NLP算法工程师

本文主要针对NLP算法工程师，构建NLPer面试所需知识的思维导图；只涉及对付面试的知识。主要包括以下三大部分的知识：统计机器学习，深度学习（NLP方向），算法与数据结构。

本文的主要目的：只构建整体知识的框架（面），不涉及算法细节。各算法的细节会在相应算法学习文档详细介绍。本章构建的知识框架便于对整体知识进行回顾。

1 统计机器学习

1.1 基础算法

主要包括六大机器学习算法：感知机，KNN，朴树贝叶斯，决策树，LR，SVM。

线性模型(感知机，LR，贝叶斯)

树模型（ID3，C4.5，CART）

SVM

1.2 概率图模型

概率图部分知识主要包括：三大线性概率图模型的思想与区别。
主要从概率图模型演进过程：HMM->MEMM->CRF，来贯穿学习这三个线性概率图模型。

从HMM->MEMM->CRF看概率图模型的演进

HMM隐马尔科夫模型

最大熵模型介绍

CRF条件随机场

1.3 集成学习

集成学习的内容包括：两种不同类别（boosting和bagging）,基模型结合策略，多样性度量方法，多样性增强方法。

集成学习综述：两大类别（boosting,bagging），结合策略/多样性度量/多样性增强

Adaboost算法介绍

xgboost算法介绍

2 深度学习（NLP）

3 算法与数据结构