1. 人工智能的常见用途和应用有哪些？
面对这个问题，你需要回答人工智能的常见用途，比如人脸识别、智能推荐、自动驾驶……此外，还需要大篇幅从你面试的企业业务与性质出发，比如你面试零售公司，那么你需要思考AI对零售公司的帮助有哪些？
2. 什么是智能代理，它们如何在人工智能中使用？
智能代理使用传感器了解正在发生的事情，然后使用执行器来执行它们的任务。任务可以是简单的也可以是复杂的，智能代理还可以通过编程来更好地完成他们的工作。
3. 什么是 Tensorflow，它的用途是什么？
TensorFlow是一个开源软件库，最初由 Google Brain 团队开发，用于机器学习、神经网络研究以及数据流编程。在TensorFlow的帮助下，将某些 AI 功能构建到应用程序中变得更加容易，包括自然语言处理和语音识别。
4. 什么是机器学习，它与人工智能有什么关系？
机器学习是人工智能的一个子集。指的是，机器将随着时间的推移“不断学习”，并且在不断学习的过程中越变越强，它自己就能迭代升级，不需要人类不断地输入参数。机器学习是人工智能的实际应用。
5. 什么是神经网络，它们与 AI 有什么关系？
神经网络是一类机器学习算法。神经元是神经网络的一部分，是神经网络的最小结构，神经网络在它们之间传递数据，由于网络是相互连接的，因此可以更高效地处理更复杂的数据。
6. 什么是深度学习，它与人工智能有什么关系？
深度学习是机器学习的一个子集。它使用多层神经网络以处理数据， 使软件能够通过接触这些海量数据来训练自己执行语音和图像识别等任务，从而不断提高识别和处理信息的能力. 堆叠在每个任务之上，用于帮助深度学习的神经网络层称为深度神经网络。
7. 为什么图像识别是 AI 的关键功能？
视觉是人类重要的感官功能，人眼看到的信息传递到大脑，再由大脑分析并做出决策。人工智能旨在模仿人类大脑，它同样需要一双眼睛，即需要图像识别功能来为它传输信息。
8. 什么是自动编程？
自动编程是指程序应该做什么，然后让人工智能系统自己“编写”程序，无需依靠人类。
9. 什么是贝叶斯网络，它与 AI 有什么关系？
贝叶斯网络贝叶斯网络（Bayesian network），又称信念网络（belief network）或是有向无环图模型（directed acyclic graphical model），是一种概率图型模型，是一组变量之间概率关系的图形模型，它主要作用是模仿人脑处理变量，它让人工智能变得更加灵活，而不是像机器一样死脑筋。
贝叶斯网络首先是一张“图”（Graph），注意Graph这个词翻译成中文是“图”，但是“图”这个词对应的英文可多了，image、draw、photo、paint、graph，每个词的引申意都不一样。Graph的引申意是：类似拓扑结构的东西绘制成的一张图。也就是由“节点”和“边”组成的一种“图”状数据结构。
贝叶斯网络这种Graph的特点是：单向，不循环。
贝叶斯网络的节点的含义是：发生某事件。边的含义是：如果父节点的事件已经发生，那么发生子节点事件的概率（根节点没有概率）。父子节点必须是直接相关的。比如这样一个场景：
中国象棋里，红方吃掉了绿方的“将”，那么绿方必然输了。用贝叶斯网络来表示就是：
图1 简单的关系
当然，输棋是被对方抓住n个昏招的结果，每个昏招造成的影响也不同，举个栗子：绿方分别被吃了“车”、“马”、“卒”3个子。每个子的损失对棋局的影响肯定是不一样的。假设被吃“车”导致60%的概率输棋，被吃“马”导致30%的概率输棋、被吃1个“卒”导致5%的概率输棋，那么用贝叶斯网络表示就是：
如果细心，会发现60%+30%+5% != 100%，没错，那5%是：对手脑子犯浑，被翻盘了。这一点可以看出贝叶斯网络的另一个特性，那就是：某件事（红方吃掉绿方的“将”）发生的概率可以不为100%。
由此可以看出，贝叶斯网络表示的是：某些事情的因果依赖关系，以及每件事情发生的概率。
10. 什么是监督学习与无监督学习？
机器学习如果按照训练样本标签的有无可以分为以下两种常用方法。
有监督学习(supervised learning)和无监督学习(unsupervised learning)。
以机器学习中的分类(classification)来说，输入的训练数据有特征（feature），有标签（label）。在分类过程中，如果所有训练数据都有标签，则为有监督学习（supervised learning）。
如果数据没有标签，显然就是无监督学习（unsupervised learning）了，也即聚类（clustering）。
监督学习，就是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，对输出进行简单的判断从而实现分类的目的，也就具有了对未知数据进行分类的能力。典型的例子就是KNN、SVM。
