作者：辛俊波
链接：https://www.zhihu.com/question/29291174/answer/44180349
来源：知乎
著作权归作者所有，转载请联系作者获得授权。
作者：留少武
链接：https://www.zhihu.com/question/54308150/answer/141727001
来源：知乎
著作权归作者所有，转载请联系作者获得授权。
作者：匿名用户
链接：https://www.zhihu.com/question/54308150/answer/150991535
来源：知乎
著作权归作者所有，转载请联系作者获得授权。
链接：https://www.zhihu.com/question/29291174/answer/44180349
来源：知乎
著作权归作者所有，转载请联系作者获得授权。
非大大，作为刚经历过校招的人说几句。
1）笔试：
投过的所有机器学习的校招岗位中，没有一个，哪怕是一个笔试环节是涉及到机器学习的。清一色全是常规的计算机专业基础知识。以百度为例，全是大题，前面几道简单题，简答的程序语言基础，操作系统等。后面全是编程大题，主要考察数据结构和算法
2）面试：
一开始大多都是介绍自己做过的项目，如果是面机器学习岗位，一般介绍的时机器学习相关的项目经验，这个时候就是向面试官展示你熟悉的机器学习模型的时候了。我自己介绍以及被问到过的有
模型上：SVM, LR, 决策树，贝叶斯分类，监督学习和无监督学习，BP神经网络，EM和K-means联系，knn，正则化，协同过滤等
数学上：牛顿法、随机梯度下降法、拟牛顿法、BFGS等
其他：mapreduce原理，python一些机器学习库（自己用过），推荐系统理解
因为我个人的项目有一个是和SVM相关，所以几乎所有的面试都推导过SVM的公式，被问到最深的时候还叫我讲解怎么用SMO求解SVM的对偶优化问题。大多数面试中，把SVM的理解深刻推导讲解了一遍之后，就花去了不少时间，剩下时间面试官再问我其他模型的简单理解，时间就差不多了。
所以我个人理解，重点熟悉熟练掌握一些你自己用过的机器学习模型。熟悉的定义是：模型的应用场景，原理，公式的推导，用的什么优化方法，有什么优缺点，和其他模型比较如何，怎么改进等，都要知悉。当你能结合工业界需求去讲那就更好不过了，比如LR, DNN在CTR中的应用，贝叶斯分类器在垃圾邮件中的分类等。
推荐书籍：
1、李航的《统计学习方法》。机器学习面试宝典，此书所有模型能够推导一遍，应付面试我觉得基本足够了
2、Harington的《机器学习实战》。python实现的机器学习代码，不讲原理只讲实战
3、Bishop的《Pattern Recognition and Machine Learning》
4、清华大学的《最优化理论与算法》。一切机器学习到最后无非就是优化模型，深刻理解优化的数学方法，对理解模型很有帮助
当然，以上的回答是针对机器学习的面试的，如果是从事这个岗位，以上的书是远远不够的，知乎上也已经有很多类似回答了。
1）笔试：
投过的所有机器学习的校招岗位中，没有一个，哪怕是一个笔试环节是涉及到机器学习的。清一色全是常规的计算机专业基础知识。以百度为例，全是大题，前面几道简单题，简答的程序语言基础，操作系统等。后面全是编程大题，主要考察数据结构和算法
2）面试：
一开始大多都是介绍自己做过的项目，如果是面机器学习岗位，一般介绍的时机器学习相关的项目经验，这个时候就是向面试官展示你熟悉的机器学习模型的时候了。我自己介绍以及被问到过的有
模型上：SVM, LR, 决策树，贝叶斯分类，监督学习和无监督学习，BP神经网络，EM和K-means联系，knn，正则化，协同过滤等
数学上：牛顿法、随机梯度下降法、拟牛顿法、BFGS等
其他：mapreduce原理，python一些机器学习库（自己用过），推荐系统理解
因为我个人的项目有一个是和SVM相关，所以几乎所有的面试都推导过SVM的公式，被问到最深的时候还叫我讲解怎么用SMO求解SVM的对偶优化问题。大多数面试中，把SVM的理解深刻推导讲解了一遍之后，就花去了不少时间，剩下时间面试官再问我其他模型的简单理解，时间就差不多了。
所以我个人理解，重点熟悉熟练掌握一些你自己用过的机器学习模型。熟悉的定义是：模型的应用场景，原理，公式的推导，用的什么优化方法，有什么优缺点，和其他模型比较如何，怎么改进等，都要知悉。当你能结合工业界需求去讲那就更好不过了，比如LR, DNN在CTR中的应用，贝叶斯分类器在垃圾邮件中的分类等。
推荐书籍：
1、李航的《统计学习方法》。机器学习面试宝典，此书所有模型能够推导一遍，应付面试我觉得基本足够了
2、Harington的《机器学习实战》。python实现的机器学习代码，不讲原理只讲实战
3、Bishop的《Pattern Recognition and Machine Learning》
4、清华大学的《最优化理论与算法》。一切机器学习到最后无非就是优化模型，深刻理解优化的数学方法，对理解模型很有帮助
当然，以上的回答是针对机器学习的面试的，如果是从事这个岗位，以上的书是远远不够的，知乎上也已经有很多类似回答了。
作者：杨煜
链接：https://www.zhihu.com/question/54308150/answer/141629873
来源：知乎
著作权归作者所有，转载请联系作者获得授权。
链接：https://www.zhihu.com/question/54308150/answer/141629873
来源：知乎
著作权归作者所有，转载请联系作者获得授权。
计算机专业研究生一枚，这学期初秋招刚找到一份机器学习的工作，仅仅把我的校招经历分享给大家，我的经历可能对社招的前辈们没什么帮助。由于是校招，每种算法考察的程度都不深。答案中不会出现具体的应聘公司，基本都是国内最知名的互联网公司，大约十来家吧。
首先我面试的都是校招机器学习岗位，没有遇见专门的深度学习岗位，所以就针对机器学习来说了。
面试内容一般都是做过的项目、语言相关、算法coding、机器学习。
1.做过的项目
项目方面我没做过机器学习相关的，求职过程中在这上面吃了很大的亏，如果能有相关的项目或比赛经历再好不过了。不过没有项目也不用灰心，这对在校生来说不算是硬伤，只要你的基础知识够扎实，同样能通过面试。（但最好还是有~）
2.语言相关
编程语言不算是硬性要求，有的面试官问了，有的干脆没问。我用的最熟的是C++，Java和Python也会用，有些面试官听了就会问我一些C++相关的问题，多数都会问到虚函数和纯虚函数，用C++面试的同学可以重点看一下这个。工程性开发性的问题问的不多，就一次面试遇到过问我一些预处理、链接库之类的问题。
3.算法coding
这个基本到哪都会考，动态规划、贪心、树、链表都是常考题。为了应对这种问题我的做法是在leetcode上刷题，我也就做了100道左右，基本就能应对面试中的算法coding了。如果用C++的话在leetcode上可以锻炼使用STL容器，许多算法coding题用STL容器来写非常方便（我个人写这种题已经不用数组了）。另外把答案用一个函数的形式写出来是个很简洁的方法。
4.机器学习
不用说这部分是机器学习面试的重点。面试中遇到的机器学习算法主要有线性回归、朴素贝叶斯、决策树、GDBT、随机森林、Adaboost、逻辑回归（和Softmax）、SVM、神经网络和卷积神经网络。遇到很多次让写逻辑回归的极大似然估计的推导。SVM会问思想，我SVM掌握的太少答的不好。神经网络会问随机梯度下降和反向传播，要写出式子来的。卷积神经网络就遇到过一次，当时不知道后来上网学习了一下挺有意思的。
损失函数、过拟合、算法的优缺点是经常问到的点，另外遇到的其他问题有这么几个：机器学习算法中哪些是回归算法哪些是分类的。他们的产品要做用户流失预测须要提取哪些特征的。其他我还遇到过倒排索引、推荐算法之类的问题。
以上，希望能给即将找工作的同学们带来帮助(●'◡'●)
首先我面试的都是校招机器学习岗位，没有遇见专门的深度学习岗位，所以就针对机器学习来说了。
面试内容一般都是做过的项目、语言相关、算法coding、机器学习。
1.做过的项目
项目方面我没做过机器学习相关的，求职过程中在这上面吃了很大的亏，如果能有相关的项目或比赛经历再好不过了。不过没有项目也不用灰心，这对在校生来说不算是硬伤，只要你的基础知识够扎实，同样能通过面试。（但最好还是有~）
2.语言相关
编程语言不算是硬性要求，有的面试官问了，有的干脆没问。我用的最熟的是C++，Java和Python也会用，有些面试官听了就会问我一些C++相关的问题，多数都会问到虚函数和纯虚函数，用C++面试的同学可以重点看一下这个。工程性开发性的问题问的不多，就一次面试遇到过问我一些预处理、链接库之类的问题。
3.算法coding
这个基本到哪都会考，动态规划、贪心、树、链表都是常考题。为了应对这种问题我的做法是在leetcode上刷题，我也就做了100道左右，基本就能应对面试中的算法coding了。如果用C++的话在leetcode上可以锻炼使用STL容器，许多算法coding题用STL容器来写非常方便（我个人写这种题已经不用数组了）。另外把答案用一个函数的形式写出来是个很简洁的方法。
4.机器学习
不用说这部分是机器学习面试的重点。面试中遇到的机器学习算法主要有线性回归、朴素贝叶斯、决策树、GDBT、随机森林、Adaboost、逻辑回归（和Softmax）、SVM、神经网络和卷积神经网络。遇到很多次让写逻辑回归的极大似然估计的推导。SVM会问思想，我SVM掌握的太少答的不好。神经网络会问随机梯度下降和反向传播，要写出式子来的。卷积神经网络就遇到过一次，当时不知道后来上网学习了一下挺有意思的。
损失函数、过拟合、算法的优缺点是经常问到的点，另外遇到的其他问题有这么几个：机器学习算法中哪些是回归算法哪些是分类的。他们的产品要做用户流失预测须要提取哪些特征的。其他我还遇到过倒排索引、推荐算法之类的问题。
以上，希望能给即将找工作的同学们带来帮助(●'◡'●)
作者：daily lin
链接：https://www.zhihu.com/question/54308150/answer/142762072
来源：知乎
著作权归作者所有，转载请联系作者获得授权。
链接：https://www.zhihu.com/question/54308150/answer/142762072
来源：知乎
著作权归作者所有，转载请联系作者获得授权。
前些天刚刚面了俩家。传统机器学习算法也不难，把李航那本刷完就够用了。SVM对偶问题可能要多看看。python的sklearn对这些传统算法封装好，可以了解一下。
我面的分为项目和代码。
✔项目: 基本上是按照简历来展开。面试官也不一定直面问你简历上写的，他可能看着你的简历想到他们现正在做的项目遇到的问题。也不一定是深度学习如RNN 或CNN，可能是数据存储，如何数据读取使的内存有限下读取速度快。设计一个读算法，数据从G到T的增加如何保障读稳定。这就考基本功了，这次问的是数据读取，下次可能就问带宽，外溢等等。从这个观点看，我觉平时积累知识的时候还是要掌握得一些，一次性弄懂。面试官还问了现场推导反向更新规则，解释caffe每个超参的作用。没有问传统机器学习(naive bayes, svm等等)。
✔代码: 面试官直言问，你有没有在哪里刷过题。我说在leetcode，然后面试官说你随便说个你印象比较深的题吧。天，顿时我就懵逼，还能这样考？一时不知是兴奋还是心慌，突然想不起来任何东西。然后想起了3sum，想到先序中序。我回答3sum问题，然后面试官要我讲一下算法，三个for循环最差O(n^3)。然后面试官说有什么方法可以优化，又蒙圈了，自己给自己挖坑啊！后来胡乱想了个我说2个for，然后再query。最挖坑的是，我说查询是O(1)时间。然后在面试官引导下我想到了二分，真是羞愧难啊！后来 出来后我赶紧得得去查一下正确答案，要先排序O(nlgn)。然后从第一个开始for ，gap=0-A[k]，然后再来一个while，i在k+1，j在尾，A[i]+A[j]-gap<0 i++; A[i]+A[j]-gap>0 j++; 所以O(n^2)够了。(如有更好的算法求建议)。最后我面试时回答的是O(n^3lgn)。自己挖的坑，跪着也要爬起来 (T＿T)。面的时候千万要保证不要说出自己含糊的答案，一定要确保正确，就这样。
个人意见真诚手打，仅供参考。大神请绕道，不喜勿喷，谢谢。
我面的分为项目和代码。
✔项目: 基本上是按照简历来展开。面试官也不一定直面问你简历上写的，他可能看着你的简历想到他们现正在做的项目遇到的问题。也不一定是深度学习如RNN 或CNN，可能是数据存储，如何数据读取使的内存有限下读取速度快。设计一个读算法，数据从G到T的增加如何保障读稳定。这就考基本功了，这次问的是数据读取，下次可能就问带宽，外溢等等。从这个观点看，我觉平时积累知识的时候还是要掌握得一些，一次性弄懂。面试官还问了现场推导反向更新规则，解释caffe每个超参的作用。没有问传统机器学习(naive bayes, svm等等)。
✔代码: 面试官直言问，你有没有在哪里刷过题。我说在leetcode，然后面试官说你随便说个你印象比较深的题吧。天，顿时我就懵逼，还能这样考？一时不知是兴奋还是心慌，突然想不起来任何东西。然后想起了3sum，想到先序中序。我回答3sum问题，然后面试官要我讲一下算法，三个for循环最差O(n^3)。然后面试官说有什么方法可以优化，又蒙圈了，自己给自己挖坑啊！后来胡乱想了个我说2个for，然后再query。最挖坑的是，我说查询是O(1)时间。然后在面试官引导下我想到了二分，真是羞愧难啊！后来 出来后我赶紧得得去查一下正确答案，要先排序O(nlgn)。然后从第一个开始for ，gap=0-A[k]，然后再来一个while，i在k+1，j在尾，A[i]+A[j]-gap<0 i++; A[i]+A[j]-gap>0 j++; 所以O(n^2)够了。(如有更好的算法求建议)。最后我面试时回答的是O(n^3lgn)。自己挖的坑，跪着也要爬起来 (T＿T)。面的时候千万要保证不要说出自己含糊的答案，一定要确保正确，就这样。
个人意见真诚手打，仅供参考。大神请绕道，不喜勿喷，谢谢。
标准的理论（VC bound，model selection, overfitting）
标准的模型（SVM，Random Forest，Decision Tree，NN）
标准的优化算法（MCMC，MLE，EM，SGD）
标准的库（TensorFlow，WEKA，Spark）
作者：留少武
链接：https://www.zhihu.com/question/54308150/answer/141727001
来源：知乎
著作权归作者所有，转载请联系作者获得授权。
嗯说一下昨天面试被问的几个问题：
- 解决网络过拟合的手段有些什么呀
- Dropout的为什么可以解决过拟合呀
- Batch-normalization的思想是什么呀
- 类别不平衡的时候怎么办啊
- 目标检测中anchor box的做法和adaboost人脸检测中的滑窗检测有什么区别啊？
- 跟踪和检测有什么区别啊？
作者：匿名用户
链接：https://www.zhihu.com/question/54308150/answer/150991535
来源：知乎
著作权归作者所有，转载请联系作者获得授权。
作者：FranktheTank
链接：https://www.zhihu.com/question/54308150/answer/138870281
来源：知乎
著作权归作者所有，转载请联系作者获得授权。
更新log：
1/30/2017 补充：如何准备面试
——————————————————————————————————————————
如果简历上有相关的深度学习project的话, 一定会被深入问吧...
剩下的东西很多情况下取决与面试的公司平时一般做啥.
之前有朋友面过一个传统ML + NLP + 一点点DL的position (Entry Level), 面试题目涵盖如下, 可以感受一下:
如果我是面试官,可能还会问:
如何准备面试？
楼下@杨煜 同学的回答已经非常全面了。我再加几点：
链接：https://www.zhihu.com/question/54308150/answer/138870281
来源：知乎
著作权归作者所有，转载请联系作者获得授权。
更新log：
1/30/2017 补充：如何准备面试
——————————————————————————————————————————
如果简历上有相关的深度学习project的话, 一定会被深入问吧...
剩下的东西很多情况下取决与面试的公司平时一般做啥.
之前有朋友面过一个传统ML + NLP + 一点点DL的position (Entry Level), 面试题目涵盖如下, 可以感受一下:
- 用Map Reduce implement矩阵乘法
- NLP相关的encoding问题 (CBOW vs Skipgram)
- 不同的activation function的pros/cons
- Gradient Boosting 相关问题
- Random Forest 相关问题
- SVM的Gaussian Kernel 的 dimension
- 用Regex分析文本
- 如何用python/R 读取JSON, 并且洗数据
- 用C++ implement Monte Carlo
- coding: 用DFS走迷宫
如果我是面试官,可能还会问:
- 用过哪些DL的library呀?
- 现在的DL 的state of art model有哪些呀?
- 如果如理diminishing gradient的问题呀?
- 如果同时处理文本文档+图片呀?
- 如果防止overfitting呀?
- 如何pre-train model呀?
- 能否自己在服务器上用distributed computing部署一个现有的model 呀?
如何准备面试？
楼下@杨煜 同学的回答已经非常全面了。我再加几点：
- 机器学习：个人感觉学好深度学习，有一个扎实的机器学习的底子是很重要的。所以很多position虽然打着深度学习的标签，但做的东西往往是和普通的机器学习密切相关的（这里所谓的“普通的机器学习”通常指的是那些不需要很多计算量的模型）。撇开某些”特定的深度学习任务“（如图像识别，自然语言分析），很多情况下深度学习是在尽可能的用一个non-linear的model去更好的fit你需要处理的问题。但是对于入门级position来说，fit model (e.g. 调参)很多情况下只是最后的20%任务。其余的80%时间还是在洗数据。举一个很好的例子：在我实习之间，我请教过一个做机器学习（业界cutting edge）的师兄，问他们平时工作是如何的高大上的。他说的回答是：“第一步，我总归是画一个scatter plot..” 所以说，除了某些特定的任务外，深度学习很多情况下只是在给你的结果锦上添花。但俗话说“garbage in， garbage out”。 很多时候数据的好坏才是最关键的。
- 做过的项目：如果申请者是机器学习相关的专业出身，很多情况下会自带一些项目，这在面试中是个加分项。对于转专业的同学们来说，“项目”这个topic有可能会是个死循环 --“不去实习哪来的项目，没有项目哪来的实习？” 在这个点上，我个人的建议是“打好机器学习的基础，抓好深度学习的理论”。缺project的同学大可参与一些kaggle，拿到一些名词是最好。现在也有一些刷project小组（如Bittiger， 无利益相关）供大家参与。
- 语言相关：这个其实是应position而异的。如果你的职位是Google AI/Deep Mind这种专门开发新模型的position，你可能需要掌握扎实的底层语言基础（C/C++?）。如果是偏应用为主（比方说用LeNet来获得encoding），熟悉掌握python和相关的library（e.g., Keras）已经足够。
- 算法coding：赞成。毕竟不是software engineering，有时间多做project吧。Leetcode 刷到medium基本已经能够应付了。
