转载仅供学习：门https://blog.csdn.net/gzj_1101/article/details/79514902
八九月份就要开始找工作了，一直期待能够成为一名算法工程师，所以在这里总结一下算法工程师常见问题。期待9月秋招时能有一个好的结果。本篇博客会一直更新下去。
编程语言
C++、python
基本算法
剑指offer+Leetcode基本就能解决
剑指offer算法实现
传统机器学习
常见机器学习问题
1） 过拟合问题
2） 交叉验证问题
3） 模型融合问题
4） 模型选择问题
面试常见问题
1) 几种模型（ SVM，LR，GBDT，EM ）的原理以及公式推导；
2) RF,GBDT 的区别； GBDT,XgBoost的区别（烂大街的问题最好从底层原理去分析回答）；
3) 决策树处理连续值的方法；
4) 特征选择的方法；
5) 过拟合的解决方法；
6) K-means 的原理，优缺点以及改进；
7) 常见分类模型（ SVM ，决策树，贝叶斯等）的优缺点，适用场景以及如何选型；
8) SVM 为啥要引入拉格朗日的优化方法；
9) 假设面试官什么都不懂，详细解释 CNN 的原理；
10) 梯度下降的优缺点
11) EM与K-means的关系；
12) L1与L2的作用，区别以及如何解决L1求导困难；
13) 如何用尽可能少的样本训练模型同时又保证模型的性能；
14) ID3和C4.5的优缺点，树的融合(RF和GBDT)
15) 特征提取方法，如何判断特征是否重要
16) BP神经网络以及推导
17) HMM模型状态推导
18) 过拟合原因以及解决办法(深度学习同)
19) 常见损失函数
20）机器学习性能评价，准确率，召回率,ROC
22）降采样，PCA，LDA
深度学习
常见问题
1）四种激活函数区别和作用
2）过拟合解决方法
3）(CNN)卷及神经网络各层作用
4）(RNN)循环神经网络
5）LSTM
6）梯度弥散
7）优化算法 adam，SGD等
8）分析Alexnet,VGG的网络结构以及各层作用
9）XgBoost(好像很多公司也面到了)
10)梯度下降的优化
12)卷积核参数计算
13)TensorFlow中的session是什么，session和interactivesession的区别