大数据文摘编译：张南星、卫青、钱天培，微软这样的巨头能招到什么样的AI人才？是不是一定要在编码上高人一等，写个写意的AlphaGo呢？还是必须眼光毒辣，才能当场设想AI未来20年的发展前景？当然不是！今天，文摘君挑了几道微软AI面试题，同时给出了最基础的答案。（注意，这是最基本的答案，欢迎在文末留言给出你更好的答案。）神秘莫测的微软AI面试题其实非常平易近人。一起来答题！合并k个数字（例如，k=2）并对它们进行排序。代码如上。最简单的方法当然是冒泡排序法。虽然不是最有效的，但很容易描述和实施。L1/L2正则化指标有什么区别？L1范数损失函数也称为最小乘法(LAD)和最小绝对误差(LAE)。它主要在于最小化目标值（y_i）和预测值（f（x_i））之间的绝对差之和。公式1L2范数损失函数也称为最小二乘误差（LSE）。它主要在于最小化目标值（Yi）和预测值[f（xi）]之间的平方差之和。等式2对于较大的错误，L2给出比L1更大的惩罚。另外，加入L2正则化后，模型系数会收敛到0，但不会完全为0，而L1损失函数可以让部分系数完全为0。如何找到百分位数？以上面的问题为例：在过去的12小时内，共有1000人光顾了这个商场。请估计，到什么时候，购物中心将达到总客流量的30%？我们可以使用多项式回归或样条平滑等技术来制作下图。即30%的客流对应3000人，从Y值为3000的点画一条横线，与曲线相交时，画一条竖线，在横轴上找到对应的时间值。如何区分好的可视化和坏的可视化？对于这个问题，我们会有很多不同的答案。例如，不能很好地处理离群值的可视化不是好的可视化。例如，我们有一个包含一系列小数字的大数据（[1,2,3,4,7777,5,6,9,2,3]）的数组，当我们可视化这个数组时，将产生下图：右图→原图；中间图像→归一化值；左图→归一化值。我们如何才能更好地可视化这组数据？归一化后，得到的折线图仍然不能很好地代表这组数组。怎么做？欢迎留言发表您的看法。如何更快地计算逆矩阵？例如，可以考虑Gauss-Jordan方法。如果是2x2的矩阵就很简单了。逆矩阵为：ad-bc≠0只需要交换a和b，取b和c的负值，然后除以方阵ad-bc。定义方差方差是每个数据点与整个数据集的平均值之差的平方和。换句话说，它是数据的可变性。下图很好地解释了方差是什么。首先我们计算每只狗与平均身高的差值；为了计算方差，对每个差异进行平方、求和和平均。最后提供本文出现的所有代码：https://colab.research.google.com/drive/1DYimC5CEKeXdT15tbptifYL2v5MPkyHj相关报道：https://towardsdatascience.com/my-take-on-microsoft-ai-interview-questions-with-interactive-code-part-1-c271388af633【本文为专栏组织大数据文摘原创翻译，微信公众号“大数据文摘（id：BigDataDigest）”】点此查看更多好文由这位作者
