机器学习是一门理论性和实战性都比较强的技术学科。在应聘机器学习相关工作岗位时，我们常常会遇到各种各样的机器学习问题和知识点。
算法理论基础不仅包含基本概念、数学基础，也包含了机器学习、深度学习相关。今天给大家推荐一个不错的算法理论基础面试题汇总资源，已开源~
首先放上这份开源面试题汇总的地址：
https://github.com/sladesha/Reflection_Summary
其作者是 SladeSal 和 tcandzq，来自 2020 届校招面试各类算法问题及个人理解的汇总。目前已经收获 900+ 的赞了~
资源目录：
- 基础概念
- 数学
- 数据预处理
- 机器学习
- 深度学习
- 自然语言处理
- 推荐
- 风控
- 评价指标
下面来看一下详细内容，一睹为快！
1. 基础概念
基础概念部分包含了 5 个主题，分别是：方差和偏差、生成与判别模型、先验概率和后验概率、频率概率、AutoML。每个主题都包含若干常见、高频出现的面试题。
例如“如何解释偏差、方差，模型训练为什么要引入偏差和方差？”
问题的解释都来自面试题的精炼总结，不罗嗦，简单易懂。
2. 数学
数学部分包含了 12 个主题，分别是：数据质量、最大公约数问题、牛顿法、拟牛顿法、概率密度分布、平面曲线的切线和法线、导数、微分中值定理、泰勒公式、欧拉公式、矩阵、概率论。
例如，看下关于泰勒公式的讲解：
泰勒公式一句话描述：就是用多项式函数去逼近光滑函数。常见的泰勒公式有：
3. 数据预处理
数据预处理部分包含了 5 个主题，分别是数据平衡、异常点处理、缺失值处理、特征选择、特征提取。数据预处理是机器学习算法的重要组成部分。
例如“为什么需要对数据进行变换？”，“归一化和标准化之间的关系？”
这部分作者总结得很详细，后面还有展开！关于连续特征的常用方法，作者引入一张图进行总结归纳：
4. 机器学习
机器学习部分包含了 9 个主题，分别是：聚类、线性回归、逻辑回归、决策树、贝叶斯、随机森林、集成学习、FM/FFM、SVM。这部分内容详实，核心面试题也总结得很好。
例如 SVM 面试题非常丰富，涵盖得比较全面。众所周知，支持向量机（Support Vector Machine, SVM）是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面。
关于KKT限制条件，KKT条件有哪些、引入拉格朗日的优化方法后的损失函数解释、核函数的作用是啥、核函数的种类和应用场景作者都有详细解释。
5. 深度学习
深度学习部分包含了 8 个主题，分别是：dropout、batch_normalization、bp过程、embedding、softmax、梯度消失/爆炸、残差网络、Attention。
例如“残差网络为什么能解决梯度消失的问题？”
6. 自然语言处理
自然语言处理部分包含了 8 个主题，分别是：GloVe、WordsVec、CRF、LDA、LSTM、GRU、Bert、文本相似度计算。
例如“word2vec和glove区别？”
7. 推荐
推荐部分包含 8 个主题，分别是：DIN、DeepFM、YoutubeNet、Wide&Deep、MLR、Neural Network全家桶、XDeepFM、Recall。
8. 风控
风控部分包含了 2 个主题，分别是：孤立森林和评分卡。
9. 评价指标
评价指标包含了 5 个主题，分别是：二分类、多分类、回归指标、聚类指标、排序指标。
总的来说，这是一份不错的算法理论基础面试资源，作者对常见的大厂面试题做了较好的归纳和总结。帮助大家对这些知识点进行梳理和理解，以便能够更好地应对机器学习笔试包括面试。
目前该项目应该还在补充完善。
最后，再次放上该资源的 GitHub 开源地址：
https:// github.com/sladesha/Ref lection_Summary
