AI 求职面试实战（三）：机器学习面试题精讲

系列导读：本文是「AI 求职面试实战」系列第3期。前两期我们讲了 AI 岗位全景和算法题，本期正式进入 ML 核心: : 面试官最常问的机器学习理论题。

本期内容：LR/SVM/树模型/XGBoost 高频考点 + 手推公式 + 面试官追问拆解 + 场景回答模板。

一、机器学习面试的"三道门槛"

AI 岗机器学习面试，通常有三道门槛：

第一道：基础概念（70% 的人能过）

过拟合与欠拟合、偏差方差权衡、正则化、交叉验证: : 这些必须张口就来。

第二道：模型推导（40% 的人能过）

手推 LR 的梯度更新、SVM 的对偶问题、XGBoost 的目标函数泰勒展开: : 这是分水岭。

第三道：场景决策（20% 的人能过）

面试官给一个具体业务场景，你需要快速选择模型、设计特征、评估方案: : 这是决定 offer 级别的关键。

二、基础概念篇（必考）

2.1 过拟合与欠拟合

面试官问：什么是过拟合？如何解决？

✅ 标准回答：

定义：过拟合指模型在训练集上表现很好，但在测试集上表现差，即泛化能力差。本质是模型学到了训练数据中的噪声而非真实规律。

原因： - 模型过于复杂（层数太多、参数太多） - 训练数据不足 - 数据中存在噪声

解决方法（按常用程度排序）： 1. 增加数据量（Data Augmentation）：最根本的解法 2. 正则化（L1/L2 Regularization）：限制参数大小 3. Dropout：随机丢弃神经元，相当于集成学习 4. 早停（Early Stopping）：在验证集不再提升时停止训练 5. 简化模型：减少层数、减少特征 6. 交叉验证：更稳健的评估方式

追问变体：

Q：欠拟合怎么解决？ A：方向相反: : 增加模型复杂度、增加特征、减少正则化、训练更久。

AI 岗延伸：

Q：LLM 会不会过拟合？ A：会。大模型通常在预训练阶段不会过拟合（海量数据），但在 SFT 阶段如果指令数据量少且重复训练多轮，会出现记忆化（memorization）现象: : 模型记住了特定指令的特定回复，失去了泛化能力。

2.2 偏差与方差权衡

面试官问：解释 Bias-Variance Tradeoff。

✅ 标准回答（配上手绘图更好）：

偏差（Bias）：模型预测值与真实值之间的差异。高偏差 → 欠拟合。 方差（Variance）：模型对不同训练集的敏感程度。高方差 → 过拟合。

权衡关系：总误差 = Bias² + Variance + Irreducible Error

随着模型复杂度增加： - Bias 下降（模型更灵活） - Variance 上升（对数据更敏感）

最佳模型复杂度在总误差最小的点。

追问：

Q：Bagging 和 Boosting 分别影响偏差还是方差？ A： - Bagging（如 Random Forest）：主要降低方差。通过 Bootstrap 采样训练多个模型取平均，方差降低到原来的 1/n（弱相关时）。 - Boosting（如 XGBoost）：主要降低偏差。逐步拟合残差，减少整体偏差。但 Boosting 也可能通过控制学习率间接降低方差。

2.3 生成模型 vs 判别模型

面试官问：解释生成模型和判别模型的区别，各举几个例子。

✅ 标准回答：

判别模型（Discriminative Model）： - 直接学习条件概率 P(Y|X)，即给定输入 X 预测标签 Y - 关心的是决策边界 - 代表：LR、SVM、CRF、神经网络 - 优点：分类边界更清晰，准确率通常更高

生成模型（Generative Model）： - 学习联合概率 P(X, Y)，即同时建模数据分布和标签 - 可以生成新的数据样本 - 代表：Naive Bayes、HMM、GMM、VAE、扩散模型 - 优点：能处理缺失数据、可以生成新样本、对小样本更鲁棒

追问：

Q：为什么生成模型在小样本情况下往往比判别模型好？ A：生成模型对数据分布有更强的先验假设（如 Naive Bayes 假设特征独立），在小样本下这些先验起到了正则化的作用。判别模型在小样本下容易过拟合，因为它在没有足够数据时无法准确学习决策边界。

2.4 损失函数与评价指标

面试官问：分类问题最常用的损失函数是什么？为什么用它？

✅ 回答：

交叉熵损失（Cross-Entropy Loss）：

> L = -[y log(ŷ) + (1-y) log(1-ŷ)]
> 

为什么要用交叉熵而不是 MSE？

1. 梯度性质：交叉熵 + Sigmoid 的梯度是 ŷ - y，与 Sigmoid 的梯度无关，即使 Sigmoid 饱和也不会梯度消失。而 MSE + Sigmoid 会出现梯度饱和问题。
2. 概率解释：交叉熵对应极大似然估计，有明确的概率意义。
3. 凸性：对 LR 来说，交叉熵损失是凸函数，容易优化到全局最优。MSE 对 LR 是非凸的。

追问：

Q：在不平衡分类问题中，用什么评价指标更好？ A：不用 accuracy，用： - Precision/Recall/F1：关注少数类 - AUC-ROC：不受阈值影响，综合评估排序能力 - PR Curve：正负样本极不平衡时，PR 曲线比 ROC 更敏感 - Log Loss：关注预测概率的校准程度

2.5 正则化

面试官问：L1 和 L2 正则化的区别？为什么 L1 产生稀疏解？

✅ 回答：

L1 正则化（Lasso）：损失 + λ|w| → 产生稀疏解（特征选择） L2 正则化（Ridge）：损失 + λw² → 参数趋近于 0 但不会为 0

几何解释： - L1 的约束边界是菱形，与误差等高线相交于顶点（坐标轴），所以产生稀疏解 - L2 的约束边界是圆形，相交于某个点，各维度都不为零

贝叶斯角度的解释（加分项）： - L1 正则化等价于参数 w 服从 Laplace 先验 - L2 正则化等价于参数 w 服从 Gaussian 先验 - Laplace 分布在 0 处的概率密度更大

追问：

Q：什么时候用 L1，什么时候用 L2？ A： - 特征维度高（>样本数）、需要特征选择 → L1 - 特征相关性高、不需要特征选择 → L2 - 通常先用 L2（效果好），如果发现特征冗余再换 Elastic Net（L1+L2）

三、经典模型篇（推导必考）

3.1 逻辑回归（Logistic Regression）

这是 ML 面试最高频的手推题，没有之一。

面试官问：手推逻辑回归。

✅ 完整推导过程：

Step 1：模型定义

逻辑回归假设：

P(y=1|x) = σ(wᵀx + b) = 1 / (1 + e^-(wᵀx + b))

其中 σ(z) 是 Sigmoid 函数。

Step 2：似然函数

对于 N 个样本，似然函数：

L(w) = ∏ P(yᵢ|xᵢ) = ∏ σ(wᵀx)ᵞⁱ · (1 - σ(wᵀx))¹⁻◌ʸⁱ

取对数得到对数似然（等价于最小化交叉熵）：

ℓ(w) = Σ [yᵢ log(σ) + (1-Yᵢ) log(1 - σ)]

Step 3：梯度推导

对单个样本求梯度（链式法则）：

∂ℓ/∂wⱼ = (y - σ) · xⱼ

简洁形式：

∇ℓ = Σ (yᵢ - σ(wᵀxᵢ)) · xᵢ

Step 4：参数更新（梯度上升）

w := w + α · ∇ℓ

注：如果是最小化负对数似然，就是梯度下降：

> w := w - α · (-∇ℓ)
> 

追问1：

Q：为什么 LR 不用 MSE 作为损失函数？ A：MSE 对 Sigmoid 是非凸函数，有多个局部最优。交叉熵损失是凸函数（对 LR 而言），梯度下降可以收敛到全局最优。

追问2：

Q：LR 的特征为什么要做归一化？ A：因为梯度 ∂ℓ/∂wⱼ = (y - σ) · xⱼ，梯度大小和特征值 xⱼ 成正比。如果某个特征数值很大（如年龄 0-100 vs 收入 0-1000000），梯度更新会不稳定，需要更小的学习率。

追问3：

Q：LR 能否处理非线性问题？ A： - 原始 LR 是线性分类器（决策边界 wᵀx + b = 0 是超平面） - 通过特征交叉（如 x₁·x₂）、多项式特征（如 x₁²）、核技巧可以处理非线性 - 但特征交叉需要人工设计，这是 DNN 的优势

3.2 SVM

面试官问：解释 SVM 的核心思想。

✅ 回答：

核心思想：在特征空间中找到一个超平面，使得两类样本之间的间隔（margin）最大化。

硬间隔 SVM（线性可分）：

> min ½||w||²
> s.t. yᵢ(wᵀxᵢ + b) ≥ 1, ∀i
> 

最大化间隔等价于最小化 ||w||²。

面试官问：手推 SVM 的对偶形式。

✅ 完整推导：

Step 1：构造拉格朗日函数

L(w, b, α) = ½||w||² - Σ αᵢ[yᵢ(wᵀxᵢ + b) - 1]

其中 αᵢ ≥ 0 是拉格朗日乘子。

Step 2：对 w 和 b 求偏导

∂L/∂w = w - Σ αᵢyᵢxᵢ = 0 → w = Σ αᵢyᵢxᵢ
∂L/∂b = - Σ αᵢyᵢ = 0 → Σ αᵢyᵢ = 0

Step 3：代入得到对偶问题

max Σ αᵢ - ½ Σ Σ αᵢαⱼyᵢyⱼxᵢᵀxⱼ
s.t. αᵢ ≥ 0, Σ αᵢyᵢ = 0

Step 4：KKT 条件与支持向量

αᵢ[yᵢ(wᵀxᵢ + b) - 1] = 0

• 当 αᵢ > 0 时，yᵢ(wᵀxᵢ + b) = 1，即 xᵢ 在间隔边界上: : 这些就是支持向量
• 其他样本 αᵢ = 0，对模型没有贡献

追问1：

Q：软间隔 SVM 怎么处理线性不可分？ A：引入松弛变量 ξᵢ 和惩罚参数 C：

> min ½||w||² + C Σ ξᵢ
> s.t. yᵢ(wᵀxᵢ + b) ≥ 1 - ξᵢ, ξᵢ ≥ 0
> 

C 控制对分类错误的容忍程度：C 越大 → 惩罚越重 → 对噪声更敏感。

追问2：

Q：SVM 的核函数有哪些？怎么选择？ A： - 线性核：K(x, z) = xᵀz → 线性可分时用，效率高 - 多项式核：K(x, z) = (xᵀz + c)ᵈ → 少用 - RBF 核（高斯核）：K(x, z) = exp(-γ||x - z||²) → 最常用，只有一个参数 γ - Sigmoid 核：K(x, z) = tanh(axᵀz + c) → 等价于单层神经网络

经验：线性分类先试线性核，非线性直接上 RBF。γ 控制高斯核的影响范围，γ 太大 → 过拟合，γ 太小 → 欠拟合。

3.3 决策树与集成学习

面试官问：决策树的分裂指标有哪些？各自的特点？

✅ 回答：

信息增益（ID3 算法）：

Gain(D, A) = H(D) - H(D|A)

• 倾向于选择取值多的特征（如 ID 列）

信息增益率（C4.5 算法）：

GainRatio(D, A) = Gain(D, A) / H_A(D)

• 对 ID 列做惩罚，克服信息增益的偏向

基尼指数（CART 算法）：

Gini(D) = 1 - Σ pₖ²

• 二分类时：Gini = 2p(1-p)
• CART 默认用基尼指数，计算量比信息增益小（没有 log 运算）

追问1：

Q：决策树如何进行剪枝？ A： - 预剪枝：在分裂前判断是否该停止（限制深度、最小样本数、最小增益阈值） - 后剪枝：先生长完全，再从叶子开始回溯剪掉不提升泛化性能的分支 - 预剪枝效率高但可能欠拟合，后剪枝效果好但计算量大

追问2：

Q：Random Forest 和 GBDT 的区别？ A：

追问3：

Q：为什么要用"随机"的 Random Forest？ A：双重随机性保证树之间的相关性低： 1. 样本随机：Bootstrap 采样 2. 特征随机：每次分裂只考虑随机子集的特征

树之间相关度越低，集成后的方差降低效果越好。

3.4 XGBoost 深度剖析

这是中高级岗位面试的高频题。面试官期待你至少能说出 XGBoost 相对于 GBDT 的三个改进。

面试官问：XGBoost 相比 GBDT 有哪些改进？

✅ 回答（列举出至少 5 点）：

1. 二阶泰勒展开 - GBDT 只用了一阶梯度 - XGBoost 用了二阶梯度（泰勒展开到二阶），收敛更快，精度更高

2. 正则化项 - 目标函数中加入树的复杂度惩罚 γT + ½λ||w||² - T 是叶子节点数，w 是叶子权重 - 有效防止过拟合

3. 列采样（Column Subsampling） - 类似 Random Forest 的特征随机采样 - 进一步降低过拟合风险

4. 缺失值处理 - 自动学习缺失值的最佳分裂方向 - 不需要单独填充缺失值

5. 加权分位数 Sketch - 高效找到候选分裂点 - 适用于大规模数据

6. 缓存感知访问 - 优化内存访问模式，充分利用 CPU 缓存 - 加速训练 2-5 倍

进阶追问：

Q：XGBoost 的目标函数推导过程。 A：

第 t 轮的目标函数：

> Obj(t) = Σ ℓ(yᵢ, ŷᵢ(t-1) + fₜ(xᵢ)) + Ω(fₜ) + const
> 

对 ℓ 做二阶泰勒展开：

> Obj(t) ≈ Σ [gᵢ fₜ(xᵢ) + ½ hᵢ fₜ²(xᵢ)] + Ω(fₜ)
> 

其中 gᵢ = ∂ℓ/∂ŷ(t-1)（一阶梯度），hᵢ = ∂²ℓ/∂ŷ(t-1)²（二阶梯度）

展开正则项 Ω(fₜ) = γT + ½λ Σ wⱼ²，化简后得到每个叶子节点的最优权重：

> wⱼ* = -Gⱼ / (Hⱼ + λ)
> 

对应的最优目标值：

> Obj* = -½ Σ Gⱼ²/(Hⱼ + λ) + γT
> 

追问：

Q：LightGBM 相比 XGBoost 又改进了什么？ A： 1. GOSS（梯度单边采样）：保留大梯度样本，随机采样小梯度样本 2. EFB（互斥特征捆绑）：将互斥特征（很少同时非零）捆绑，降低维度 3. 基于直方图的决策树：将连续特征离散化为 k 个桶，加速分裂点搜索 4. 叶子节点优先生长：XGBoost 是层次生长（level-wise），LightGBM 是叶子节点优先（leaf-wise），收敛更快但容易过拟合

3.5 K-Means 与聚类

面试官问：K-Means 的缺点和改进方法？

✅ 回答：

缺点： 1. 需要指定 K 值：肘部法则（Elbow Method）+ 轮廓系数（Silhouette Score）辅助选择 2. 对初始点敏感：K-Means++ 改进初始化（让初始点尽量分散） 3. 只能发现球形簇：DBSCAN 解决（基于密度） 4. 对异常值敏感：K-Medoids 使用真正的中位数点而不是均值 5. 距离度量固定为欧氏距离：可以用余弦相似度等其他度量

3.6 降维算法

面试官问：PCA 推导过程。

✅ 高难度推导：

核心思想：找到方差最大的投影方向。

Step 1：数据中心化

> X' = X - μ
> 

Step 2：计算协方差矩阵

> Σ = 1/n · X'ᵀX'
> 

Step 3：特征值分解

> Σv = λv
> 

Step 4：选择前 k 个最大特征值对应的特征向量

> 方差解释率 = Σλ₁..ₖ / Σλ₁..ₚ
> 

追问：

Q：PCA 和 t-SNE / UMAP 的区别？ A： - PCA：线性方法，保留全局方差结构，计算快，适合预处理 - t-SNE：非线性，保留局部邻域结构，计算慢，适合可视化 - UMAP：非线性，保留局部+全局结构，比 t-SNE 快，适合可视化

选择：数据预处理用 PCA，可视化用 UMAP（大数据）或 t-SNE（小数据）。

四、特征工程与数据预处理

4.1 特征工程三板斧

面试官问：你一般怎么做特征工程？

✅ 回答：

第一板斧：特征构建 - 统计特征：均值、方差、最大最小、分位数、偏度峰度 - 交叉特征：x₁·x₂、x₁/x₂、x₁⊕x₂（类别型） - 时间特征：星期几、是否是节假日、时间窗口统计 - 序列特征：行为序列的 N-gram、马尔可夫转移概率

第二板斧：特征编码 - 类别型：One-Hot（基数小）、Label Encoding（有序）、Target Encoding（用目标均值编码） - 文本型：TF-IDF、Word2Vec、BERT Embedding - 数值型：分桶（等宽/等频/对数变换）

第三板斧：特征选择 - 过滤法：方差阈值、相关系数、卡方检验、互信息 - 包装法：RFE（递归特征消除）、前向/后向搜索 - 嵌入法：L1 正则化（自动特征选择）、树模型特征重要性

4.2 处理缺失数据

面试官问：你是怎么处理缺失值的？

✅ 回答：

删除：缺失比例 > 70% 的列直接删除；MCAR（完全随机缺失）时删除少量行

填充： - 数值型：均值/中位数/众数填充（简单），KNN 填充（效果好） - 类别型：众数填充，或新增一个"缺失"类别 - 时间序列：前向填充（ffill）、插值（线性/样条）

模型预测：用其他特征预测缺失值（MICE 多重插补）

高级方法：LightGBM/XGBoost 原生支持缺失值: : 有时不填充效果反而更好

4.3 数据不平衡处理

面试官问：正负样本比例 1:100，你怎么做？

✅ 回答：

数据层面： - 过采样：SMOTE（生成合成样本，而不是简单复制） - 欠采样：随机欠采样（丢失信息太多）、NearMiss、Tomek Links - 混合：SMOTE + Tomek Links

算法层面： - 调整类别权重：class_weight='balanced'（scikit-learn） - 使用 AUC/PR 评估：不用 accuracy - 集成方法：EasyEnsemble（多次欠采样训练多个模型取平均）

损失函数层面： - Focal Loss：降低易分类样本的权重 - 加权的交叉熵损失

追问：

Q：SMOTE 的原理是什么？有什么缺陷？ A： 原理：对少数类样本，在 k 个最近邻之间插值生成新样本。

> x_new = x + λ · (x_neighbor - x)
> 

缺陷： - 在特征边界处可能生成重叠样本 - 对高维数据效果差（维度灾难） - 不能处理样本在特征空间中聚团的情况

五、模型评估与选择

5.1 交叉验证

面试官问：什么时候用 K-Fold，什么时候用 Leave-One-Out？

✅ 回答：

5.2 AUC 的深度理解

面试官问：AUC 是什么？有什么特点？

✅ 回答：

AUC = Area Under the ROC Curve，即 ROC 曲线下的面积。

统计意义：随机选一个正样本和随机选一个负样本，正样本排在负样本前面的概率。

特点： 1. 阈值无关：不依赖具体分类阈值 2. 对不平衡不敏感：正负比例变化不影响 AUC 3. 值域 [0.5, 1]：0.5 是随机猜测，1 是完美分类

局限： - 极不平衡时（如 1:10000），AUC 可能虚高（因为负样本太多，容易排序好） - 此时建议看 PR 曲线的 AP（Average Precision）

追问：

Q：AUC = 0.7 意味着什么？ A：随机选择一个正样本和一个负样本，正样本的预测分数高于负样本的概率是 70%。等价于 Wilcoxon-Mann-Whitney 检验的统计量。

5.3 AB 测试

面试官问：线上 ML 模型上线前要做 AB 测试，你怎么设计？

✅ 回答：

1. 流量分配 - 50% 控制组（Base Model），50% 实验组（New Model） - 或 99% vs 1%（风险很小时） - 按用户 ID hash 分桶，保证用户一致性

2. 核心指标 - 主指标：CTR、CVR、GMV、留存率 - 辅助指标：延迟、覆盖率、多样性 - 护栏指标：没有负面影响（如用户体验评分）

3. 统计显著性 - T 检验 / Z 检验：p-value < 0.05 - 最小样本量计算：根据预期提升和基线指标方差 - 运行时间：至少 1-2 周（覆盖工作日和周末）

4. 常见陷阱 - Novelty Effect：用户对新模型的新鲜感导致的短期提升 - 网络效应：社交产品的实验组和对照组互相影响 - 多重比较：同时看多个指标导致假阳性

六、梯度下降全家桶

面试官问：解释不同梯度下降算法的区别。

✅ 回答：

追问：

Q：Adam 相比 SGD 有什么优缺点？ A： 优点： - 自适应学习率，不需要精细调参 - 对稀疏梯度效果好 - 收敛快

缺点： - 可能收敛到尖锐极小值（Sharp Minima），泛化性不如 SGD - 有些论文发现 SGD + 好的学习率策略最终精度更高

经验：Transformer 训练用 Adam，CNN 用 SGD+Momentum，大模型微调用 AdamW。

七、场景题实战（面试常见）

场景1：电商 CTR 预估

问：你负责电商推荐系统的 CTR 预估模型，怎么做？

答： 问题定义：二分类，预估用户点击商品的概率。

特征设计： - 用户特征：性别、年龄、历史点击类目、近 7 天购买品牌 - 商品特征：价格、类目、标题 Embedding、近 7 天 CTR - 交叉特征：用户类目偏好 × 商品类目、价格区间匹配 - 上下文特征：时间（工作日/周末）、设备、位置

模型选型： - Baseline：LR（简单可解释） - 进阶：DeepFM / DIN / DIEN（适合大规模推荐） - 最新：MMOE（多目标优化）

在线优化： - 实时特征 + 近实时更新模型 - 多级级联：召回 → 粗排 → 精排 → 重排

场景2：欺诈检测

问：信用卡欺诈检测，正负比 1:10000，怎么做？

答： 问题难点：极度不平衡 + 需要低延迟 + 错误分类成本高。

方案： 1. 采样：SMOTE + 欠采样（混合采样） 2. 模型：XGBoost + Isolation Forest（异常检测） 3. 评估：Precision@K 和 Recall@K，关注 Top 1% 的召回 4. 成本敏感：自定义损失函数，FN 的成本是 FP 的 100 倍 5. 实时推理：模型 ONNX 量化，<10ms 推理

场景3：用户流失预测

问：预测哪些用户即将流失，你怎么设计？

答： 特征工程： - 行为衰减：近 7 天登录次数 / 近 30 天登录次数（比值下降说明流失风险高） - 沉默天数：距离上次登录的天数 - 交互趋势：发帖/评论/点赞量是否持续下降

模型： - 时序模型：LSTM/Transformer + 用户行为序列 - 生存分析：Cox 比例风险模型

行动策略： - 流失概率 > 0.7：发优惠券 + 个性化推荐 - 流失概率 0.4-0.7：Push 通知 - 流失概率 < 0.4：不打扰

八、面试官追问技巧

8.1 "不知道答案"怎么办

❌ "不知道。"

✅ "这个问题我确实不太确定。不过如果是我的话，我会从两个角度来思考：第一...（从原理推导）；第二...（类比已知的类似问题）。我比较熟悉的场景是 XXX，和这个问题的区别在于..."

8.2 "被问到了知识盲区"怎么应对

✅ "您提的这个方向很有趣，我之前没有深入关注过。以我目前的理解，它可能和 XXX 有相通之处，因为 XXX。面试结束后我会好好研究一下。另外，我熟悉的是 XXX，您希望我展开讲讲这块吗？"

关键：把"我不会"转化为"我不会这个但我会那个"，展示学习能力和思维框架。

8.3 如何展示深度

面试官问完模型 A 的原理后，你可以主动延伸：

"刚才说的是标准做法，在实际业务中我们还遇到了一个问题: : XXX。我们的解决方法是 XXX，效果提升了 XX%。这个过程中我学到的一点是 XXX。"

效果：面试官会认为你有实战经验，不仅是背理论。

九、本期小结与下期预告

核心要点

1. 基础概念必考：过拟合、偏差方差、生成判别、损失函数、正则化: : 这 5 个问题几乎每面必问
2. 手推必考：LR (100%) > SVM (70%) > XGBoost (40%)，研究岗全部要会
3. 特征工程：三板斧框架（构建 → 编码 → 选择）是面试官认可的体系化回答
4. AB 测试设计：大厂高频场景题，重点考察工程落地能力
5. 场景题套路：问题定义 → 特征设计 → 模型选型 → 评估指标 → 上线策略

下期预告

第4期：深度学习 & LLM 面试题 :  Transformer 架构手推、BERT/GPT 对比、RLHF、LoRA、RAG 原理，大模型面试最全考点。

📌 本系列其他文章 - 第1期：AI 岗位全景与简历突围 ✅ - 第2期：Python/数据结构算法高频题 ✅ - 第3期：机器学习面试题精讲 ✅ （本文） - 第4期：深度学习 & LLM 面试题（即将发布） - 第5期：系统设计面试（推荐/搜索/NLP） - 第6期：AI 工程面试：模型部署与优化 - 第7期：ML 算法场景题 & 业务分析 - 第8期：面试全流程实战 & 面经汇总

如果你觉得本文有帮助，欢迎点赞和分享，让更多备战 AI 面试的同学看到 🙌