你的简历需要包含这几部分：
1）教育背景：可以写上绩点排名，所在实验室以及研究方向。
2）项目经历：写明问题背景，xx数据集，xx解决方法，具体评价指标达到xx，相比xx方法提升了xx个百分点，最后还可以附上代码开源地址，或者项目上线地址。
3）实习经历：实习所负责的职责，和项目经历一样的写法。
4）论文：如果你投research岗位，顶会是个大加成；如果你投的是nlp工程岗位，论文其实没有硬性要求，更看重项目。
5）荣誉奖项：xx奖学金，kaggle xx牌，xx比赛排名。(打比赛最好是先solo再组队，自己的贡献一目了然）
6）其它：放上你的github地址，blog地址。
其中项目是重点，我相信看到这篇文章的你，应该有相关的NLP项目，那么你应该对你简历所写上去的东西负责任（也就是对细节非常熟），对方可能会问到你：
1）具体参数设置，为什么要这样设置（掌握一下调参玄学）
2）你的模型，为什么这么做，为什么能work，和xx方法比怎么样
3）可能根据你的项目及模型，提出某个可能存在的深藏不露的问题，问你如何解决
4）项目难点是什么，又如何解决，从哪几方面解决，效果提升多少
5）如今的你再来看从前的这个任务，有没有更好的解决思路
6）给你一个新的业务场景，你怎么把你的模型移植上去，怎么重新设计模型，和你之前项目的区别是什么，需要注意哪些问题
7）项目分工，你做了哪部分工作
8）你这个任务的state of the art
Part II：深度学习
这部分其实我没怎么复习，都是经验之谈。
首先关于基础原理，你至少要知道这些：
1）CNN原理，如何用在文本上，在什么情况下适合用CNN，在什么情况下用LSTM
2）RNN系列，掌握RNN、LSTM和GRU的内部结构，RNN产生梯度消失的原因，LSTM如何解决，GRU对LSTM的改进。
3）Word2vec工具，怎么训练词向量，skip-gram和cbow，可以参考一下：一篇通俗易懂的word2vec（也可能并不通俗易懂）
4）Attention机制，比较常见的方法，可以参考一下：Attention用于NLP的一些小结
5）NLP基础任务，比如分词算法（序列标注任务），分类算法
关于实战部分，你至少也要知道这些：
1）数据预处理，权重初始化，为什么不能全部初始化为0，词向量怎么预训练
2）过拟合问题，原因是什么，怎么解决，主要从数据和模型两方面出发：机器学习中用来防止过拟合的方法有哪些？
3）调参技巧，比如，卷积核大小怎么按层设置，bn放在哪里比较合适，激活函数之间的区别（sigmoid，tanh和relu），词向量维度怎么设置，等等。
4）模型评估指标，acc，pre，recall，f1，roc曲线和auc曲线，分别适用于什么任务，怎么降低偏差，怎么降低方差，可以关注一下Hulu微信公众号：Hulu机器学习问题与解答系列 | 第一弹：模型评估
5）优化方法，批量梯度下降，随机梯度下降，mini-batch梯度下降的区别，adam，adagrad，adadelta，牛顿法
6）梯度消失问题，原因（链式求导，激活函数），解决方法（主要是batch norm）；以及梯度爆炸问题（梯度截断）
7）关于训练集和验证集，为什么要划分，如何划分(留出法，交叉验证)
8）如何处理数据不均衡问题，也是从数据和模型两方面出发解决。 Part III：传统机器学习
看这本书：周志华-机器学习（俗称西瓜书）
这本书我们实验室人手一本，真正通俗易懂，有基础的话一周就能看得差不多，很多内容我在大三的时候已经学过了。这本书比李航统计学习方法要好看很多，特别适合没有基础的入门者。
我觉得这本书的目录差不多已经涵盖了面试会问到的内容，至少要看完第2-9章，第14章的概率图模型也看一下，第16章的强化学习就见仁见智了，虽然我在简历上写到强化学习背景，但实际上问到我强化学习的只有那么一位面试官（RL+对话系统）
你至少要掌握的算法原理：
1）朴素贝叶斯
2）逻辑回归，线性回归
3）决策树，不同的划分方式，ID3，C4.5，CTAR，XGBoost等等
4）Ensemble模型
5）SVM，核函数选择，不同SVM形式
6）HMM，CRF，如何轻松愉快地理解条件随机场（CRF）？
7）最大熵原理，图解最大熵原理（The Maximum Entropy Principle）
8）KNN和K-Means，DBSACN也了解一下，以及各种距离计算方式，关于机器学习距离的理解
以上列出的算法都需要掌握其基本原理以及优缺点，可以参考：机器学习算法优缺点及其应用领域 - CSDN博客
你必须要会写的公式：
1）BP后向传播过程的推导，可以参考：漫谈LSTM系列的梯度问题，先定义Loss函数，然后分别对输出层参数和隐藏层参数进行求导，得到参数的更新量。
2）softmax和交叉熵推导，分成i=j 和 i\nej 两种情况来算，参考这里：大师网-简单易懂的softmax交叉熵损失函数求导
3）各种Loss函数
4）似然函数，负对数似然函数的推导
5）最小二乘法，利用矩阵的秩进行推导
7）贝叶斯定理，拉普拉斯平滑
你最好也要掌握一下的公式：
1）RNN在BP过程中梯度消失的原因，也把这个链式求导过程写出来。
2）各种优化方法的公式，SGD，Momentum，Adagrad，Adam，机器学习优化方法总结比较 - 合唱团abc - 博客园
3）Batch Normalization，就是个归一化过程，再加一个scale操作
4）SVM推导，拉格朗日了解一下：机器学习之拉格朗日乘数法
5）最大熵模型相关推导，一步一步理解最大熵模型 - wxquare - 博客园