- Linux 基本命令及 Bash Shell
推荐阅读：《鸟哥的Linux私房菜》
- C/C++
- 代码规范
- C++11新特性
推荐阅读：《踏潮C++代码规范》、《Effective C++/STL》
- RPC框架
- Thrift
- Protobuf
- Web框架
- Nginx with FastCGI
- Apache
- Django
- 数据存储
- MySQL
- MongoDB
- Redis
- Hadoop
- HBase
- Kafka
- 网络编程
- 多线程同步
- 进程通信
- 流处理
- 分布式
- 数据同步
- Master-Slave
- 竞选机制
- Linux 基本命令及 Bash Shell
- C/C++
- 代码规范
- C++11新特性
推荐阅读：《踏潮C++代码规范》、《Effective C++/STL》
- 回归计算
- 最大似然估计
- 随机梯度下降
- 分布式计算
- MapReduce
- 并行计算
- 加速比评测
- 可扩放性标准
- PRAM模型
- POSIX Threads
- CUDA基础
- 数据转换
- 无量纲化
- 归一化
- 哑编码
- 数据清洗
- 判断异常值
- 缺失值计算
- 特征工程
- 可用性评估
- 采样
- PCA/LDA
- 衍生变量
- L1/L2正则
- SVD分解
- 提升
- Adaboost
- 加法模型
- xgboost
- SVM
- 软间隔
- 损失函数
- 核函数
- SMO算法
- libSVM
- 聚类
- K-Means
- 并查集
- K-Medoids
- KNN
- 聚谱类SC
- EM算法
- Jensen不等式
- 混合高斯分布
- pLSA
- 主题模型
- 共轭先验分布
- 贝叶斯
- 停止词和高频词
- TF-IDF
- 词向量
- word2vec
- n-gram
- HMM
- 前向/后向算法
- Baum-Welch
- Viterbi
- 中文分词
- 数据计算平台
- Spark
- Caffe
- Tensorflow
- 推荐阅读：周志华——《机器学习》
-
SVM和LR的区别和联系
-
LR可不可以做非线性分类
-
bagging和boosting的区别
-
决策树，GBDT
-
介绍一下xgboost，xgboost和GBDT的区别
-
l1正则化和l2正则化
-
如何处理类别不均衡问题
-
如何判断分类器的好坏（分类器的评价指标）
-
介绍Kmeans算法
-
特征工程的方法
-
防止过拟合的方法，dropout的原理
-
常用的激活函数，sigmoid的缺点，relu的缺点
-
平时用什么优化方法，adam的缺点及解决方法
-
介绍平时调参的经验
-
介绍BatchNorm
-
RNN的缺点，LSTM的作用，LSTM和GRU
-
除了LSTM和GRU是否了解其它循环单元
-
如何处理OOV问题
-
介绍word2vec的作用，缺点
-
常用的文本分类方法，优缺点
-
残差网络resnet介绍，解决什么问题
-
CNN在图像中1*1卷积的作用
-
一维卷积的作用
-
介绍transformer，为什么比LSTM好，怎么获取顺序信息
-
介绍BERT，ELMO等
机器学习/深度学习这里，《百面机器学习》看两遍就可以了，如果有多余时间可以看一遍西瓜书或者统计学习方法。
除了机器学习/深度学习水平之外，还要考察工程能力，以及代码编写。代码编写准备的方法比较统一，就是刷题。至少要刷完《剑指offer》的所有以及leetcode的"top interview questions"。需要注意的是写题并不是写对了就可以了，还要尽量保证代码的工整性，以及复杂度、异常处理、边界值等等。
工程能力就是考察“机器学习工程师”岗位除了“机器学习”的相关能力了。考察的点很多，比如操作系统，线程/进程，编程语言特点等等，这块通常面试算法工程师的同学都比较薄弱，需要多准备。分享几个常考到的：
-
进程/线程的区别，python中怎么实现，谈谈GIL
-
python2和python3的区别
-
python中浅拷贝和深拷贝
-
python的生成器是什么
"互联网AI岗位所需技能"这一节内容来源于此文章。
“常见面试问题”主要参考此知乎回答。
===
涵盖了所有知识点和课程。