转自:https://ask.julyedu.com/question/88729
基础知识：
常见算法的推导和特点、常见的特征提取方法、处理过拟合的方法、模型评估、模型集成、常见的网络结构、优化方法、梯度消失和爆炸都必须熟悉。这些都是课上讲到过的，只要多温习几遍也就熟悉了。如果有难点确实没理解的，可以拿时间专门攻克，这样可以增强信心。也可以直接请教别人。
项目方面：
重要的是理解算法原理和思想，能够将现实问题转化为机器学习的问题，不是编程经验。
注意知识的系统性和自己的优势
面试的时候，抓住自己熟悉的问题一定要说透，把相关的都说。这样也能把面试官的注意力吸引过来。同时占用了时间，被问到不熟悉领域的机会就少了。
比如问到xgboost，就从决策树（熵）到xgboost都说，同时还要说boost集成的方法，还可以扩展到其他的集成方法（bagging，stacking），还可以对比各种集成的特点，甚至还可以扩展到神经网络，因为神经网络也可以看作是一种集成。
比如问到词向量或嵌入，就从w2v，glove，elmo，到bert都说一遍。如果时间充裕，可以研究各种表示方法，很有意思的。
比如问到关键词提取，就把tf-idf，textrank，lda，都说一遍。如果还知道其他的关键词提取方法就更好。
总之，要让面试官看到你是系统的理解和掌握了，不是零碎的知识。
总结
传统机器学习一定要掌握：svm、lr、决策树、随机森林、GBDT、xgboost和朴素贝叶斯这些基础知识，最好能手推。
深度学习基本都是：CNN以及卷积的意义、RNN以及RNN的初始化、LSTM、常用激活函数（tanh、relu等）这些原理。
自然语言处理方面：一定要把tfidf、word2vec、注意力机制、transformer都熟悉掌握。最好自己去运行几次