肖建

转自牛客网，查看原文请点击这里

背景介绍

offer：百度sp,美团sp,华为sp

面试其实在九月底就基本结束了，一直在忙一些其它的事情。最近看到牛客推出的访谈栏目，感觉非常不错，也想着能贡献自己的一些微薄经验，希望后来的学弟学妹们能少走点弯路，强撸之下完成了这篇yy贴。

ps: 因为我个人资质中庸，编程能力也很普通，所以我想我的经验应该比较具备普适性吧，大家应该会比我做的更好。

本期话题：跟你聊聊机器学习的求职攻略 所谓笨鸟先飞，我制定了个半年计划来打怪升级，大致可分三块：编程基础，机器学习理论，实战。

编程基础

编程基础这块我其实没啥发言权，牛客上随便找一个估计都比我厉害不少。

因为本身非计算机出身，大二学完数据结构基本就没看过这块，平时主要放在看论文划水上了，编程相当于是我最弱的一块。（网易，头条，滴滴笔试都跪了），所以编程不错的牛牛们请忽略这块。

一句话概括：套路+总结

我的策略非常简单粗暴，两样工具：leetcode，剑指offer（面试coding题基本来源这两块）。刷题也要讲究些策略，刚开始，刷了几天我就受不了了，感觉真tm枯燥，然后一顿胡思乱想胡搅蛮缠无理取闹之后，有了如下的套路：

• 先对题目分类，比如：数组/链表/二叉树等(leetcode有对应的分类，很贴心)。
• 对于每一类，总结出基本的模块（每一类问题都会存在一些简单模块，复杂题基本都可以猜解为这些简单模块的叠加）
• 按照上述的由各分类到各子模块对应写总结做笔记（推荐gitbook，支持markdown，格式简洁美观）

机器学习理论

关于理论这块我觉得一开始上手就看李航的统计学习方法不太好，刚入门的话，Andrew Ng的视频还是非常不错的，但是只能算是开胃菜，两到三周看完比较合适，每课都应该做笔记写总结（不写总结的学习就是耍流氓！）。这一步要快，要猛。

看完算是有了些许的概念，整体上还是比较弱的。接下来推荐重点看林轩田的机器学习基石和机器学习技法，总共三十二课，每一课都相当精彩，细致学下来需要三个月，我指的是细致的看，每一课都应该写笔记，梳理脉络，强烈建议做笔记。

踏踏实实看完，面试中让你推个svm讲讲adboost，gbdt原理基本就是手到擒来，再辅以李航的统计学习方法和周志华的西瓜书查漏补缺，基础就算比较扎实了。

当然这一块可能会有些枯燥，但林轩田老师讲的真的是非常精彩了，强烈安利，做笔记很重要，在强调遍。

实战篇

没经过实战，不能算会机器学习，理论学的好也只是提供的一个基本保障。没玩过数据，拼过指标的人是很难融入工业界的。

举个最简单的例子，在工业界逻辑回归用的是非常广泛的，你会想，为啥要用这么简单的模型，我们有那么多理论上更叼的模型为啥用这个？

模型是有适用性的，用什么模型更多取决与我们的数据。比如在推荐系统里面，随随便便做几个特征交叉，做下one hot encoding，维度就是几万，几十万维，ctr预估里面更是可以达到上亿的特征，而且这些特征是高度稀疏的，几万维特征可能只有几十维是非零的，这时候使用Random Forest 和 GBDT 这样的模型结果很可能根本拼不过 LR。

LR及其衍生算法FM，FFM在处理这种高维离散特征是有先天优势的。这样一些经验我们需要在实战中积累。

kaggle里面的比赛比较适合新人入门，氛围比较好，每个比赛有对应的论坛，时不时有人会发布自己的代码，大家集思广益一起讨论，可以学到很多。国内的比赛大多会封闭些，讨论很少，不利于新人上手。

一. 所以实战第一块就是完整跟踪kaggle上的一个比赛，因为有些比赛数据量很大，大家根据自己现有的机器配置选择合适的比赛参加，8g内存是最低的配置了。

（打比赛的话python党强烈安利《利用python进行数据分析》这本书，pandas大法好）。

二. 第二块着重于实现常用算法，svm/kmeans/LR/FM等，这一块可以作为简历亮点，去工业界毕竟是要码代码的，前面刷的题也不能白刷，所以这块可以强烈提升自信，网上有很多开源实现可以参考，写完会爱上c++。

PS：这三块应该是并行操作的，同时上，分配好时间。