机器学习
列一下考察的知识点，并附上相关的优质知乎讨论。
逻辑回归，SVM，决策树
各种机器学习的应用场景分别是什么？例如，k近邻,贝叶斯，决策树，svm，逻辑斯蒂回归和最大熵模型。
主成分分析，奇异值分解
随机森林，GBDT, 集成学习
为什么说bagging是减少variance，而boosting是减少bias?
基于树的adaboost和Gradient Tree Boosting区别？
为什么在实际的 kaggle 比赛中 gbdt 和 random forest 效果非常好？
过拟合
机器学习中使用「正则化来防止过拟合」到底是一个什么原理？为什么正则化项就可以防止过拟合？
深度学习
列一下大概的考察点和相关的知乎讨论。
卷积神经网络，循环神经网络，LSTM与GRU，梯度消失与梯度爆炸，激活函数，防止过拟合的方法，dropout，batch normalization，各类经典的网络结构，各类优化方法
CNN(卷积神经网络)、RNN(循环神经网络)、DNN(深度神经网络)的内部网络结构有什么区别？
sgd有多种改进的形式(rmsprop,adadelta等),为什么大多数论文中仍然用sgd?
你有哪些deep learning（rnn、cnn）调参的经验？
深度学习中 Batch Normalization为什么效果好？
为什么现在的CNN模型都是在GoogleNet、VGGNet或者AlexNet上调整的？
Krizhevsky等人是怎么想到在CNN里用Dropout和ReLu的?
11.C++11的特性是否了解，使用auto方便在哪，请举一个例子
（5）程序设计竞赛的获奖（例如OI/ACM/topcoder之类的）
1.基础机器学习算法，看本经典机器学习书，掌握基本的机器学习算法。不需要都学会，但是决策树、朴素贝叶斯、逻辑回归、knn、svm、kmeans、bp神经网络这几个应该是要认真看。推导下算法公式，结合代码掌握其原理。在网上或者机器学习实战里都有例子，结合跑一下程序。各个算法的适用情况优缺点，原理实现过程都要概述出来。最后把相关算法写在简历里，所写的一定是会的。2.深度学习方面。我找工作时候只会cnn。结合cnn来说，学习下几个典型分类模型，自己搭深度学习平台。然后跑几个例子，从制作数据集到训练优化测试走个流程。网络模型中用到的点一个一个查，都要理解。结合研究领域找几篇论文看看，结合别人的思路，看能不能做点什么。相关项目在网上，在实习，在比赛中都能找到，一定要自己做一下。最后把成果写在简历里。3.如果非计算机专业肯定要自学数据结构的，我就刷了俩遍剑指offer。有时间你们别学我，多刷点题吧。比如我去知乎面试算法工程师，让我写个程序，我用的递归写都忘了写递归出口了，很不熟练。
