機器學習常見問題

1) 幾種模型（ SVM，LR，GBDT，EM ）的原理以及公式推導；2) RF,GBDT 的區別； GBDT,XgBoost的區別（爛大街的問題最好從底層原理去分析回答）； 3) 決策樹處理連續值的方法； 4) 特徵選擇的方法； 5) 過擬合的解決方法； 6) K-means 的原理，優缺點以及改進； 7) 常見分類模型（ SVM ，決策樹，貝葉斯等）的優缺點，適用場景以及如何選型； 8) SVM 為啥要引入拉格朗日的優化方法； 9) 假設面試官什麼都不懂，詳細解釋 CNN 的原理； 10) 梯度下降的優缺點 11) EM與K-means的關係； 12) L1與L2的作用，區別以及如何解決L1求導困難； 

深度學習常見問題

1）四種啟用函式區別和作用2）過擬合解決方法 3）(CNN)卷及神經網路各層作用 4）(RNN)迴圈神經網路 5）LSTM 6）梯度彌散 7）優化演算法 adam，SGD等 8）分析Alexnet,VGG的網路結構以及各層作用 

演算法工程師面試必備

1. 成為演算法工程師，應該學習哪些東西

首先說演算法工程師有幾個方向：NLP，推薦，CV，深度學習，然後結合公司業務做得內容各不相同

傳統機器學習演算法：感知機，SVM，LR，softmax，Kmeans，DBSCAN，決策樹（CART，ID3，C45），GBDT，RF，Adaboost，xgboost，EM，BP神經網路，樸素貝葉斯，LDA，PCA，核函式，最大熵等

深度學習：CNN，RNN，LSTM，常用啟用函式，Adam等優化演算法，梯度消失（爆炸）等

推薦系統：itemBasedCF，userBasedCF，冷啟動，SVD（各種變形），FM，LFM等

NLP：TF-IDF，textrank，word2vec(能推導，看過原始碼)，LCA，simhash

常見概念：最大似然估計，最小二乘法，模型融合方法，L1L2正則（Lasso，elestic net），判別式模型與生成式模型，熵-交叉熵-KL散度，資料歸一化，最優化方法（梯度下降，牛頓法，共軛梯度法），無偏估計，F1（ROC，recall，precision等），交叉驗證，bias-variance-tradeoff，皮爾遜係數，

概率論，高數，線性代數（像我一樣懶的人，就可以遇到哪裡複習哪裡，:D）

常見問題（具體答案去搜知乎或者百度，最好能在實際專案中總結出來）：

常見損失函式

SGD與BGD

如何處理樣本非均衡問題

過擬合原因，以及解決辦法

如何處理資料缺失問題

如何選擇特徵

L1為什麼能讓引數稀疏，L2為什麼會讓引數趨於較小值，L1優化方法

各模型的優缺點，以及適用場景

學明白上述所有內容你需要多長時間？反正我這麼笨的人用了不到一年時間（我本科完全沒接觸過演算法相關，完全是研一學的）

2. 推薦書籍

C++：《C++primer5》《STL原始碼分析》《深度探索C++物件模型》《Effective C++》《Effective STL》 （雖然有些書有點老，不過開卷有益吧）（其他語言就不管了哈）

python：《python學習手冊》《python原始碼分析》《改善python程式的91個建議》（Python必須要會）

刷題：《程式設計之美》《劍指offer》《程式設計師程式碼面試指南》《leetcode》

演算法相關：《統計學習方法》（這本多看）《資料探勘導論》《數學之美》《田林軒視訊》《吳恩達視訊》《西瓜書》

參考文獻：機器學習面試總結（具體的問題我很早之前在簡書上寫過）