自然语言处理算法工程师笔试题目_NLPer-Interview - NLP 算法工程师相关的面试题...

Introduction

本仓库主要记录本人对 NLP 相关知识的积累，之前笔记做的很多，考虑到秋招已至， 在复习的过程中， 慢慢将这些知识屡清楚，然后将相关的知识笔记整理成专题，来帮助我更好的复习。

同时，开源出来，希望大家能帮助我补一补相关的技术栈，看看我哪方面比较弱，同时也帮助诸位秋招中的伙伴更好的复习。如果希望一起做的同学，可以联系我， 毕竟一个人做这么多，的确有点难，还好我前期笔记做的比较全。

推荐使用 Typora 编辑器打开， 所见即所得。

Contents

1. 编程语言基础

该文件夹下主要记录 python 和 c++ 的一些语言细节， 毕竟这两大语言是主流，基本是都要会的，目前还在查缺补漏中。

C++面试题

Python 面试题

2. 数学基础

该文件夹下主要记录一些数学相关的知识，包括高数，线性代数，概率论与信息论， 老宋亲身经历，会问到， 目前尚在查缺补漏中。

概率论

高等数学

线性代数

信息论

3. 计算机基础理论知识

这部分内容一般不怎么考，因此，没有把重心放在上面，至少现在几乎没有遇到问这方面的， 有意思的是，投了阿里某部的NLP算法，居然来了个不懂NLP的来面，全程真的瞎聊，全是开发。

4. 机器学习基础

这部分已经开始进入正题了，事实证明，部分大厂会提及一些基础的机器学习算法知识，因此，这部分我觉得几个核心的模型是要会的。

机器学习项目流程

判别模型 vs 生成模型

频率派 vs 贝叶斯派

数据预处理

特征工程

特征工程-关联规

模型 - SVM

模型 - 聚类算法

模型 - 决策树

模型 - 逻辑回归

模型 - 朴素贝叶斯

模型 - 随机森林

模型 - 线性回归

5. 深度学习基础

这部分主要讲述深度学习方面的基础知识，是核心点，但很多情况下，很多面试官的题基本差不多，不过我个人觉得，有这种全局的，全面的知识框架是有益的。

深度学习项目流程

5.1 基础理论部分

基础理论 - 多任务学习

基础理论 - 集成学习

基础理论 - 分类问题评估指标

基础理论 - 距离度量方法

基础理论 - 目标函数，损失函数，代价函数

基础理论 - 偏差 vs 方差，欠拟合 vs 过拟合

基础理论 - 数据角度看深度学习

基础理论 - 梯度消失，梯度爆炸问题

基础理论 - 维数灾难问题

基础理论 - 指数加权平均

基础理论- 局部最小值，鞍点

基础理论 - 集成学习

基础理论 - 集成学习

5.2 基本单元

基本单元 - CNN

基本单元 - MLP

基本单元 - RNN

5.3 调参相关

调参 - 超参数调优

调参 - 激活函数

调参 - 权重初始化方案

调参 - 优化算法

5.4 Tricks

Trick - Dropout

Trick - Normalization

Trick - 融合训练集，验证集，测试集

Trick - 提前终止

Trick - 学习率衰减

Trick - 正则化

6. 统计自然语言处理

这部分前期的笔记做的不多，因此还没怎么开始。

7. 深度学习自然语言处理

这部分算是核心的知识了，这部分还需要逐渐完善，时间有点紧啊。

文本数据预处理

各大任务的评价指标

改进 NLP 模型的一些思路

7.1 词向量三部曲

词向量 - Word2Vec

词向量 - Glove

词向量 - FastText

7.2 预训练语言模型

预训练语言模型 - BERT改进研究

预训练语言模型 - 融入知识图谱

预训练语言模型 - 自然语言生成

7.3 Attention 机制

7.4 文本分类

7.5 语义匹配

7.6 阅读理解

8. 源码阅读

这部分主要推荐一些自己阅读过的一些源码，有些源码是 NLP 相关， 有些是深度学习相关的，部分源码我个人有做注释，会相应的列出来。

9 . 老宋渣渣算法面经

这部分主要是自己面试过程中的一些感悟， 哎， 快面到自闭了。

Reference

[1] DeepLearning-500-questions -- 一个很好的仓库

[2] Algorithm_Interview_Notes-Chinese -- 知识比较旧了，但也很好

其他主要是自己的日常积累和看的论文。