经常会问到的问题，经典算法推导(加分项)，原理，各个损失函数之间区别，使用场景，如何并行化，有哪些关键参数
比如LR(并行算法的几种优化方法经常被问到),FFM,SVM,RF,KNN，EM，Adaboost,PageRank，GBDT，Xgboost，HMM，DNN，CNN，RNN，LSTM，推荐算法，聚类算法，图像，自然语言，等等机器学习领域的算法，这些基本都会被问到。
XGB和GBDT区别与联系也会经常问到。一些评估函数，F值，mae，logloss，AUC，MAP@N，特别是AUC是如何计算的；哪些优化方法，随机梯度下降，牛顿拟牛顿原理；生成模型，判别模型；线性分类和非线性分类各有哪些模型；SVM核技巧原理，如何选择核函数；特征选择方法有哪些；常见融合框架原理，优缺点，bagging，stacking，boosting，为什么融合能提升效果；信息熵和基尼指数的关系(信息熵在x=1处一阶泰勒展开就是基尼指数)；如何克服过拟合，欠拟合；L0，L1，L2正则化(如果能推导绝对是加分项，能画个等高线是最基本的，L0是NP问题)；模型性能如何评估=方差+偏差+噪声；方差：训练集error低，验证集error高，偏差：训练集验证集error都高。
其实上面的这些问题基本都能在《李航：统计学习方法》《周志华：机器学习》里面找到，能翻个4，5遍基本就无压力了
另外可以报一下小象学院的机器学习班，等到开团的时候报也就300左右，讲的挺不错的，有算法推导和代码实现，我也是看了之后才明白很多算法的原理。还会问一些常见的数据结构和算法，写代码的题基本都是出自《剑指offer》和《微软面试100题》，只要刷几遍，代码题这里搞定也是加分项。
其余的基本就是问问比赛，项目，遇到的问题，如何解决，在团队中的角色，评价自己；面试官问你还有问题要问没，就别瞎问了吧，多看看别人的面经；比如问点现在这个部门做的业务，遇到过的问题，部门发展的一个规划；最好别叫面试官评价你，要是评价不好会影响心情，自己的面试表现自己应该清楚。
可以在自己面试的时候做记录，经常复习，先从小公司面起，积累经验；另外要定位准确，自己的水平自己清楚，不要死磕大公司，浪费了大量时间还经常1面被刷；没事审视下自己的简历，不要把自己不熟悉的东西写上去，像什么精通之类的建议改成了解吧，不然会被问哭的；不要装逼写2页，我很多项目比赛都没写进去，只写了几个名次靠前的比赛，能吹一点的项目，其他没写进去的可以找机会主动说出来；项目即使很水，也要吹的很难很厉害的样子；比赛和项目尽量突出里面的难点，自己做的贡献。
多刷题也比较重要，我自己的感受是内推问的问题会比通过了笔试问的要难一些，深一些；算法的推导同样重要，之前我也是看到那些公式就蛋疼，后面没办法，看书看视频，多手推几遍，这样面试的时候更有底气；个人觉得在面试的时候能手推算法的应该比较少，所以优势是很大的；实习生面试BAT跪掉的原因就是没有复习，对算法的原理了解不够深入，所以在校招的时候，9月开始用了将近一个月的时间来复习，效果挺好。
http://download.csdn.net/detail/bryan__/9640531
大量算法题参考资料
http://blog.csdn.net/v_july_v/article/details/6543438
http://blog.csdn.net/hackbuteer1
机器学习公开课
https://www.julyedu.com/video/play/18/10
面试算法资料
http://www.cnblogs.com/tornadomeet/p/3395593.html
机器学习知识点总结
https://bbs.aliyun.com/read.php?spm=5176.100258.100258.8.bhrQ8k&tid=294564&displayMode=1&page=1&toread=1#tpc
http://m.blog.csdn.net/article/details?id=50244695
面试编程题十大经典算法
http://mp.weixin.qq.com/s?__biz=MjM5Nzk2MDU5NA==&mid=2652545706&idx=3&sn=87e964154fa54999719c34c4b67dfff7&scene=0#wechat_redirect
知乎上的问题，如何准备机器学习工程师的面试，非常全，多往后面翻，收获会很多
https://www.zhihu.com/question/23259302
如何判断深度学习面试者水平
https://www.zhihu.com/question/41233373
2050
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
