1. 深度學習的數學構建還不夠充分，我可以問你很多的東西，bn層有什麼用，這些東西很多人都會，達叔的課程都氾濫了，我區分不開大家的程度，所以會問一些數學依賴更重一些的ml的基礎知識，所以對於校招還是需要學好西瓜書。
2. 問：我競賽取得的名次不是很高誒，面試官會不會覺得有些水？
答：我覺得面試官更重視的是你在競賽過程中的思考，怎麼樣進行資料分析，預處理，讓資料更fit你的模型，怎麼優化你的模型，結合場景的自己的理解。
如果沒有拿到獎，你能看懂kaggle kernel裡的分享，一些solution，並且敘述出來也是可以的。
3. 問：有沒有搭建自己的網路模型？(後期再補)
答：別跟我說換一下head隨便fit一下，這些都太簡單。如果沒有自己根據場景寫自己的網路模型訓練的話，，不過大多數也不會自己寫。一般還是要多思考，如何優化你模型跑出來的結果，從簡單思考損失函式、優化器這樣的。
4. 面試 如果你簡歷裡寫了參加相關的專案，會問的比較深。
問你，在這個演算法裡面你的理解到底有多深，損失函式是啥？公式推導是怎麼樣的？反向求導怎麼求？為什麼這麼設計損失還書？
演算法工程師，一般會考慮的特質，思維嚴謹，細心，比如try exception finally這樣的，對資料分布比較敏感~
1. 當時自己看《神經網路與深度學習》這本書的時候，因為挖得比較深，其實在後面多半年的時間裡並沒有感覺到有用
首先，你看完書後期一段時間進行的都是很簡單的呼叫、改動，又怎麼會覺得最基礎的書有用呢？其實越基礎的書在你越後面幫助越大，所以不要覺得書會白讀這樣子）。隨著你水平的增高，不再是隨意呼叫別人的模型，小改動別人的模型，這樣的，這本書的幫助對於你自己來說，會越來越有用！（這其實暗合了你想學難的東西，更富有競爭力）
其次，對於校招面試，這個還是有用的。
2. 自己寒假期間，認真學習了python資料分析常用的一些庫，比如pandas，seaborn，plt這樣的，後期一直用不上，而且學的呆板。
首先說，呆板的問題，是因為扣的太細的原因吧，但其實很多東西他只是乙個工具而已，你包括keras,caffe，tf,plt,都是你邏輯體現證明的乙個工具而已，不要有畏難心理。其實你用呆板的方式學下就好了。
還有就是自己老記不住，老翻筆記，這個其實一是用的少，二是英語不好，拿張紙，背單詞那種，重複寫他好多遍，一會兒就好了~~還是很好解決的~~而且這樣自己寫**的時候，命名變數也會優雅很多
3.機器學習調包入門
知道輸入輸出，評價指標是什麼？先學會用，想再提高，再拿一兩個深入了解一下，比如損失函式，假設函式，梯度怎麼推，一兩個熟了，再橫向的加，越來越深。
1. 資料結構，演算法，c++，這些對於深度學習演算法工程師來說，目前我了解到時，用於線上部署，工程化。時間複雜度，空間複雜度的優化等等，而這些就是傳統的資料結構等要解決的問題。
2. 統計學習，是為了解釋為什麼我訓練的模型能夠對新的樣本有很好的**。
3. 貝葉斯學派基礎主要是用於圖模型。
4. 簡歷 不是說你的成績，有多高。而是論證你為什麼有解決能力的一篇小文章。
專案的目標是什麼？解決方案如果需要很多人的話，你自己可以充當什麼樣的角色，我的貢獻是多少？演算法的策略。
5. 刷題 資料結構演算法不那麼系統，有很多的小點，要多總結，理清楚演化遞進層次
關於深度學習的一些思考
問1 有監督學習中，機器學習是什麼？答1 機器學習就是先假設乙個函式，使用訓練樣本來選取最優的引數 當有新樣本時，把特徵輸入已訓練好的函式中，得到 值。問2 神經網路中，神經元的作用是什麼？答2 1 對輸入特徵進行線性加權 z w1 a1 w2 a2 w3 a3 b，其中wi是權重，ai是特徵值，b...
學習MYSQL索引後的一些思考
create index方式，用於建立表的時候 普通的索引的建立 create index 自定義 索引名 on 資料表 字段 復合索引的建立 create index 自定義 索引名 on 資料表 字段，欄位.alter table方式，用於建表完成後新增索引 普通索引 alter table 表...
進化演算法和深度學習的一些思考
本科時，畢設主要做了用粒子群演算法對網路簇進行聚類，期間發現進化演算法是個很符合大自然演變規律的演算法，從乙個種群中進行進化，每一代都會選擇最好的個體保留並與歷史最好個體比較，這樣一來最終保留下來的必然是最好的個體，也就是最好的解，其中最大的難度是如何構建問題，將乙個實際的問題轉化為數學公式或者數學...