【資源】NLP 演算法工程師相關的面試題

點選上方，選擇星標或置頂，每天給你送乾貨！

閱讀大概需要4分鐘

跟隨小博主，每天進步一丟丟

作者 | songyingxin

https://github.com/songyingxin/NLPer-Interview

本專案記錄了面試NLP演算法工程師常會遇到的問題。

1. 程式語言基礎

該資料夾下主要記錄 python 和 c++ 的一些語言細節， 畢竟這兩大語言是主流，基本是都要會的，目前還在查缺補漏中。

• C++面試題

• Python 面試題

2. 數學基礎

該資料夾下主要記錄一些數學相關的知識，包括高數，線性代數，概率論與資訊理論， 老宋親身經歷，會問到， 目前尚在查缺補漏中。

• 概率論

• 高等數學

• 線性代數

• 資訊理論

3. 計算機基礎理論知識

這部分內容一般不怎麼考，因此，沒有把重心放在上面，至少現在幾乎沒有遇到問這方面的， 有意思的是，投了阿里某部的NLP演算法，居然來了個不懂NLP的來面，全程真的瞎聊，全是開發。

4. 機器學習基礎

這部分已經開始進入正題了，事實證明，部分大廠會提及一些基礎的機器學習演算法知識，因此，這部分我覺得幾個核心的模型是要會的。

• 機器學習專案流程

• 判別模型 vs 生成模型

• 頻率派 vs 貝葉斯派

• 資料預處理

• 特徵工程

• 特徵工程-關聯規

• 模型 - SVM

• 模型 - 聚類演算法

• 模型 - 決策樹

• 模型 - 邏輯迴歸

• 模型 - 樸素貝葉斯

• 模型 - 隨機森林

• 模型 - 線性迴歸

5. 深度學習基礎

這部分主要講述深度學習方面的基礎知識，是核心點，但很多情況下，很多面試官的題基本差不多，不過我個人覺得，有這種全域性的，全面的知識框架是有益的。

• 深度學習專案流程

5.1 基礎理論部分

• 基礎理論 - 多工學習

• 基礎理論 - 整合學習

• 基礎理論 - 分類問題評估指標

• 基礎理論 - 距離度量方法

• 基礎理論 - 目標函式，損失函式，代價函式

• 基礎理論 - 偏差 vs 方差，欠擬合 vs 過擬合

• 基礎理論 - 資料角度看深度學習

• 基礎理論 - 梯度消失，梯度爆炸問題

• 基礎理論 - 維數災難問題

• 基礎理論 - 指數加權平均

• 基礎理論- 區域性最小值，鞍點

• 基礎理論 - 整合學習

• 基礎理論 - 整合學習

5.2 基本單元

• 基本單元 - CNN

• 基本單元 - MLP

• 基本單元 - RNN

5.3 調參相關

• 調參 - 超引數調優

• 調參 - 啟用函式

• 調參 - 權重初始化方案

• 調參 - 優化演算法

5.4 Tricks

• Trick - Dropout

• Trick - Normalization

• Trick - 融合訓練集，驗證集，測試集

• Trick - 提前終止

• Trick - 學習率衰減

• Trick - 正則化

6. 統計自然語言處理

這部分前期的筆記做的不多，因此還沒怎麼開始。

7. 深度學習自然語言處理

這部分算是核心的知識了，這部分還需要逐漸完善，時間有點緊啊。

• 文字資料預處理

• 各大任務的評價指標

• 改進 NLP 模型的一些思路

7.1 詞向量三部曲

• 詞向量 - Word2Vec

• 詞向量 - Glove

• 詞向量 - FastText

7.2 預訓練語言模型

• 預訓練語言模型 - BERT改進研究

• 預訓練語言模型 - 融入知識圖譜

• 預訓練語言模型 - 自然語言生成

7.3 Attention 機制

7.4 文字分類

7.5 語義匹配

7.6 閱讀理解

8. 原始碼閱讀

這部分主要推薦一些自己閱讀過的一些原始碼，有些原始碼是 NLP 相關， 有些是深度學習相關的，部分原始碼我個人有做註釋，會相應的列出來。

原文連結：

https://github.com/songyingxin/NLPer-Interview

- END -

如果看到這裡，說明你喜歡這篇文章，請轉發、點贊。微信搜尋「perfect_iscas」，關注後回覆「進群」或者掃描下方二維碼即可進入無廣告技術交流群。

↓掃描二維碼進群↓

喜歡文章，點個在看