离散、连续特征一般怎么处理（onehot、归一化、why、方法 等）；
特征变换、构造/衍生新特征（woe、iv、统计量 等）；
特征筛选（离散、连续、多重共线性 等）；
采样（除了随机呢？）；
缺失值处理（离散、连续）…
常用loss、正则、sgd、l-bfgs、auc公式及优缺点、数据不平衡时的调参…
booting：gbdt的loss、分裂节点依据、防过拟合；
xgb的loss选择、泰勒展开、正则（gbdt能加么）、并行、vs lightGBM；
lambdaMart的loss–如何直接优化metric（如NDCG）–学习/train过程；
svm的优化目标、软间隔、调参；
lr；rf；
dnn为什么要“deep”、deep后带来的信息传递/梯度传递问题及其优化策略（可以从网络结构、activation、normalization等方面阐述）；
卷积层学习过程（前后向）及参数数量估计；
polling作用、优缺点、why用的越来越少；
rnn长依赖问题、梯度问题；
lstm的input output forget gate作用于哪、gru的update gate呢？
常用loss（分类、回归）、activation、optimizer（从一阶矩估计到二阶）、加了BN后做predict均值方差从哪来、常用的attention举例
什么问题适合RL/MLE的缺陷、trail-and-error search、policy-based vs value-based、on-policy vs off-policy等
q learning中q值得更新（其实很好记：当前q值 += 学习率*（环境reward+ 新状态下最大的q值*衰减值）、为什么要乘衰减值）；
DQN使用network代替q_table的初衷、两个network（结构一致、参数交替更新）、存储记忆 off-policy；
policy gradients如何学习/拟合目标（ -log(prob)*vt 像不像交叉熵…）、按概率选action vs epsilon-greedy；
Actor-Critic中的actor与critic、优缺点、收敛问题、DDPG、
以上这些都是考察基本功的、基本都是书上的知识点
词法/序列标注相关：hmm、crf、lstm、lstm+crf（细节：对于转移特征、转移概率 hmm crf lstm+crf分别是怎么学的？）
句法：有了依存关系 如何确定主谓宾、举几个例子
word2vector：层次softmax、负采样、 vs GloVe
topic相关：lsa（可以引到svd、基于mse的fm）；lda why引入共轭先验分布、调参（针对两个先验）；
+DL：cnn filter的设计、seq2seq+attention的padding问题（对padding的字符如何做attention、如何忽略、用tensorflow/pytorch大致写一下）、tree lstm…
任务相关：beam search做生成、dialog中对回复做lable smooth 提高回复多样性…
原文链接：https://blog.csdn.net/haimianjie2012/article/details/87826717?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522171851498716800186542559%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fblog.%2522%257D&request_id=171851498716800186542559&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~blog~first_rank_ecpm_v1~times_rank-27-87826717-null-null.nonecase&utm_term=AI%E9%9D%A2%E8%AF%95
