仅用于站内搜索，没有排版格式，具体信息请跳转上方微信公众号内链接
数学基础：线性代数、概率统计、微积分
机器学习算法：
监督学习：线性回归、逻辑回归、决策树、随机森林、SVM、KNN
无监督学习：K-means、层次聚类、PCA、t-SNE
集成方法：Bagging、Boosting、Stacking
深度学习基础：
神经网络原理
反向传播算法
优化器（SGD、Adam、RMSprop）
常见架构（CNN、RNN、LSTM、Transformer）
Python编程：熟练掌握数据结构、算法复杂度分析
框架应用：Scikit-learn、TensorFlow/PyTorch、Keras
数据处理：Pandas、NumPy、数据清洗与预处理
算法实现：手写关键算法（如梯度下降、决策树）
特征工程：特征选择、提取和变换方法
模型评估：交叉验证、过拟合与欠拟合、各类评估指标
超参数调优：网格搜索、随机搜索、贝叶斯优化
模型解释性：SHAP值、LIME、特征重要性分析
个人项目梳理：准备2-3个有深度的项目
问题背景
数据处理方法
模型选择理由
实现难点与解决方案
效果评估与业务价值
开源贡献：如有GitHub贡献，准备相关讲解
基础概念题：准备简洁、准确的解释
案例分析题：熟悉常见业务场景的解决方案
实现算法题：白板编程练习，如实现KNN、决策树
数据结构与算法：排序、搜索、动态规划等经典问题
最新研究趋势：大型语言模型、自监督学习等热点
行业应用案例：了解目标公司/行业的ML应用
MLOps基础：模型部署、监控、A/B测试
技术面试：算法推导、代码实现、项目讲解
行为面试：STAR法则回答问题（情境、任务、行动、结果）
系统设计面试：ML系统架构设计
简历亮点提炼：30秒和2分钟版本的自我介绍
准备问题：针对面试官的有深度问题
结构化回答：先给出结论，再展开细节
思考可视化：面试中展示思考过程，边思考边讲解
专业术语使用：准确使用ML术语，展示专业素养
不确定问题：坦诚表达，提出解决思路
开放性问题：展示思考框架，循序渐进分析
压力型问题：保持冷静，分析问题本质
《机器学习面试全书》、《百面机器学习》
《深度学习面试宝典》
Kaggle平台竞赛与讨论区
LeetCode机器学习相关题目
GitHub上的面试题集合
各大公司面经整理
技术分享会、ML读书会
行业研讨会、线上论坛
复盘总结面试问题
针对性弥补知识漏洞
持续学习行业新动态
