2019年的秋季招聘已经结束，但仍有少量公司继续发布招聘信息。这份资源特别适合准备参加NLP算法工程师面试的人，同时也适用于其他与算法相关的职位。它整理了面试所需的基础知识，包括数学基础、编程语言、深度学习、机器学习、计算机科学、统计学习和自然语言处理等方面的内容。此外，还包括了一些实用的面试经验和技巧，对于求职者来说非常有价值。

以下是经过改写的内容：

---

2019年秋季招聘已经结束，但仍有零星的招聘在继续。这份资源主要针对NLP算法工程师的面试，同时也适用于其他与算法相关的职位。内容涵盖了面试所需的各种基础知识，包括数学基础、编程语言、深度学习、机器学习、计算机科学、统计学习和自然语言处理等方面。此外，还包括了一些实用的面试经验和技巧，非常具有参考和学习价值。

编程语言基础

这部分主要记录了Python和C++的相关知识，因为这两种语言是主流，大多数情况下都需要掌握。目前还在不断完善中。

• C++面试题
• Python面试题

数学基础

这部分记录了一些数学相关的内容，包括高等数学、线性代数、概率论与信息论等。目前仍在不断补充和完善中。

• 高等数学
• 线性代数
• 概率论
• 信息论

计算机科学基础

这部分内容一般不太会被考察，所以没有太多重点放在上面。但有趣的是，在面试某些公司的NLP岗位时，面试官对NLP的理解并不深入，导致整个面试过程更像是闲聊。

机器学习基础

这部分内容已经进入了正题，实践证明，一些大型公司会在面试中提到一些基础的机器学习算法知识。因此，掌握一些核心模型是非常重要的。

• 机器学习项目流程
• 判别模型 vs 生成模型
• 频率派 vs 贝叶斯派
• 数据预处理
• 特征工程
• 特征工程-关联规则
• 模型-SVM
• 模型-聚类算法
• 模型-决策树
• 模型-逻辑回归
• 模型-朴素贝叶斯
• 模型-随机森林
• 模型-线性回归

深度学习基础

这部分主要介绍了深度学习的基础知识，虽然很多面试题目都差不多，但拥有全面的知识框架还是很有帮助的。

基础理论

• 深度学习项目流程
• 基础理论 - 多任务学习
• 基础理论 - 集成学习
• 基础理论 - 分类性能指标
• 基础理论 - 距离度量方法
• 基础理论 - 目标函数、损失函数、代价函数
• 基础理论 - 偏差 vs 方差，欠拟合 vs 过拟合
• 基础理论 - 从数据角度看深度学习
• 基础理论 - 梯度消失、梯度爆炸问题
• 基础理论 - 维度灾难问题
• 基础理论 - 指数加权平均
• 基础理论 - 局部最小值、鞍点
• 基础理论 - 集成学习

基本单元

• 基本单元 - 卷积神经网络 (CNN)
• 基本单元 - 多层感知器 (MLP)
• 基本单元 - 循环神经网络 (RNN)

调参技巧

• 调参 - 超参数优化
• 调参 - 激活函数
• 调参 - 权重初始化方案
• 调参 - 优化算法

技巧

• 技巧 - Dropout
• 技巧 - 归一化
• 技巧 - 数据集划分
• 技巧 - 提前终止
• 技巧 - 学习率衰减
• 技巧 - 正则化

自然语言处理基础

这部分内容正在逐步完善中，时间有些紧张。

深度学习自然语言处理

这部分内容被认为是核心知识，需要逐步完善。

• 文本数据预处理
• 各种任务的评估指标
• 改进NLP模型的思路

词向量

• 词向量 - Word2Vec
• 词向量 - GloVe
• 词向量 - FastText

预训练语言模型

• 预训练语言模型 - BERT研究
• 预训练语言模型 - 融合知识图谱
• 预训练语言模型 - 自然语言生成

注意力机制

文本分类

语义匹配

阅读理解

源码阅读

这部分推荐了一些自己阅读过的源码，有些是与NLP相关的，有些是与深度学习相关的。部分源码附有注释，会相应列出。

面试经验

这部分主要是自己面试过程中的感悟，希望能对大家有所帮助。

参考资料

• DeepLearning-500-questions -- 一个很好的资源
• AlgorithmInterviewNotes-Chinese -- 虽然知识比较陈旧，但也很有用

此外，还有一些个人积累和阅读的论文。

---

希望以上改写的内容能够满足您的需求。如果有任何进一步的要求或修改，请随时告诉我。