哈喽，我是kk~
上周有一位同学拿到了米哈游的offer，岗位是机器学习算法。
针对所有的问题， 我给大家进行了汇总~
基础概念
机器学习的基本分类：监督学习、非监督学习、半监督学习和强化学习的区别。
常见的损失函数：如均方误差、交叉熵、Hinge损失等，及其在不同模型中的应用场景。
过拟合和欠拟合：定义、原因及解决方法。
偏差-方差权衡：定义及其在模型选择中的应用。
数据处理
特征工程：常见的特征处理方法，如归一化、标准化、独热编码、缺失值处理等。
数据预处理：数据清洗、数据增强、数据拆分等。
降维方法：如PCA、LDA及其原理和应用场景。
模型与算法
常见的机器学习算法：线性回归、逻辑回归、决策树、随机森林、K近邻、支持向量机、K-means、主成分分析（PCA）等的原理、优缺点及适用场景。
集成学习：Bagging、Boosting（如Adaboost、Gradient Boosting、XGBoost）等方法的原理和区别。
深度学习基础：神经网络的基本结构、前向传播和反向传播的原理、激活函数（如ReLU、Sigmoid、Tanh）的选择及其影响。
模型评估与选择：交叉验证、混淆矩阵、ROC曲线、AUC值、F1-score等评价指标及其适用场景。
实践应用
模型的调参与优化：网格搜索、随机搜索、贝叶斯优化等调参方法。
模型部署：了解基本的模型部署流程及常用工具（如Docker、Flask等）。
项目经验：描述自己曾经做过的机器学习项目，遇到的问题及解决方案。
数学基础
线性代数：矩阵的基本运算、特征值与特征向量等。
概率论与统计学：概率分布、最大似然估计、贝叶斯定理等。
优化方法：梯度下降、随机梯度下降及其变种（如Adam、RMSprop等）的原理。
编程与实践
编程语言：熟悉Python及其常用库（如NumPy、Pandas、Scikit-Learn、TensorFlow、PyTorch等）。
代码实现：编写简单的机器学习算法代码，如线性回归、逻辑回归、决策树等。
经典论文
经典算法论文：如《Gradient-Based Learning Applied to Document Recognition》（LeCun等，1998年），《A Few Useful Things to Know About Machine Learning》（Domingos，2012年），《Attention Is All You Need》（Vaswani等，2017年），候选人需要了解这些论文的核心贡献、算法原理、实验结果及其影响。
领域内标志性论文：如果候选人专注于某个特定领域（如计算机视觉、自然语言处理、强化学习等），面试官可能会问及该领域的一些标志性论文及其细节。
前沿研究
最新的研究进展：面试官可能会问候选人最近阅读过哪些重要的机器学习论文，以及这些论文在算法、模型、应用等方面的创新点。
论文复现与应用：面试官可能会询问候选人是否有过复现论文实验的经历，遇到的问题及其解决方法，或者如何将某篇论文中的方法应用到实际项目中。