程式語言

C++、python

基本演算法

劍指offer+Leetcode基本就能解決 
劍指offer演算法實現

傳統機器學習

常見機器學習問題

1） 過擬合問題 
2） 交叉驗證問題 
3） 模型融合問題 
4） 模型選擇問題

面試常見問題

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； 
13) 如何用盡可能少的樣本訓練模型同時又保證模型的效能； 
14) ID3和C4.5的優缺點，樹的融合(RF和GBDT) 
15) 特徵提取方法，如何判斷特徵是否重要 
16) BP神經網路以及推導 
17) HMM模型狀態推導 
18) 過擬合原因以及解決辦法(深度學習同) 
19) 常見損失函式 
20）機器學習效能評價，準確率，召回率,ROC 
22）降取樣，PCA，LDA

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 
9）XgBoost(好像很多公司也面到了) 
10)梯度下降的優化 
12)卷積核引數計算 
13)TensorFlow中的session是什麼，session和interactivesession的區別