學習方面的問題
Q1：計算機專業本科生，非ACMER。演算法達到什麼程度才算是合格，有什麼量化手段嗎？
Answer：傳統演算法和資料結構功底紮實。比如LintCode上的題目簡單和中等難度毫無壓力做出，Hard難度在給了一定時間和一定提示時可以獨立完成。
微積分，統計學，離散數學

Q2:成為資料探勘工程師有必要要搞程式設計競賽嗎？現在大二，之前沒有接觸過競賽
Answer：資料探勘的話是Kaggle，KDD的競賽

Q3:資料探勘一定要學spark嗎
Answer:Python是剛需，Spark可以到用的時候再學

Q4:怎麼練習普通演算法呢，看算導刷oj嗎？
Answer：分為兩步：第一步是模組化訓練，比如專門做圖論和動態規劃的題。第二步是在LintCode上隨便選擇一個題，不看標籤，獨立做出。

Q5：有一定高等數學基礎和機器學習演算法概念的小白，如何進行實戰訓練。
Answer：分為兩步：第一階段是參加Kaggle，KDD競賽。第二階段是學習爬蟲，自己爬取電商，微博等資料，做訓練

Q6：作為一個數據挖掘工程師，還有沒有必要深入研究傳統的演算法，還是重點關注機器學習等統計的演算法？
Answer：重點關注機器學習等統計的演算法，這兩種有很大的不同

Q7：請問演算法工程師和資料探勘 data scientist 等崗位在技能要求和工作內容方面有什麼區別嗎？
Answer：中小廠不區分。大廠可能會區分。演算法工程師更底層一些，關注演算法模型的開發和調優，資料探勘更側重模型的建模和使用，應用和業務方面。

Q8：傳統的資料結構和演算法是否對於機器學習是有必要的？如果有，主要體現在什麼地方？
Answer：首先傳統的資料結構和演算法可以鍛鍊計算機思維，其實具體的資料結構和演算法還是會用到的，比如搜尋query時詞之間關係，可以用字串的距離，動態規劃，字典樹等

技術問題
Q1： 假設資料集有商店id這個屬性，取值上千個，把它做OHE後去學習，雖然結果提升了，但維度增加了很多。但不做OHE，用分類樹去學習，結果並不好，可以有什麼方法緩解資料集的擴大與最後結果的技巧嗎
Answer：這是特徵工程中非常典型的問題，OHE後有可能會過擬合, 商店間有相似性，量化後對商店進行聚類，再用這些類去做分類的訓練