机器学习方面的面试主要分成三个部分：1.算法和理论基础2.工程实现能力与编码水平3.业务理解和思考深度1.理论方面，我推荐最经典的一本书《统计学习方法》，这书可能不是最全的，但是讲得最精髓，薄薄一本，适合面试前突击准备。我认为一些要点是：统计学习的核心步骤：模型、策略、算法，你应当对logistic、SVM、决策树、KNN及各种聚类方法有深刻的理解。能够随手写出这些算法的核心递归步的伪代码以及他们优化的函数表达式和对偶问题形式。非统计学习我不太懂，做过复杂网络，但是这个比较深，面试可能很难考到。数学知识方面，你应当深刻理解矩阵的各种变换，尤其是特征值相关的知识。算法方面：你应当深刻理解常用的优化方法：梯度下降、牛顿法、各种随机搜索算法（基因、蚁群等等），深刻理解的意思是你要知道梯度下降是用平面来逼近局部，牛顿法是用曲面逼近局部等等。2.工程实现能力与编码水平机器学习从工程实现一般来讲都是某种数据结构上的搜索问题。你应当深刻理解在1中列出的各种算法对应应该采用的数据结构和对应的搜索方法。比如KNN对应的KD树、如何给图结构设计数据结构？如何将算法map-red化等等。一般来说要么你会写C，而且会用MPI，要么你懂Hadoop，工程上基本都是在这两个平台实现。实在不济你也学个python吧。3.非常令人失望地告诉你尽管机器学习主要会考察1和2但是实际工作中，算法的先进性对真正业务结果的影响，大概不到30%。当然算法必须要足够快，离线算法最好能在4小时内完成，实时算法我没搞过，要求大概更高。机器学习大多数场景是搜索、广告、垃圾过滤、安全、推荐系统等等。对业务有深刻的理解对你做出来的系统的结果影响超过70%。这里你没做过实际的项目，是完全不可能有任何体会的，我做过一个推荐系统，没有什么算法上的高大上的改进，主要是业务逻辑的创新，直接就提高了很明显的一个CTR（具体数目不太方便透露，总之很明显就是了）。如果你做过实际的项目，一定要主动说出来，主动让面试官知道，这才是最大最大的加分项目。最后举个例子，阿里内部机器学习挑战赛，无数碾压答主10000倍的大神参赛。最后冠军没有用任何高大上的算法而是基于对数据和业务的深刻理解和极其细致的特征调优利用非常基本的一个算法夺冠。所以啥都不如真正的实操撸几个生产项目啊。
举个反面例子你就知道了。像我本人，在相关知识上掌握的一般般，基本概念倒是知道的差不多，但是让我上来就推导几个公式，细致地讲解几个概念，随手coding几个模型就得gg。给我一个任务，调研出要用的技术路线倒是不难（毕竟很多任务就那么些东西）。但是上手后遇到各个问题处理的又是一头包，什么数据太少、样本分布不均衡、模型效果不佳，等等具体的问题都解决的不好。都说了是工程师，肯定能解决实际问题才是合格的工程师，所以对我取反就行了。
这个真的没有正式排名的，如果你真心学技术，读个电脑学校也是香的
内容全部来源于网络收集，如有侵权，请联系网站删除！