1、编程语言

2、基本算法

3、传统的机器学习算法

机器学习模型

4、常见机器学习问题

            过拟合问题、交叉验证问题、模型融合、模型选择问题

1) 几种模型（ SVM，LR，GBDT，EM ）的原理以及公式推导； 

2) RF,GBDT 的区别； GBDT,XgBoost的区别； 

3) 决策树处理连续值的方法； 

4) 特征选择的方法； 

5) 过拟合的解决方法； 

6) K-means 的原理，优缺点以及改进； 

7) 常见分类模型（ SVM ，决策树，贝叶斯等）的优缺点，适用场景以及如何选型； 

8) SVM 为啥要引入拉格朗日的优化方法； 

9) 假设面试官什么都不懂，详细解释 CNN 的原理； 

10) 梯度下降的优缺点 

11) EM与K-means的关系； 

12) L1与L2的作用，区别以及如何解决L1求导困难； 

13) 如何用尽可能少的样本训练模型同时又保证模型的性能； 

14) ID3和C4.5的优缺点，树的融合(RF和GBDT) 

15) 特征提取方法，如何判断特征是否重要 

16) BP神经网络以及推导 

17) HMM模型状态推导 

18) 过拟合原因以及解决办法(深度学习同) 

19) 常见损失函数 

20）机器学习性能评价，准确率，召回率,ROC 

22）降采样，PCA，LDA

5、深度学习问题

1）四种激活函数区别和作用 

2）过拟合解决方法 

3）(CNN)卷及神经网络各层作用 

4）(RNN)循环神经网络 

5）LSTM 

6）梯度弥散 

7）优化算法 adam，SGD等 

8）分析Alexnet,VGG的网络结构以及各层作用 

9）XgBoost(好像很多公司也面到了) 

10)梯度下降的优化 

12)卷积核参数计算 

13)TensorFlow中的session是什么，session和interactivesession的区别

一、机器学习基本掌握技能

1、数据结构知识

2、掌握常用算法或某一细分领域（推荐、自然语言处理、图像识别、语音识别）

二、笔试和面试内容

1、技术面试计算机基础知识，概率统计、智力题、linux或编程算法题目

        主要是数据结构包括数组，增删链表，树，排序算法等。也可能会有数据库基本语句，操作系统进程和 线程相关的，计算机网络的TCP/IP协议部分。

2、算法能力：

        给出一个场景，回答使用什么算法去建模解决。

2、面试问题：

    1、机器学习常用算法，例如：

            决策树的ID3，C4.5，CART等，决策树的split原理和剪枝策略

            神经网络如何工作

            SVM的原理及公式推导

            朴素贝叶斯的公式

            Bagging 和 Boosting的区别

            GBDT的参数怎么调

            聚类过程

            偏差和方差是什么，高偏差和高方差说明了什么

            怎么理解损失函数，SVM的损失函数是什么，写出公式

            过拟合怎么解决，L1和L2正则化有什么区别

            为什么用最小二乘而不是最小四乘

            GB和牛顿法的区别，它们和泰勒公式的关系

2、数据结构算法知识，手写代码：

最大子数组和、快速排序、字典排序

3、特征工程

4、pca原理

5、编程能力考察编程的相关知识，编程语言一门即可

        static的作用，hashmap，arraylist和linklist的区别，多线程

        实现strstr(判断一个字符串是否是另一个的子串)

8、大数据开发能力

       大数据开发能力：Hadoop/Hive/Map Reduce开发，例如Map Reduce 写 word count

9、深度学习知识

    1、深度学习框架

    2、cnn：什么是卷积，为什么要使用padding

10、Udacity的机器学习项目P0和P1

        P0（泰坦尼克号项目）：预测这个有啥用？召回率是多少？（题目中并没有算）

        P1（预测波士顿房价）：特征都是离散的，为什么用决策树？