一、数据结构等基础知识
写个归并排序，写完后说能不用辅助数组吗
写一个快排，非递归
二、机器学习算法类
1.
交叉熵，还有个什么熵不记得了
机器学习的衡量指标有什么，如何解决过拟合和欠拟合
介绍一下极大似然估计，和最大后验的区别是什么
L1和L2的区别 L1为什么能稀疏矩阵 L2为什么不能，L2为什么能解决过拟合
1.分类
决策树怎么分裂的，信息增益，信息增益率和基尼指数公式
说一下SVM，AI平台部还叫手推了公式，并且问SVM如何做回归，LR和svm的区别
SVM所有核函数的了解应用，SVM的损失函数
讲一下EM算法，E步和M步的具体步骤，E中的期望是什么（关于什么分布的期望），EM算法推导，jensen不等式确定的下界
线性回归服从什么分布(噪声高斯分布)，均值方差如何定义呢，和最小二乘的关系(概率角度推导出来？)
BN的作用是什么，什么时候用BN
bagging和boosting的区别，说一下GBDT的原理，gbdt，xgboost模型的比较
手推逻辑回归，手推gbdt（主要写损失函数的负梯度公式），手推xgboost
xgboost，rf，lr优缺点场景。。。真的逢面必问
2.聚类
DBSCAN原理和算法伪代码，与kmeans，OPTICS区别
三、NLP
1.词向量
介绍下word2vec，相比简单的神经网络模型有什么优点？看过源码吗？源码里面是如何负采样的，为什么要层次化softmax，sigmod在源码里面的计算方法是什么
传统的softmax词向量模型为什么计算效率低，词嵌入应该从输入层获取还是输出层获取（因为softmax词向量模型有两个矩阵都含有词嵌入）
word2vec中，负采样相比层次化softmax，有什么优缺点？层次化softmax能保证概率归一化吗？
fasttext和textCNN说一下吧
说一些HMM和CRF，怎么做分词、标注问题（再说了下LSTM CRF，以及多目标学习等）
强化学习在NLP中有什么应用，解释一下策略梯度，reword等
文本分类的方法有哪些，深度学习和非深度学习的方法都说一下
四、深度学习
深度学习优化方法，公式
深度学习一阶优化和二阶优化的方法有哪些，基于动量的方法为什么能快速收敛，讲讲Adam优化算法
lstm和Rnn区别
梯度消失的解决办法
DNN的梯度更新方式
简述反向传播原理
sigmoid和ReLU的优劣
梯度消失问题和损失函数有关吗？
Dropout为什么能防止过拟合？
Batch Normalization有什么好处？
五、编程知识
Python进程和线程
用python现场处理数据（特征统计等），15分钟限时
C 的内存对齐，给了几个struct计算占用内存；C 纯虚函数、虚函数表说一下
六、其他类型问题（智力题、场景题、数学题等）
linux head diff等命令
linux命令：如何按照第二列从大到小排序文件
说一下 mapreduce 原理，用mapreduce实现10亿级以上数据的kmeans
概率题，抽蓝球红球，蓝结束红放回继续，平均结束游戏抽取次数
概率题：一个家庭有两个孩子，已知其中一个是女孩，求另一个也是女孩的概率
智力题：丢两个骰子，最可能出现的点数和是多少？3个骰子呢，不能枚举，面试官让快速估计
智力题:马匹赛跑 25匹马，5个跑道，没有计时器，要找出前三名，最少要比多少场，答案是7
智力题：一个人向北走了一公里，向东走了一公里，又向南走了一公里，最后回到了最开始的起点，为什么？
扣简历，问得太细了，每个项目都要回答如果再做一次，有什么改进的地方，both算法上和模型选择上