春季到來，春招不久也會開始。在本項目中，作者為大家準備了 ML 算法工程師面試指南，它提供了完整的面試知識點、編程題及題解、各科技公司的面試題錦等內容。目前該 GitHub 項目已經有 1 萬+的收藏量，想要跳一跳的同學快來試試吧。

項目地址：https://github.com/imhuay/Algorithm_Interview_Notes-Chinese

如下所示為整個項目的結構，其中從機器學習到數學主要提供的是筆記與面試知識點，讀者可回顧整體的知識架構。后面從算法到筆試面經主要提供的是問題及解答方案，根據它們可以提升整體的解題水平與編程技巧。

面試知識點

面試題多種多樣，但機器學習知識就那么多，那么為了春招或春季跳槽，何不過一遍 ML 核心知識點？在這個 GitHub 項目中，作者前一部分主要介紹了機器學習及各子領域的知識點。其中每一個知識點都只提供最核心的概念，如果讀者遇到不熟悉的算法或者遇到知識漏洞，可以進一步閱讀相關文獻。

項目主要從機器學習、深度學習、自然語言處理和數學等方面提供詳細的知識點，因為作者比較關注 NLP，所以并沒有提供詳細的計算機視覺筆記。

機器學習

首先對于機器學習，項目主要從基礎概念、基本實踐、基本算法和集成學習專題這四個方面概括 ML 的總體情況。其中基礎概念可能是最基本的面試問題，例如「偏差方差怎么權衡？」、「生成模型和判別模型的差別是什么？」、「先驗和后驗概率都是什么，它們能轉換嗎？」。

這些知識點一般是入門者都需要了解的，而對于 ML 基本實踐，主要會從如何做好傳統 ML 開發流程的角度提問。例如「你如何選擇超參數，能介紹一些超參數的基本搜索方法嗎？」、「混淆矩陣、準確率、精確率、召回率或 F1 值都是什么，如何使用它們度量模型的好壞？」、「你能介紹數據清洗和數據預處理的主要流程嗎，舉個例子？」。

這些問題都能在前兩部分的知識點中找到答案。后一部分的基本算法就非常多了，從最簡單的 Logistic 回歸到復雜的梯度提升樹，這一部分總結了主流的機器學習算法：

信息論

邏輯斯蒂回歸

支持向量機

決策樹

集成學習

梯度提升決策樹 GBDT

隨機森林

其中每一種算法都提供了最核心的概念，例如對于決策樹中的 CART 算法，筆記主要引用了李航《統計學習方法》中的描述：

最后機器學習還有一個關于集成方法的專題。除了支持向量機，集成方法相關的問題在 ML 中也比較重要，因為像 XGboost 和隨機森林等方法在傳統 ML 中效果應該是頂尖的，被問到的概率也大得多。

深度學習

深度學習的內容就相對比較多了，目前也有非常多的筆記或資料，但是我們可能會感覺深度學習的問題并沒有機器學習難。頂多會讓我們手推一個反向傳播算法，不會像手推支持向量機那樣讓我們從表達式推一下卷積網絡。如果要為深度學習打基礎，其實最好的辦法是學習 Ian Goodfellow 的《Deep Learning》，我們只要閱讀這本書的前兩部分：應用數學與機器學習基礎；深度網絡：現代實踐。第三部分因為涉及大量前沿研究的東西，我們暫時可以不急著學。

該項目主要從以下幾個方面介紹深度學習面試知識點：

深度學習基礎

深度學習實踐

CNN 專題

RNN 專題

優化算法專題

序列建模專題

《Deep Learning》整理

前面 6 個專題都是介紹的筆記，每一個專題都有非常多的具體內容，其中序列建模專題還引用了機器之心綜述的從循環到卷積，探索序列建模的奧秘。如下展示了優化算法專題所包含的內容：

在最后的《Deep Learning》整理中，項目作者給出了五十多道深度學習問題，并根據這些問題介紹《Deep Learning》中的知識點。如下為問題示例，不同的星號表示問題的難度：

自然語言處理與數學

后面的自然語言處理也是最近在重點更新的，目前介紹的方面主要有；

自然語言處理基礎

NLP 發展趨勢

詞嵌入專題

句嵌入專題

多模態專題

視覺問答綜述

深度理解查詢

NLP 很多知識點其實都不算基礎內容，這需要根據我們自己學習的領域收集復習內容。不過像 NLP 基礎或詞嵌入等知識點，項目作者介紹得很詳細，它們也是 NLP 面試必備知識。

最后還有一些數學知識點，它們是算法工程師面試所需要具備的基礎。例如今日頭條算法工程師的實習生面試會問：「在圓環上隨機選取 3 個點，這 3 個點組成銳角三角形的概率？」，或者其它算個積分之類的。項目作者主要為面試準備了以下幾方面的知識點;

概率論

微積分本質

深度學習核心

其中深度學習核心主要包含非線性激活函數、梯度下降和反向傳播。

算法題和筆試題

對于編程面試，基礎算法是必不可少的，它們一般體現在筆試題上，例如數據結構、動態規劃或排列組合等。很多開發者可能感覺筆試解題會很難，因為題目并不會告訴你需要用什么樣的基礎算法來解決，全靠我們自己一步步解析題目。這就要求我們對各種基礎算法都比較熟悉，項目作者提供了以下基本算法專題：

字符串

數據結構

高級數據結構

動態規劃

雙指針

區間問題

排列組合

數學問題

Shuffle、采樣、隨機數

大數運算

海量數據處理

這些算法題會介紹具體的問題、解題思路以及對應的解題代碼。例如在數據結構中，我們如何判斷樹 B 是不是樹 A 的子樹。

如下所示為解題代碼，注意基本上各基礎算法的題解都是用 C++寫的，作者會引用劍指 Offer 題解和 Leetcode 題解等的解決方案。

classSolution{public:boolHasSubtree(TreeNode*p1,TreeNode*p2){if(p1==nullptr||p2==nullptr)//約定空樹不是任意一個樹的子結構returnfalse;returnisSubTree(p1,p2)//判斷子結構是否相同||HasSubtree(p1->left,p2)//遞歸尋找樹A中與樹B根節點相同的子節點||HasSubtree(p1->right,p2);}boolisSubTree(TreeNode*p1,TreeNode*p2){if(p2==nullptr)returntrue;//注意這兩個判斷的順序if(p1==nullptr)returnfalse;if(p1->val==p2->val)returnisSubTree(p1->left,p2->left)//遞歸判斷左右子樹&&isSubTree(p1->right,p2->right);elsereturnfalse;}};

此外，該項目還提供了 IO 模板和必備算法模板。作者表示不少筆試不像 LeetCode 那樣可以自動完成 I/O，我們需要手動完成數據 I/O，而且如果我們沒有 ACM 經驗，很可能會在這上面浪費很多時間。因此這里總結的幾種常見 IO 模板對于編程面試有很大的幫助，另外的算法模板同樣也是。

例如如果我們輸入不定數量個 Input，且以某個特殊輸入為結束標志，那么用 C 語言實現的模板為：

//示例1inta,b;while(scanf("%d%d",&a,&b)!=EOF&&(a!=0&&b!=0)){//...}//或者while(scanf("%d%d",&a,&b)!=EOF&&(a||b)){//...}//示例2intn;while(scanf("%d",&n)!=EOF&&n!=0){//...}

用 C++實現的模板為：

//示例1inta,b;while(cin>>a>>b){if(a==0&&b==0)break;//...}//示例2intn;while(cin>>n&&n!=0){//...}

面試真題

最后，項目作者還收集了十多家科技企業面試真題，并介紹從一面到三面的內容與經驗。

例如以下是頭條/字節跳動-深度學習/NLP 方向的三面概覽：

具體的面試題也會提供，如下所示為字節跳動 18 年 8 月的筆試題：積分卡牌游戲。

當然給了題目，對應的解決方案也會提供：

#輸入處理n=int(input())x,y=[],[]foriinrange(n):_x,_y=list(map(int,input().split()))x.append(_x)y.append(_y)xy=list(zip(x,y))xy=sorted(xy,key=lambdat:t[1])ret=0ifsum(x)%2==0:#如果所有x的和為偶數print(sum(y))#直接輸出所有y的和else:foriinrange(len(xy)):ifxy[i][0]%2==1:#去掉x中為奇數的那一項ret=sum([xy[j][1]forjinrange(len(xy))ifj!=i])print(ret)break