，都没有那么多的波澜起伏。因此成功、失败的事情，也不会像电视中、故事里那样动人心弦、惊心动魄。而面试中也并不要求考生回答的事情是如何重大的。
事实上，只要掌握了基本的原则，这类题目的回答并不难。考生要明确的是，这类题目的测查要点并不是事情本身如何，而是通过这件事你有哪些感受，获得了哪些经验，面对成功和失败时，你的态度是什么，以及经历的这些事情对于以后的人生道路产生了什么样的重大、深远而积极向上的影响。因此阐述中对于事件只需做简单的陈述，重点是要阐述清事件对你本人的重大意义。
（2）你本科是哪儿的这个问题与“你迄今为止最失败的事情是什么”考察的原理是一致的。考生的本科学校是哪里虽然会有一定的影响，但更重要的是，自己对本科学校的认识、对本科期间求学经历的认识、本科学校的精神对自己产生了哪些影响、自己在本科学校求学期间有哪些成长等。
（3）为什么本科毕业不报考外交部对于这道题目，其实是为何报考外交部的一个逆转，考察的是本科毕业时的心态与动机。考生需要注意的是，答题当中不能抛开现在而空谈当年为何不报考外交部，而应该与现在报考外交部相联系，当年不报考是为了今日更好地报考。以下几点可备参考：本科毕业时希望攻读硕士，提升自己，以备今日能更加胜任外交部的工作；几年的时间磨砺更加坚定了自己报考外交部的选择；当年也曾经报考，很遗憾地未能入围，这几年一直没有放弃进入外交部的想法，一直为之而努力。
（4）你如果进入外交部，以后的10-15年怎么计划的。
这道题目涉及的是进入外交部以后的人生规划。具体的规划每个人可以自行设计，但是却应该突出以下几点：短期内能够塌下心来，认真工作，谦虚相学，并且具有不怕苦累不畏烦难的精神；所谓“不想当元帅的士兵不是好士兵”，做好工作的同时要突出自己的中长期的高远目标，不能目标仅止于进入外交部而已，要能够成为外交部一名优秀的工作人员，成为业务骨干，为我国的外交事业发展贡献一份微薄之力；整个规划应该具有可行性，符合外交部实际工作节奏，也符合个人的性格特征。
（5）如果没能进入外交部，将来会怎么办？
对于这道题目，需要考生在回答中体现这样几点：?对于进入外交部很有信心。相信以自己的能力和表现应该有机会进入外交部工作；?当然如果竞争对手比自己优秀，而考官选择了我的竞争对手，那么我也要恭喜对手，毕竟考试时优中选优的。?对于以后的打算初步有：继续学习，不会因为这一次失败就放弃自己进入外交部的理想；参加工作，在工作中磨砺自己，让自己更加成熟；精神上一直明确自己的目标，让自己能够一直保持前进的状态。
第二题：关于老年人权益，尤其是精神方面的权益，最近进行了立法，如果子女不回家看望父母，将受到法律的制裁。问对这一问题的看法。
【名师解题思路】
首先，考生可根据此项立法项目出台的背景，进行原因的分析；其次，对于此项立法项目，发表个人的见解。最后，道德层面的问题，是否可以从道德层面再进行一个约束，以保证此项立法项目的效果，提出个人的见解和对策。
【名师参考要点】
随着我国人口老龄化进程的逐渐加快,现有的法律在其内容和实施过程中,缺少对于新情况和新问题的应对,需要我们进一步深入研究老年人法律保护体系,紧密结合我国老龄化社会发展特点,将与老年人有关的一切权益,诸如养老保障、医疗保健、照料服务、精神文化生活等,都纳入法律保护体系中来,真正做到有法可依,有章可循,形成完善的老年人保障机制。最近，出台了为老人精神方面的权益进行立法项目，是在我国老龄化日趋严重的背景之下提出来的。对于这个问题，我认为应该辩证看待：
第一，结合我国目前的现状，原有规定已不能全面保障老年人权益，尤其是无法满足老年人情感方面的需求，因此，此项立法，对于满足老年人的精神方面需求，起到了非常好的促进作用。今后如果再不常回家看望父母，很可能会触犯法规受到制裁！对身为“儿子”、“女儿”的人来说，这已绝不再是戏言。
第二，“这既体现了政府对老年人权益保障的重视程度，又彰显了让发展成果惠及于民的时代主题。” 以立法方式唤醒年轻一辈的“精神赡养”意识，在当前十分必要，有利于社会的和谐稳定。但是，从另一方面，我认为，道德层面的问题仍需要道德来约束，否则，可能就适得其反，出现一些不诚信的行为，如父母为了包庇和保护子女，发表不真实的言论，反而不利于我们和谐的社会风气的形成。另外，结合目前的社会形势，很多子女都外出求学、务工，工作强度大、时间紧、任务重，无法经常回家探望，甚至一些人连回家的路费都难以保障，那么是否仍要受到法律的制裁，我认为值得商榷。因此，要想把我国“百善孝为先”的传统美德继续发扬和光大，我认为，除了必要的法律约束之外，还要从道德层面进行呼吁和唤醒，从小就要向孩子宣扬孝敬父母的传统美德，家长、社会、学校给予正确的教育和合理的引导，只有这样，才能形成一个人人孝敬父母的良好社会风气和氛围。
第三题：留守儿童问题凸显，存在很多有心理问题，如果你是妇联部门的一个工作人员，请针对上述情况策划活动，举出三个主题。又问：以其中的一个主题为例，叙述实施中应注意的重点。
【名师解题思路】
首先，考生可根据题目设定几种活动的主题和形式。其次，根据自身特点，选择自己最擅长开展的一种活动形式，进行重点论述。
【名师参考要点】
1.由于城镇化进程的推进，以及人才的流动，导致我国留守儿童心理问题凸显。因此，解决留守儿童的心理问题，保证留守儿童健康成长，至关重要。所以，作为妇联部门的一名工作人员，我认为可以采取以下几种活动形式，进行正确的引导。一是以“人人献出一份爱，关爱留守儿童”为主题的文艺晚会；二是以“给留守儿童一个温暖的臂膀”为主题的宣传活动；三是以“让我们携起手来，关注留守儿童”为主题的调研。
2.以“让我们携起手来，关注留守儿童”为主题的调研为例，我认为此次活动实施中应注意的重点，就是保障此次调研的效率和数据的真实、有效。因此，我打算采取下面措施来进行解决：
第一，要想提高调研的效率，我打算采取随机、分层或分群的形式确定调研对象，因为我国目前留守儿童较多，所以在调研对象的确定上，应采取以上方式，来确保调研工作的顺利展开。与此同时，要采取多种多样的调研方式，多管齐下，如网络调查、调查问卷、入户走访、街头拦截、电话访问等方式齐头并进，加速调研的进程。
第二，为了保障数据的真实、有效，我认为就应该让调研对象敢于表达、急于表达、想要表达。那么在调研过程中，工作人员就要注意调研的方式和方法，注意说话的方式，要向调研对象表达出我们解决问题的诚意和态度，让人民群众看到我们的决心。与此同时，我们也会做好保密工作，注重个人隐私的保密性，让调研对象表达之后无后顾之忧。
第三，在工作开展的过程中，作为负责人，我要协调好各工作人员之间的关系，并邀请有关心理辅导专家亲临现场，遇到问题及时处理和解决，以保障工作的顺利开展。
最后，通过此次活动，我认为这也是对我能力的一种锻炼，我会认真总结工作，争取以后能够更好地完成工作。同时，我也相信，通过我们全社会的共同努力，一定能够给留守儿童创造一个更加美好的明天！
第一题：材料题，大意是办公室工作人员小王，李某是一退休职工，一日来找领导，小王向领导汇报后，领导说：你跟他说我不在。小王于是对老李说领导不在。可是老李没走，一会领导出来了，遇到老李。老李说：你不是没在吗？领导说：我一直都在啊…… 于是老李到处说小王欺上瞒下，品质差。下面有ABCDE五个选择方式。问，这五种方式有什么弊端？你会怎么选择？
【名师思路点拨】
这是一道人际沟通题，模拟的冲突状态是人际关系的冲突，小王、老李、领导之间出现了人际关系的异常，作为小李成为矛盾的矛头，人际关系继续修补。题目中给出五种方式来化解矛盾，而五种方式都具有一定的弊端，作为小王，要想真正化解此人际关系之“危”，带来未来人际和谐之“机”，必须要把握以下几个原则：
第一，在心态上摆正。人际关系考核的就是复杂人际环境的适应性。要在这个环境下适应，首先在心态上要是去解决问题，而不是推卸责任；要主动，而不是要被动。
第二，对待领导态度上，要多替领导分忧，多为领导担责。
第三，对于离退休的老同志，要尊重，平等对待。包容但不纵容。
第四，对于自己的问题，要深刻反思，多从自身找原因、挑问题；对于他人的误会，要学会去主动化解，消除影响。第五，流言止于智者，一时无法完全消除的误会，要学会冷处理，用行动向别人证明自己品质。“路遥知马力，日久见人心”。
相信把握以上这五个原则，就一定能够化解人际关系的危机，共赢和谐关系。
第二题：关于绿色出行，要建自行车出租站，你怎么展开相关的调查。
【名师解题思路】
首先指出此次调查活动的目的意义，再依据调查活动的特点来展开具体工作。考生应该把握好调查活动的流程，以此为脉络来进行准备和组织工作，在具体实施的过程中，要做好协调和控制，而为了确保调查的广泛、真实、可信，要将调查当中需要注意的问题进行细化，把握整个活动的重点和难点，选择合适的调查形式，将人员有效分工，物资合理配置，促成整个调查顺利完成。
【名师参考要点】
在倡导低碳生活、绿色出行的今天，建立自行车出租站不仅有着重要的环保意义，而且能够便利居民出行，甚至能解决某些大城市居民的走出地铁的末端交通难题。真实有效的调查能给有关人员提供有效的参考，我会高度的重视，从以下几个方面展开工作：
第一，首先向领导了解设立自行车出租站的答题情况和基本要求，咨询有经验的同志和查阅以往资料的方式确定调查的内容和形式，初步将调查形式确定为问卷调查。制定一个计划，包括调查的时间、地点、参与的人员、物资以及选定典型的有代表意义的调查对象，譬如，选择几个地铁附近的小区、商业区，将计划上报领导，领导批准后，严格按照计划实施。将相关人员聚集在一起召开会议，落实分工，明确各个小组的责任。设计调查问卷，调查居民关于自行车租赁情况的建议，如：自行车站点的数目、地址和付款方式（刷卡或者现金）等，对相关人员进行培训，印制好相关材料，购买调查需要的小礼品。
第二，调查过程中协调好各个小组之间的工作，调查小组发放、回收调查问卷，保证调查的顺利进行；宣传组用发放小礼品等形式鼓励公众参与调查，监督小组监督整个调查过程，保证调查的真实有效，后勤组保障整个调查团队的后勤工作。当调查过程中发生意外时要及时作出处理，及时向领导汇报调查的进展，使领导了解调查的进程。调查过程中的工作重点是保证调查数据的真实有效。
第三，调查结束后，收拾调查的物资和现场，将调查问卷进行统计，筛选掉无效的和虚假的信息，整理出调查报告，提交相关部门。工作结束后，结自己在本次活动取得成绩与不足，以为后来活动借鉴。
第三题：一个新闻记者去你们单位采访民生问题，结果第二天见报后与事实不符合，民众纷纷致电单位，领导也表示关心。问你该怎么办？
【名师解题思路】
先分析事件的影响，确定自己的工作方向，然后针对题目中的问题，具体情况具体分析，将问题及时解决，最后进行反思和总结。
【名师参考要点】
1)做为一名公务员，在日常的工作中应该多关注媒体的言论，不当的言论不仅会影响到单位的声誉，甚至会损害到群众的利益。在我们单位发生了题目中的情况，我会高度的重视，迅速的采取行动。题目中出现的情况看起来似乎是件小事，但牵涉到媒体和民众，处理不妥就会变成大事。我作为单位的一员，要事实为依据考虑周全、灵活处理此事。
2)在这个事件中，我一方面要配合好领导做好民众的工作，另一方面要及时与媒体的沟通，争取将损失将到最小、影响降到最低。
3)首先，我会确定问题的真实性，有可能民众不了解情况，报道与民众了解的事实有出入，引起了民众的误解。我会在获得领导许可后，及时的将相关信息告知接听民众电话的同事，请他们转告公众，打消群众的疑虑，甚至可以在媒体上进行解释说明；如果确实与事实不符，可能是媒体刊发过程中的失误，也有可能是单位被采访人员不了解情况，导致报道失实，无论哪种情况，我会请示领导，及时的与媒体的负责人进行沟通，争取通过其他媒体或者该报纸的下一期予以更正，必要的情况下回收该期报纸，避免影响的扩大；处理的过程将处理情况及时上报领导，听取领导的指示。
4)最后，事件处理完毕后，我会帮助单位的相关责任人查找原因，提交一份详细的事件报告。通过这件事情，我们单位应该及时总结，引以为鉴，在今后的媒体工作中考虑问题更周全、处理事情更审慎、沟通方式更恰当。这件事也让我思考，如何让我们媒体公关工作的流程和规范更加清晰明确。比如题目中媒体发布信息，我们应该事先核实将要发布的信息是否准确有效，这样可以避免不必要的纠纷，既不会给媒体的利益造成损失，也不至于给单位造成不利影响，甚至损害群众的利益。如果思考成熟，我会写出一份详细的建议书供领导审阅，以便今后更好的开展工作，从点滴小事做起，维护我们单位的形象和群众利益。
第一题：你和一个同事在一个科室，他比较善于表现自己，而你比较默默无闻，你怎么看。
【名师答题思路】
此题是一道人际沟通类的题目，主要依据考生在此情景下的反应考核考生的沟通协调能力，所以第一步要进行表态，根据不同的原因找对策化解，最后进行总结反思，避免此类事件的再度发生。
【名师参考答案】
（1）每个人都有自己的处事方式，同事善于表现自己，这一点是正常的，体现了同事自信。而我默默无闻，有可能使领导和同事认为我不够积极、上进，我会正视工作中这点小挫折。任何人的工作都不可能会一帆风顺，都会遇到各种各样的挫折，遇到问题不怕，关键是看我们怎么正确对待它，我将从以下几个方面处理好这件事情。
（2）首先，上述情况不仅关系到我个人发展，更关系到单位的和谐，我会积极主动地多与同事交流，学习大家的优点，共同追求进步。
（3）我要认真分析造成这个情况的原因，多找主观原因，有可能是同事业务水平比较高，解决问题能力强，能者多劳，承担的任务多，表现的机会多，组织有意的培养他。而我可能业务不如同事熟练，锻炼的机会少些，让大家认为我默默无闻。在这种情况下，我不会嫉妒同事，会积极主动的向同事学习，提升自己的综合素质和业务水平，树立自信，认真完成单位交给的任何任务，抓住机会展现自己的才能；如果是由于个人做事方式和生活习惯差异而导致工作方式不同，并不影响正常的工作，我会本着求同存异的态度处理好和同事的关系，互相帮助，共同进步。
（4）在以后的工作中，我会多向领导请教，向同事学习，积极的帮助同事，诚恳地表示自己愿意帮助大家的心意，尤其同事有忙不过来的情况更要积极帮忙，加强和同事的沟通交流，同时充分发挥自己的才能，以饱满的热情投入到工作当中去。
第二题： 单位组织一次扶贫救困的活动，由你组织，怎么做？
【名师参考答案】
举办一次扶贫救困活动可以帮助弱势群体缓解生活上的困难，让他们感受到来自社会的关爱，也是我们单位的同事奉献爱心的一个良好的机会，我会从以下几个方面展开工作：
（1）首先，了解领导的意思，查阅以往资料，咨询有相关工作经验的同事，确定此次扶贫救困活动采取募捐的形式。并与募捐对象（如五保户、红十字会）联系，了解他们的需求。活动筹备组制定活动的计划，包括募捐的时间、地点、参与的人和需要募捐的物品，时间定在某一工作日，地点是本单位餐厅门口。领导批准计划后，严格按照计划实施，召开会议，落实分工，明确每个人的责任，做好募捐前的宣传工作，通过宣传栏、官网和邮箱的方式使大家了解募捐活动，让大家有时间准备好募捐的物品。
（2）募捐时，协调好所有人的工作，保证募捐的正常进行，秩序组维护好现场的秩序，主持组把控好募捐活动的流程，宣传报道组负责现场的摄像记录等，领导组做募捐开场动员发言，鼓励大家积极募捐，登记组登记好募捐物资的种类和数额，及时向领导汇报，有意外及时处理。
（3）募捐结束后，将物资进行核实，及时送往募捐对象，并通过媒体宣传此次募捐活动。整理工作总结，报领导并存档，做一个个人总结，总结自己在本次活动取得成绩与不足，以为类似活动借鉴。
第三题：对于当前有些高校开设公务员培训课程等现象，你有何看法？
【名师参考答案】
随着经济社会的发展，公务员的工资水平和待遇逐步的提高以及公务员的社会地位越来越得到社会的认可和重视，社会上出现了公务员报考热的现象。因此，有些高校开设了公务员培训课程对在校大学生进行培训，对于这样一种现象，我们应该全面的、客观的予以分析。
这种现象有其合理性的一面：
第一、随着我国招生规模的日益扩大，当前社会出现了大学生供过于求的局面，大量的高校毕业生难以就业，出现了就业难的现状；
第二、我国中央政府和地方政府高度重视后备领导干部的选拔，近几年选拔的领导干部数量较大，吸引了广大的大学生和高校前来参与。高素质知识分子进入到政府机关，为我国的决策和执法队伍注入了新鲜血液；
第三、随着公考热和政府选拔力度的扩大，高校对此也高度重视，通过培训等手段提高大学生的素质能力和水平，一方面激励和鼓励更多的大学生加入到公务员队伍，另一方面也有利于提高学校的就业率和学校的知名度。
但是，我们看到，这种措施也有其不合理的一面：
第一、不利于我国政府选拔出德才兼备的人才。习近平副主席提出，在新一届领导干部选拔的过程中，要认真贯彻德才兼备、以德为先用人标准，体现了政府对于人才才能和品德的高度重视。但是我们看到当前高校的公务员培训还存在这样的误区，只是过于注重大学生应试能力的培训，不利于大学生的综合素质的提升；
第二、不利于政府选拔人才公开、公平、公正原则的实施。我国公务员法明确提出，公务员面试的过程中，要严格贯彻落实人才选拔的公开、公平、公正的原则，而这些学校通过培训本校的大学生，提高本校学生的应试水平，对于其他学校的大学生来讲，是不公平的；
第三、高校开设公务员培训课程，对于大学生产生误导，积极投入到公务员的报考中，而对其他课程，特别是专业课程的学习，与高等教育的培养宗旨不符，也不利于学校培养出其他行业所需要的人才。
因此，高校在培养大学生的过程中，应该注意以下几点：
第一、高校在培养的过程中应该重视的是学生思想道德水平的提高，不断的增强学生为人民服务的意识，使得他们具备良好的政治觉悟，使得这些学生在进入到公务员的岗位之后，能够扑下身子、在公务员的岗位上求真务实，服务百姓，造福一方；
第二、高校在培养大学生的时候，更应该注重学生综合素质的提高，从学生的个人修养、仪表仪态、人际交往的意识、面对困难的心态等方方面面全面的提升学生的素质水平；
第三、要合理引导和教育大学生注重全面发展，不要盲目报考公务员，利用学习资源，重视专业课理论知识的学习和实践。结合自身特点和职业规划，制定出适合自身发展的职业规划。
相信通过政府的努力，社会的关注，高校的协同，我们公务员的后备军将会拥有更高的素质水平，将会为人民的幸福、为祖国的繁荣作出更大的贡献！
第一题：你单位新进一个文件收发的新同事，你工作很忙，在这种情况下你怎么帮助他？ 【名师参考答案】
公务员的队伍是一个团结向上的队伍，是一个有凝聚力、有生产力、有战斗力的队伍。作为公务员的一份 子，任何时候都要团结同事，以大局为重，为单位的和谐，为单位的形象做出最大的努力。单位新进一个文件 收发的新同事，我工作很忙，这种情况下，我会在不影响自身工作的情况下，从以下几个方面尽自己最大努力 去帮助他：
首先，明确自己的职责范围，积极投入到工作中，完成领导交付的各项工作。以身作则，起到模范带头作 用。为新同事做一个好榜样。
其次，做好自己的本质工作并不代表要忽视新同事。新同事刚来就承担了文件收发的任务，在文件收发的过 程中，我们知道需要注意的细节很多，一旦出现错误，将会给单位造成严重的影响。我会积极主动地与新同事 进行沟通，了解他的一些困难和问题，在权责内为他提供更加全面合理的信息，供他参考。如需要其他同事帮 助，我会主动为他进行介绍，帮助他快速的适应新环境，掌握文件收发的一些技巧和注意事项，高效完成工作。
总之，在今后的工作中，我更要积极的鼓励同事，帮助同事，和他并肩作战，完成领导交付的任务。对于 自己来讲，也要虚心的向同事学习，不断提高自己的业务能力和综合素质，在自己平凡的岗位上狠抓实干，为 替人分忧、为群众服务。
第二题：五四运动是一次关于理想和信念的活动，要你组织一次纪念五四的活动，你怎么组织？
【名师答题思路】
对于组织活动，考生应先选择合适的活动方式，在把握活动流程的基础上，以此为脉络来展开活动的准备和组 织工作。在活动具体实施的过程中，要做好协调和控制，把活动落到实处，把握整个活动的重点和难点，将活 动当中需要注意的问题进行细化，将人员有效分工，物资合理配置，促成整个晚会活动的顺利完成。
【名师参考答案】
五四运动以来，一代又一代有志青年和青年学生，在中国共产党领导下，在五四精神感召下，心系民族命运，心系国家发展，心系人民福祉，用青春和热血书写了中国青年运动的壮丽篇章。90多年过去了，五四运动的爱 国精神以及五四运动带给我们年轻人的理想和信念永远不能改变。因此，组织一次纪念五四运动的活动，意义 深远。我将从以下几个方面着手：
第一，我会和领导、有经验的同事进行沟通，领会领导的目的和意图的同时，吸取同事组织相关活动的经验教 训。
第二，这次活动的主题确定为“理想与信念——青年人，民族之魂”；活动的形式确定为参观历史展览和“理 想与信念”歌唱晚会两种形式。同时确定这次晚会详细的日程安排、参观的内容等。通过广播、媒体、报纸、宣传栏等多种方式向市民宣传，引导广大市民积极参与到这次活动中来，并且提交报名和参选的节目。对参加 的人员及参选的节目进行筛选，确定参与此次活动的人员及节目名单。根据规模确定活动的经费，并制定详细 的计划报领导审批。待领导审批通过之后，通过多种电视、广播、报纸、知名网络、手机等方式下发通知，进 行工作落实。
第三，召开筹备会议，形成组织小组，并下设几个职能小组，分配任务，落实责任，并且严明纪律，保证此次 活动的顺利开展，包括：
联络督导组：负责整个活动过程中各个小组及相关人员之间的联络工作；保证各个小组之间的计划能够落到实 处；出现突发情况的时候，能够及时采取措施予以应对。
活动组织组：选派两位解说员，对五四运动以来的历史人物、历史事件进行解说，让新一代年轻人对国家的历 史有个明确的了解；在晚会阶段，选派经验丰富的主持人有序主持这次以“理想和信念”为主题的晚会。在这 次晚会中采取通过先锋模范人物发出倡导、颁奖等多种方式推动晚会进入高潮。
后勤组：负责此次活动的联络、接待、交通、餐饮等各项事宜，尤其要做好晚会的秩序维护和安全的保卫工作。
宣传组：这次活动的过程中，通过媒体向外界进行宣传，为活动营造文化氛围。
第四，在活动结束后，讲此次活动的照片和视频上传到网上与民众进行交流，听取民众反馈，搜集民众意见，并且将相关的视频、资料、民众意见进行登记备案为以后的活动提供借鉴。相信通过这次活动，可以进一步坚 定青年人的共产主义理想和信念，以更大激情投入到社会主义建设中去，成为党值得信赖、堪当重任、大有希 望的新青年！
点击咨询 