微軟AI面試題有多難？這里有一份樣卷
大數據文摘作品
編譯：張南星、衛青、錢天培
究竟什么樣的AI人才能被微軟這樣的巨頭聘用呢?
是不是要碼力超群，上來就能徒手寫個AlphaGo呢?還是要眼光毒辣，當場就能構想出未來20年AI發展前景呢?
當然不是!
今天，文摘君就淘來了幾道微軟AI 面試題，同時給出了最基本的解答。(注意是最基本解答哦，歡迎在文末留言給出你認為更好的答案。)
神秘的微軟AI面試題，其實非常平易近人。一起來答答看!
合并k個數列(比如k=2)數列并進行排序
代碼如上。最簡單的方法當然就是冒泡排序法啦。雖然不是最有效的，但卻容易描述和實現。
L1/L2正則度量有什么區別?
L1范數損失函數也叫做最小一乘法(LAD)以及最小絕對誤差(LAE)。它主要在于最小化目標值(y_i)同預測值(f(x_i))之間的絕對差值之和。
公式一
L2范數損失函數也叫做最小平方誤差(LSE)。它主要在于最小化目標值(Yi)以及預測值[f(xi)]之間差值平方之和。
公式二
對于較大的誤差誤差，L2比L1給出的懲罰更大。此外，加入L2正則后，模型系數會向0聚攏，但不會出現完全為0的情況，而L1損失函數則能使部分系數完全為0。
如何尋找百分位數?
就拿上面這道題目為例吧：過去12小時內共有1000人來過這個購物中心，請估測，截止至何時，購物中心剛好達到30%的總客流量?
我們可以通過多項式線性回歸(polynomial regression)或者平滑樣條(spline smoothing)等技巧作出下圖。
即為30%的客流量對應3000人
從Y值為3000的點畫一條水平線，當與曲線相交時，畫一條垂直線在橫軸上找到對應的時間值就可以啦。
怎么區分好的可視化與壞的可視化?
針對這個問題，我們會有很多不同的答案。比如，一個不能很好地處理異常值(outliers)的可視化，就不是一個好的可視化。
比如說我們有一個數組，在一系列小數字中有一個很大的數據([1,2,3,4,7777,5,6,9,2,3])，當我們可視化這個數組的時候，會產生如下的圖：
右圖→原始圖片;中間圖→規范化值;左圖→標準化值
怎樣才能更好地可視化這組數據呢?正如上圖所示，即使我們對分析值進行了標準化或者規范化，產生的折線圖依然不能很好地表示這組數組。究竟要怎么做呢?歡迎留言發表看法。
怎樣更快地計算出逆矩陣?
比如，可以考慮Gauss-Jordan法。
如果是一個2x2的矩陣就很簡單了。
逆矩陣是：
ad-bc≠0
只需要交換a和b，取b和c的負值，然后除以方陣ad-bc。
定義方差
方差是每個數據點與整個數據集平均值之間差值的平方和。換而言之，就是數據的變化性。下面這張圖就很好地解釋了什么是方差。
首先我們計算出每只狗和平均身高的差值;為了計算方差，將每個差值平方后加總，再求平均值。
最后，獻上本文出現的所有代碼：
https://colab.research.google.com/drive/1DYimC5CEKeXdT15tbptifYL2v5MPkyHj
相關報道：
https://towardsdatascience.com/my-take-on-microsoft-ai-interview-questions-with-interactive-code-part-1-c271388af633
【本文是51CTO專欄機構大數據文摘的原創譯文，微信公眾號“大數據文摘（ id: BigDataDigest）”】
