一、关于微积分的相关问题
1.牛顿法二次逼近的数学意义和物理意义
二、关于概率论与数理统计的问题
1.大数定律的实际意义
2.中心极限定理的实际意义
3.矩估计的实际意义
4.极大似然估计的实际意义
三、线性代数
1.方阵的相似变化的几何意义
2.方阵的相合变换的几何意义
3.主成分分析的原理
四、凸优化
1.凸优化的例子（极大似然估计和最小二乘法）
2.凸集与凸函数的实际意义
3.对偶问题与KKT条件的实际意义
4.支持向量机SVM的原理
5.凸优化的问题在机器学习中的运用
五、关于机器学习
1.损失函数的分类和应用场合：支持向量机损失的原理和交叉熵损失（回归问题、分类问题）
2.神经元的激励函数为什么是非线性的
3.神经网络非线性切分的原理
4.为什么DNN会出现过拟合的问题
5.为什么需要BP算法
6.为什么需要SGD算法
7.卷积层计算的原理？以及与数字信号处理的相关性，滤波原理
8.为什么有了DNN，还需要CNN？
9.CNN各层的作用，以及背后的原理是什么？
10.CNN过拟合问题的解决方法，以及原理
11.Caffe TensorFlow PyTorch Caffe2框架以及原理，以及之间的共同点和区别
