**凡人機器學習
大概會問傳統機器學習、深度學習、最優化、coding四個方面：
傳統機器學習考察點：
1、bias與variance的含義，並結合ensemble method問哪種方法降低bias，哪種方法降低variance
2、lr與svm的區別與聯絡
3、gbdt與adaboost的區別與聯絡
4、手推svm，svm麻雀雖小五臟俱全
5、pca與lda的區別與聯絡，並推導
6、白化的原理與作用
7、給乙個演算法，例如lr，問這個演算法的model、evaluate、optimization分別是啥
深度學習考察點：
1、手推bp
2、梯度消失/**原因，以及解決方法
3、bn的原理，與白化的聯絡
4、防止過擬合有哪些方法
5、dnn、cnn、rnn的區別與聯絡
6、機器學習與深度學習的聯絡
7、batch size大小會怎麼影響收斂速度
最優化考察點：
1、sgd、momentum、rmsprop、adam區別與聯絡
2、深度學習為什麼不用二階優化
3、拉格朗日乘子法、對偶問題、kkt條件
coding考察點：
排序、雙指標、dp、貪心、分治、遞迴、回溯、字串、樹、鍊錶、trie、bfs、dfs等等
面試需要準備！！
1 請介紹一下你自己。這是外企常問的問題。一般人回答這個問題過於平常，只說姓名 年齡 愛好 工作經驗，這些在簡歷上都有，其 實，外企最希望知道的是求職者能否勝任工作，包括 最強的技能 最深入研究的知識領域 個性中最積極的部分 做過的最成功的事，主要的成就等，這些都可以 和學習無關，也可以和學習有關，...
機器學習面試準備之二 優化方法
梯度下降法是一種最優化方法，用來優化cost function。梯度下降法的最大問題就是會陷入區域性最優，並且每次在對當前樣本計算cost的時候都需要去遍歷全部樣本才能得到cost值，這樣計算速度就會慢很多。現在好多框架中一般使用隨機梯度下降法，它在計算cost的時候只計算當前的代價，最終cost是...
關於機器學習 資料科學面試的準備
自己是科班出身，自己也學過a,b,c,d等等課程，自己也做過專案，甚至之前也有實習 全職經歷。現在面全職 跳槽了，請問你準備好了嗎？leetcode是要刷的，可別光乙個勁的刷leetcode啊，背那些o nlogn 那些的，我們這個職位不是招後端。問 這個是 結果，你來手算個recall吧。答 這個...