一面：
講SVM模型（從線性分類到近似線性分類再到線性不可分）
其中問了鬆弛變數的作用，常用的核函式

講一下GMM模型（EM演算法）
生成模型，判別模型適用場景，優缺點

Precision，Recall計算方法
講樸素貝葉斯

二叉樹後序遍歷
找兩份日誌檔案中的重複出現的ID（海量資料處理）
找出一份日誌中出現次數最多的10個ID
堆實現（堆調整）
子矩陣的最大和/最大子陣列和

二面：
講KMeans
其中問了常見的聚類方法，kmeans在k未知時如何處理，kmeans適用於什麼樣的資料分佈
文字word2Vec（不懂）
講決策樹，選擇分裂節點的規則，主要講了資訊增益的計算；決策樹的問題，決策樹的剪枝。
交叉驗證/k-fold交叉驗證為什麼能防止過擬合（模型選擇？）
CNN在影象相關任務上為什麼能成功？
1. 卷積是因為輸入資料的區域性相關性；
2. 權值共享是因為輸入資料的區域性特徵具有平移不變性，即在不同位置具有共性的區域性特徵。這樣，經過多層次堆疊，低層區域性特徵可以抽取成高層全域性特徵。
3. 權值共享能夠降低計算量，而且降低了網路的訓練難度。
note: 如果權值不共享，那就是區域性連線層了。在某些應用，如人臉在不同的區域存在不同的特徵（眼睛／鼻子／嘴的分佈位置相對固定），當不存在全域性的區域性特徵分佈時，區域性連線層更適合特徵的提取。
講了一下OCR（銀行卡號識別），LSTM+CTC
計算字串equation（我用了逆波蘭表示式，不過沒能bug-free）

三面：
volatile：提醒編譯器它後面所定義的變數隨時都有可能改變，因此編譯後的程式每次需要儲存或讀取這個變數的時候，都會直接從變數地址中讀取資料。如果沒有volatile關鍵字，則編譯器可能優化讀取和儲存，可能暫時使用暫存器中的值，如果這個變數由別的程式更新了的話，將出現不一致的現象。
left_join，outer_join
程序執行緒，程序通訊，執行緒同步
聊天