Introduction

本仓库主要记录本人对 NLP算法和推荐算法相关知识的积累,将这些知识屡清楚,然后将相关的知识笔记整理成专题,来帮助进行更好的复习,以应对之后的跳槽面试。

推荐使用 Typora 编辑器打开, 所见即所得。

Contents

1.CS 基础

1. 编程语言基础

该文件夹下主要记录 python 和 c++ 的一些语言细节, 毕竟这两大语言是主流,基本是都要会的,目前还在查缺补漏中。

  • C++面试题
  • Python 面试题

2. 数学基础

该文件夹下主要记录一些数学相关的知识,包括高数,线性代数,概率论与信息论, 校招针对CS专业的应该会问到, 社招应该问的不多。

  • 概率论
  • 高等数学
  • 线性代数
  • 信息论

3. 计算机基础理论知识

这部分内容一般不怎么考,因此,没有把重心放在上面,至少现在几乎没有遇到问这方面的,但某些特别便业务开发的啃根会问,校招针对科班问的可能会比较多,社招应该就没有那么侧重了。

2. 机器学习基础

这部分已经开始进入正题了,事实证明,部分大厂会提及一些基础的机器学习算法知识,因此,这部分我觉得几个核心的模型是要会的。

  • 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 - 线性回归
  • 模型 - 逻辑回归
  • 模型 - 朴素贝叶斯
  • 模型 - 决策树
  • 模型 - 随机森林
  • 集成学习
    • AdaBoost
    • XGBoost
    • LightGBM

3. 深度学习基础

这部分主要讲述深度学习方面的基础知识,是核心点,但很多情况下,很多面试官的题基本差不多,不过我个人觉得,有这种全局的,全面的知识框架是有益的。

  • 深度学习项目流程

3.1 基础理论部分

  • 基础理论 - 多任务学习
  • 基础理论 - 集成学习
  • 基础理论 - 分类问题评估指标
  • 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 - 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 - 维数灾难问题
  • 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
  • 基础理论 - 集成学习

3.2 基本单元

  • 基本单元 - CNN
  • 基本单元 - MLP
  • 基本单元 - RNN

3.3 调参相关

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

3.4 Tricks

  • Trick - Dropout
  • Trick - Normalization
  • Trick - 融合训练集,验证集,测试集
  • Trick - 提前终止
  • Trick - 学习率衰减
  • Trick - 正则化

4. 统计自然语言处理

  • 词袋模型
  • 概率图模型
  • 统计语言模型
  • 主题模型
  • 自然语言处理综述
  • HMM&CRF
  • Jieba分词
  • TF-IDF

5. 深度学习自然语言处理

这部分算是核心的知识了,这部分还需要逐渐完善。

  • 文本数据预处理
  • 各大任务的评价指标
  • 改进 NLP 模型的一些思路

5.1 词向量三部曲

  • 词向量 - Word2Vec
  • 词向量 - Glove
  • 词向量 - FastText

5.2 预训练语言模型

  • 预训练语言模型 - BERT改进研究
  • 预训练语言模型 - 融入知识图谱
  • 预训练语言模型 - 自然语言生成

5.3 Attention 机制

5.4 文本分类

5.5 语义匹配

5.6 阅读理解

6. 传统推荐算法

TODO 一些传统观念的推荐算法,召回,排序,协同过滤 UCF和ICF等

7. 深度学习推荐算法

TODO 一些神经网络推荐算法 召回,排序

8. 源码阅读

这部分主要推荐一些自己阅读并实现过的一些源码,有些源码是 NLP 相关, 有些是深度学习相关的,

已有的BP算法(深度学习远祖级别的算法)

后续还需要添加

  • Transformer
  • RNN/GRU/LSTM

9. 算法面经

这部分主要是自己面试过程中的一些面经。

Reference

[1] DeepLearning-500-questions -- 一个很好的仓库

[2] Algorithm_Interview_Notes-Chinese -- 知识比较旧了,但也很好