本人的专业方向是机器学习、数据挖掘，就业意向是互联网行业与本专业相关的工作岗位。各个企业对这类岗位的命名可能有所不同，比如数据挖掘/自然语言处理/机器学习算法工程师，或简称算法工程师，还有的称为搜索/推荐算法工程师，甚至有的并入后台工程师的范畴，视岗位具体要求而定。 机器学习、大数据相关岗位的职责 自己参与面试的提供算法岗位的公司有 BAT、小米、360、飞维美地、宜信、猿题库 等，根据业务的不同，岗位职责大概分为： 1、平台搭建类 数据计算平台搭建，基础算法实现，当然，要求支持大样本量、高维度数据，所以可能还需要底层开发、并行计算、分布式计算等方面的知识; 2、算法研究类 文本挖掘，如领域知识图谱构建、垃圾短信过滤等; 推荐，广告推荐、APP 推荐、题目推荐、新闻推荐等; 排序，搜索结果排序、广告排序等; 广告投放效果分析; 互联网信用评价; 图像识别、理解。 3、数据挖掘类 商业智能，如统计报表; 用户体验分析，预测流失用户。 以上是根据本人求职季有限的接触所做的总结。有的应用方向比较成熟，业界有足够的技术积累，比如搜索、推荐，也有的方向还有很多开放性问题等待探索，比如互联网金融、互联网教育。在面试的过程中，一方面要尽力向企业展现自己的能力，另一方面也是在增进对行业发展现状与未来趋势的理解，特别是可以从一些刚起步的企业和团队那里，了解到一些有价值的一手问题。 以下首先介绍面试中遇到的一些真实问题，然后谈一谈答题和面试准备上的建议。 面试问题 1、你在研究/项目/实习 经历中主要用过哪些机器学习/数据挖掘的算法? 2、你熟悉的机器学习/数据挖掘算法主要有哪些? 3、你用过哪些机器学习/数据挖掘工具或框架? 4、基础知识 无监督和有监督算法的区别? SVM 的推导，特性?多分类怎么处理? LR 的推导，特性? 决策树的特性? SVM、LR、决策树的对比? GBDT 和 决策森林 的区别? 如何判断函数凸或非凸? 解释对偶的概念。 如何进行特征选择? 为什么会产生过拟合，有哪些方法可以预防或克服过拟合? 介绍卷积神经网络，和 DBN 有什么区别? 采用 EM 算法求解的模型有哪些，为什么不用牛顿法或梯度下降法? 用 EM 算法推导解释 Kmeans。 用过哪些聚类算法，解释密度聚类算法。 聚类算法中的距离度量有哪些? 如何进行实体识别? 解释贝叶斯公式和朴素贝叶斯分类。 写一个 Hadoop 版本的 wordcount。