技术
计算机基础
重要程度：**
本部分大多出现在笔试中，面试中也略有出现。
计算机基础虽然不是重点，但是很容易被忽略掉的内容，一来是本科学的课程，研究生早忘光了；二来很多同学觉得我是搞算法的，这些不是开发问的问题么？殊不知计算机基础是非常重要的部分，算法工程师首先要是一个工程师，对计算机不够了解怎么做出更鲁棒的网络结构，怎么能提高计算效率？
这部分主要是4门最重要的基础课和对linux操作部分：计算机网络、操作系统、组成原理、数据结构。网络和操作系统是非常常问的学科。
其中最常问的是操作系统，参考书目：《操作系统概念》就是恐龙书啦。内核、进程、线程、调度算法、死锁等等都是常问问题。
计算机网络，参考书目《计算机网络》，其中TCP协议、还有拥塞控制都被问过。
组成原理，参考书目《计算机组成与设计 硬件/软件接口》，比较少见吧。
数据结构，参考书目《算法导论》，求复杂度，红黑树、B+树的一些结构和优点，有些跟算法题一起考察了，也不太分得清，求算法复杂度是最重要的部分，主定理背一背就搞定。
Linux操作，参考书目《鸟哥的linux私房菜》，讲真问的还挺多，不过都是基本操作，比如查找啊，几千条数据的移动啊之类。
编程语言
重要程度：***
本部分笔试中非常常见，面试中也比较常见。
公司都会对语言有要求，再次强调，不要以为自己是算法岗就可以忽略语言和计算机基础部分。一般来说，根据公司和业务的不同对语言的要求也不一样，很多是会一种即可，不过对口是最好的嘛，比如腾讯是c++，阿里是java，百度是c++，其他大部分是java，python一般都要求，阿里有些还要求sql，毕竟在阿里，算法工程师 = sql工程师（开个玩笑）。
C++，参考书《C++ Primer》当字典书吧，常见问题：多态、虚函数，指针、函数指针，指针函数，宏和内联，内存分配类问题。
Java，参考书...算了我觉得java没有参考书，笔者是个野路子出身，直接看了spring框架就杠杠造了，java方面面试没有问过，并不是很懂。
Python，没有参考书，人生苦短，请看文档。修饰符、多线程等基础问题，还有numpy、pandas的一些问题，这里其实还涉及到常用的深度学习框架，TF最多吧，笔者基本没有被问到，有的同学被问过，网上可以看看他们的面经。
数学
重要程度：***
本部分笔试中非常常见，面试中也比较常见。
机器学习的知识说白了无非就是数学，但这里的数学特指面试官会单独问的一些数学知识。讲真啊，无论是笔试还是面试，笔者感觉自己总会碰到几道线代、概率、统计或者高数题。
尤其是概率题，几乎必考，大多是古典概型，什么不外乎摸球、抽牌求概率之类，有些需要算一算，有些可以直接往统计分布上靠，比如百度的一道面试题：n个人进餐馆吃饭，把帽子放在衣架上，走的时候随机拿一顶，问拿到属于自己帽子的人数量的期望，你要用排列组合算也可以算，但是往二项分布上想可以直接得到答案：每个人拿对概率是p= 1/n，期望不就是E_x=np=1嘛。
统计考察的也很多，毕竟传统机器学习就是统计，常用的分布，性质，变换清楚熟记就可以。还有一种题也很常见，就是给你某个概率1/n的随机数生成器让你求一个概率1/m的生成器，算法导论课后有类似的题，其实套路都一样，就是扔掉重来，比如给你一个均匀的正4面体，给出一个方案，得到每个数概率为1/7的随机数生成器，4<7<16，那就投两次，随便选7种排列，其他全部重新投就ok了。
线代部分主要还是跟着机器学习知识一起考的，比如PCA/SVD神马的。
高数比较少，旷视的笔试题有很多这方面的考题，其他考的较少。
算法题
重要程度：*****
很多笔试只有算法题，面试几乎必考
算法题最重要的两部分之一，即使是研究岗，写好代码也很重要。很多公司面试只有这部分考察，比如ms，google，很多公司作为最大重点，比如头条、滴滴，可以说，你可以没有项目经验没有paper没有实习，但你不能不会编程。
这部分很难讲，因为不同公司的偏重不一样，难度差别也很大，甚至说同一个公司不同部门，差别都很大。难度最大的是google，非OI和ACM选手连笔试都很难通过，头条、滴滴、依图、MS难度是leetcode mid +少量hard难度，其他公司一般是mid或者easy-mid。
不过好在算法题可以刷题突击，而且有一个很明显的现象：面试难度<<笔试难度，其实非常好理解，笔试是在线oj，机器判卷，直接比对case的结果就好。但是面试要肉眼debug，这就难得多，而且很多题有多种不同解法，面试官自己也不是很懂，自己只会一种解法。如果出一道难题，没有很深功力的面试官你给出一个不同解法他短时间很难判断对错。于是乎，除了上面提到的几家公司，绝大部份的面试官都只在现场出一些经典问题，比如百度系的巨喜欢问树的深度、公共父节点、最大路径等二叉树经典题的各种变种。然而经典代表着网上解法到处都是，代表着即使不刷题，刷刷面经也可以搞定。
笔试一般是1.5-2个小时做3-5道题，难度一般是几道mid一道hard，时间很紧迫，思路正确但是怎么写都不对是常有的事。所以能提前批尽量提前批，能学长部门内推，尽量部门内推，笔试过了，算法题这部分你就成功了一半。
算法题准备最主要的是刷题，这个跟数学考试一样的，需要灵感也需要手感，很多题看似不一样，解法也不同，但大多都是一个套路，比如DP啊、DFS啊、递增栈啊，能够抓住题的考察点，接下来就是实现问题了。这个时候手感就很重要，规定时间内写对并不是件容易的事，笔者前几个公司的笔试题就因为2年没刷题没有手感，做的稀烂。刷题的网站很多，最推荐的是leetcode，好处是题多；牛客也不错，而且还有企业真题，但是很奇怪，有些企业的真题跟笔试实际做的题不太一样。另外看书的话，《剑指offer》还是非常推荐，你可能觉得这些题都考烂了，不过别笔试，今年考的还是这些题，面试官很忙的，很多永远都是老三样。
算法题的另一个准备方法，可以说是性价比最高的准备方法就是：看面经，前面说过，面试官很忙的，大部分公司并没有为了秋招单独准备题库，所以面试官考来考去都是那些题，比如同一个岗位，昨天问的问题基本就是今天要问的问题，疯狂搜面经吧，撞原题概率非常大。
机器学习知识
重要程度：*****
算法工程师啊，最重要的当然是你的算法能力，其实这个突击不来，很靠积累。很多东西看得多了才能融会贯通，这点好实验室，本方向出身的同学会有极大的优势，如果还有一两篇不错的工作，那你就是ssp收割机，甚至可以不需要算法题能力，笔者周围就有算法题一个不答都进大牛组的同学，没办法，积累足够深嘛。但半路出家也不是完全没有机会，这里主要讲机器学习常见问题：
1 逻辑回归&交叉熵（重点）
LR真的是经久不衰啊，其实能问的地方好多好多，关于sigmoid函数其实可以从指数函数族的角度推导推导，然后就是交叉熵啦，最基本的就是从极大似然角度推导交叉熵。LR的基础推导看这里：https://zhuanlan.zhihu.com/p/34325602。
2 GBDT系列（重点）
机器学习的话，gbdt肯定是重中之重了，跟LR一样是最最最常见的问题，工业界应用也很多，打比赛就不用说，xg，blgb是历届kaggle的两把快刀。
其实gbdt没有太多可说的，无非是boosting思想啊，为啥用负梯度啊之类。重点是在lgb和xgb对传统gbdt的优化上，这部分内容很多，这个博客做了一些总结：
http://djjowfy.com/2017/08/01/XGBoost%E7%9A%84%E5%8E%9F%E7%90%86/，但我觉得还是看原始paper和源码比较好。具体就不展开说了。
3 SVM
这玩意貌似去年很火？说实话啊，我没怎么见过哪里用SVM，好像就RCNN用过SVM当分类器，后来就换成了softmax，我的面试也没人问过，曾经看了好久，后来忘了还很忐忑，结果却是没有被问到。推导：
https://www.zhihu.com/question/21094489 @靠靠靠谱 的回答
4 RF&bagging
随机森林本身没啥东西，不过bagging的思想倒是非常有用，比赛中常用的降低过拟合方案，简单来说就是选xgb中偏差低方差高的模型，做bagging，效果非常显著。再有一点就是RF可以用oob做特征选择，效果也不错。
5 决策树
怎么说呢，问的也比较少了，就是三种树，ID3，C4.5，CART，区别和剪枝记一记。
6 特征选择方法（重点）
特征选择是模型预处理的重要部分。方法很多：方差、相关系数、卡方检验、互信息、递归特征消除、基于惩罚的方法、树模型方法、单特征AUC、IV。
7 采样方法
主要有过采样和欠采样。
过采样：Smote方法及各种变种
欠采样：ensemble、nearMiss、Tomeklink、ENN
还有复杂分布的采样会用到MCMC。
8 聚类方法
也没多少，经典的就是：k-means、k-means++、meanshift、DBSCAN、EM聚类、层次聚类。
9 评估指标（重点）
精准率、召回率、ACC、AUC、F1、KS、熵系列、信息增益、CTR、CVR、MSE系列。其中AUC是重点中的重点，被问了好多次，而且很细节，包括本质意义、计算方法等等，注意AUC是有两种计算方法的，这里有介绍：
https://www.cnblogs.com/peizhe123/p/5081559.html
10 过拟合（重点）
起因基本不太会考，解决方法就多了，降低模型复杂程度啊，dropout啊、bagging、正则、earlystop，数据增强、交叉验证。Dropout本质也是个bagging。
11 batch normalization
这个问题下的回答很有价值 ，BN问的还挺多的。
12 梯度弥散/爆炸，怎么解决
改激活函数啊，BN啊，想lstm一样把*变+啊，加恒等映射的跳跃层啊，都可以。没有太好的文章，看看这篇讲resnet的吧
13 激活函数，比较
sigmod/tanh/relu/maxout... 好多，这个随便一搜就一堆，放一个不太切题的文章吧，我偶像何之源奆佬的回答，手动滑稽
14 优化方法（重点）
这就很多了，梯度下降系列、牛顿法系列，还有传统的模拟退火、遗传算法。牛顿法这回问的很多，不知道为啥。lan大神的花书讲的就很好，梯度下降的可以看这个。这里要注意，有些面试官会让你实操，就比如给你一个方程，让你用梯度下降求解。
15 各种网络结构&模型（重点）
这个就太多了，CNN、RNN就一堆，推荐的也是一堆，基本的DNN、CNN、RNN的forward和back prob都要熟悉，然后lstm、gru、attention也要会，还有各种encoder-decoder结构，这个就看积累了。
推荐部分有自己的一些模型，比如FM系列，lookalike、协同过滤之类的非深度学习模型，后面的W&D为首的融合模型也是搭积木。
项目
这块是很重点的部分，面试的大部分时间都是在聊你的项目，所以，写在简历上的项目一定要保证自己能说的头头是道，怎么做的，为什么这么做，最后的效果如何。还要把这样做的原因想清楚，面试官一定会找漏洞challenge你，一旦被问住了那就不好办了。
心态
人是感性动物，会随着自己的境遇和周围人的改变而受到极大影响。好的心态会帮助你超常发挥；差的心态可能直接导致秋招的失败。笔者在秋招的过程中就经历了大起大落，好在及时调整，否则肯定拿不到心仪的offer。
虽然这只能靠自己，但是有一个很重要的地方就是：不要主动打听别人的offer，我所见过的心态崩溃，几乎都是因为与别人比较：周围同学/朋友有offer自己没有，别人薪资高自己低。其实可能只是时候没到，我有个同学十一前0 offer，心情很崩溃，十一后迅速接到多个offfercall，最终拿到周围同学中薪资数一数二的工作。所以不是没offer，只是时候没到，不要瞎打听，相信自己的能力。
定位&规划
GM面或者HR面一般就不聊技术了，然而GM权利却比前几个面试官大的多，可以直接决定你的生死，所以技术之外，个人的定位规划、对公司的理解、愿景就很重要了，自我剖析、个人定位，这些往往是终面这个级别的大佬们所看重的。
彼
秋招就是斗智斗勇，就像因为考题有套路，考试不一定100%反应能力一样，秋招也有套路。A会80%的知识，但很可惜面试官问的都是后20%，那结果一定悲剧；B只会40%的知识，但恰巧包含了面试官问的那20%，恭喜你，你就是sp。
准备秋招就像打仗，对对手了解的深，就能不战而屈人之兵。
1 收集信息
什么公司什么时候提前批，什么时候正式批，招什么岗位。公司业界风评如何，技术如何，这些在你投递之前必须搞清楚，很多同学都会因为错过投递或者干脆不知道公司而错过机会。笔者在百度提前批的时候就没有收集好信息，本来是内部直招，挂了一个可以投另一个没有限制，笔者以为挂了就凉了，错失机会。
2 提前批&内推
内推其实没有以前那么有用了，也许只能保证你的简历不石沉大海，可以说，以前的内推是面笔试，直通车，没有内推就笔试；现在是有内推就笔试，没有内推就没戏。不过如果是部门直招就不同了。这种一般都免掉笔试，而且部门自己招人可以直接进入改部门工作而不用大类分配，如果是学长内推还有更大的sp几率。
3 针对面试官
期末考试是有重点的，还可能有往年或者课后的原题，面试也一样。前面说过，很多面试官年年都是老三样，而且面谁都是这些题。所以面试前疯狂找面经对着准备，很大几率碰原题。更狠一点可以假装有事往后拖一批（如果面试不止一批），然后问前一批同样岗位的同学问过什么问题，如果更幸运遇到了同一个面试官，那你的技术面就没什么问题了。
4 了解公司情况
很多业务大公司都做，但是做的水平就很不一样，不仅公司跟公司不一样，公司内部的组实力差距也非常大，所以一定要考察清楚。内部同学/学长啊，面试官水平啊，业界风评啊，这个组有没有公开的工作或者发表的paper啊，都是衡量标准。
一定要避免坑，应届生第一份工作很重要，如果不慎进了一个外表光鲜内在稀烂的组，工作这个头就开不好了。
5 积极总结面试经验
面试后第一件事不是如释重负的玩，而是记录自己遇到的面试题，尤其是错的或者没答好的，查清楚。同一个岗位，不同公司很大程度上是重复的，因为重点就是那些个嘛，A公司认为重点的，B公司认为是重点也会考察。这也是学长的面试复习法效果的由来：不准备，先面一些不想去的公司，以面试代复习，面了几家后，后面的公司就好说啦。另外，总结经验并分享出来，不仅是对自己的成长，也是帮助他人，毕竟你在搜面经的时候也希望别人有分享的吧。