算法工程师面试必备

1. 成为算法工程师，应该学习哪些东西
   1. 首先说算法工程师有几个方向：NLP，推荐，CV，深度学习，然后结合公司业务做得内容各不相同
   2. 传统机器学习算法：感知机，SVM，LR，softmax，Kmeans，DBSCAN，决策树（CART，ID3，C45），GBDT，RF，Adaboost，xgboost，EM，BP神经网络，朴素贝叶斯，LDA，PCA，核函数，最大熵等
   3. 深度学习：CNN，RNN，LSTM，常用激活函数，Adam等优化算法，梯度消失（爆炸）等
   4. 推荐系统：itemBasedCF，userBasedCF，冷启动，SVD（各种变形），FM，LFM等
   5. NLP：TF-IDF，textrank，word2vec(能推导，看过源码)，LCA，simhash
   6. 常见概念：最大似然估计，最小二乘法，模型融合方法，L1L2正则（Lasso，elestic net），判别式模型与生成式模型，熵-交叉熵-KL散度，数据归一化，最优化方法（梯度下降，牛顿法，共轭梯度法），无偏估计，F1（ROC，recall，precision等），交叉验证，bias-variance-tradeoff，皮尔逊系数，
   7. 概率论，高数，线性代数（像我一样懒的人，就可以遇到哪里复习哪里，:D）
   8. 常见问题（具体答案去搜知乎或者百度，最好能在实际项目中总结出来）：
      1. 常见损失函数
      2. SGD与BGD
      3. 如何处理样本非均衡问题
      4. 过拟合原因，以及解决办法
      5. 如何处理数据缺失问题
      6. 如何选择特征
      7. L1为什么能让参数稀疏，L2为什么会让参数趋于较小值，L1优化方法
      8. 各模型的优缺点，以及适用场景
   9. 学明白上述所有内容你需要多长时间？反正我这么笨的人用了不到一年时间（我本科完全没接触过算法相关，完全是研一学的）
2. 推荐书籍
   1. C++：《C++primer5》《STL源码分析》《深度探索C++对象模型》《Effective C++》《Effective STL》 （虽然有些书有点老，不过开卷有益吧）（其他语言就不管了哈）
   2. python：《python学习手册》《python源码分析》《改善python程序的91个建议》（Python必须要会）
   3. 刷题：《编程之美》《剑指offer》《程序员代码面试指南》《leetcode》
   4. 算法相关：《统计学习方法》（这本多看）《数据挖掘导论》《数学之美》《田林轩视频》《吴恩达视频》《西瓜书》
3. 简历项目
   1. 最好能有两个相关的项目，而且是有质量的，不要太水
   2. 没有项目的，可以去参见比赛（kaggle，天池），比赛成绩高，比项目管用。成绩不高的，一定要有自己的解决方案。
4. 刷题
   1. 刷题是必须的，书目就是上边列的哪些
   2. 每天一道或者两道，风吹雨打也不能停。如果坚持住，一年后你就成了

其他

1. 什么叫学透了，学明白了
   1. 别人问你问题，你能讲明白
   2. 躺在床上，闭着眼，能完整的阐述一个算法（什么是完整？以SVM为例，SVM的推导？KKT条件？什么是支持向量？什么是松弛变量？为什么推导成对偶形式？核函数的作用是什么？如何选择核函数？模型优缺点？）你说这些问题我都明白，但是你是否能形成一个知识体系呢？一提到SVM，就能想到所有这些问题呢？
   3. 能够达到第二步的要求，那么面试官在问“说一下你对SVM的认识”，你就可以滔滔不绝的讲了，这样面试官才能认可你，这样就很舒服了。
2. 人脉太重要了
   1. 找工作时，互相帮助，多加几个交流群，观摩大佬的一举一动
   2. 多和上班的师兄沟通，因为他们能把简历直接给到leader手里
   3. 多向周围的大神学习。就像我实验室的ACM大佬，他是我让我佩服的五体投地的存在。每次有什么不会做的编程题，找他解释都是秒解。还要感谢实验室的师兄，带我项目，助我去阿里实习。