如何为机器学习有关的面试做准备

.你需要准备最少的资源

任何数据科学访谈都包含以下四个类别中的一部分问题：计算机科学、数学、统计学和机器学习。

1.计算机科学

算法和数据结构：

• InterviewBit（练习）

• NPTEL IIT德里讲座（相应理论）

操作系统：

• 需要记住的操作系统概念 - 软件开发人员需要记住

• “操作系统概念”一书的第3,4,5和7章。

• GeeksForGeeks上的操作系统

面向对象的编程：您被问及如何设计系统，例如：铁路车票预订系统。所以，你需要与面试官讨论他/她的要求是什么，你需要做什么类，每个班级应该有什么样的变量/方法，如何使用继承（例如工程师和科学家）类可以从Employee类派生出来等等。这来自于实践。

2.数学与统计

如果您不熟悉深度学习背后的数学，那么您应该考虑查看我的上一篇文章，了解它们的资源。但是，如果你感看文章感到比较舒服，我发现深度学习书的第2,3和4章足以在这些访谈中准备、修改理论问题。我一直在准备几个章节的摘要，你可以参考这些章节，我试图解释一些我最初难以理解的概念，以防你不愿意完成整个章节。如果你已经完成了概率的课程，那么你应该也能轻松回答一些问题。对于统计数据，涵盖这些主题应该足够了。

3.机器学习

现在，这里的问题范围可能会根据您申请的职位类型而有所不同。如果这是一个更传统的基于机器学习的面试，他们想要检查你在ML的基本知识，你可以完成以下任何一门课程：

• 吴恩达-CS的机器学习229

• 加州理工学院教授Yaser Abu-Mostafa的机器学习课程

重要主题是：监督学习（分类，回归，SVM，决策树，随机森林，Logistic回归，多层感知器，参数估计，贝叶斯决策规则），无监督学习（K均值聚类，高斯混合模型），降维（PCA）。

现在，如果您申请更高级的职位，您很可能会受到深度学习的质疑。在这种情况下，您应该对卷积神经网络（CNN）和/或（取决于您的工作）回归神经网络（RNN）及其变体非常熟悉。你必须知道深度学习背后的基本理念是什么，CNN / RNN如何实际工作，提出了什么样的架构以及这些架构变化背后的动机是什么。现在，没有捷径可走。要么你了解它们，要么你有足够的时间来理解它们。对于CNN，推荐的资源是斯坦福大学的CS 231N和用于RNN的CS 224N。我发现Hugo Larochelle的神经网络课程也非常具有启发性。到目前为止，您应该已经发现Udacity对于ML从业者来说是一个非常重要的地方。

转载自 “ ITPUB博客 ” ，链接：http://blog.itpub.net/31545819/viewspace-2215246/