这是一篇关于如何成为一名AI算法工程师的长文( 五 ) _算法

我实习做的评分卡模型，除了传统逻辑回归，也尝试新的 XGB 等等，而且虽然别人也在做，但是私下自己会把整个模型写一遍，包含数据清洗和模型调优等，这样对业务的了解也更透彻，面试起来所有的细节都是亲手做过的，也就比较顺了。
如果没有实习在手，世界给我们数据挖掘选手的大门还是敞开着的。kaggle 上有专门给数据挖掘入门者的练习场。相关的比赛还有很多，包括腾讯、阿里等大厂也时不时会发布算法大赛，目测这样的算法大赛只会越来越多，你坚持做完一个项目，你在平台上还可以得到相关名次，名次越靠前越有利哈哈哈这是废话。
BAT 常见的面试题（不分先后）

自我介绍/项目介绍
类别不均衡如何处理
数据标准化有哪些方法/正则化如何实现/onehot 原理
为什么 XGB 比 GBDT 好
数据清洗的方法有哪些/数据清洗步骤
缺失值填充方式有哪些
变量筛选有哪些方法
信息增益的计算公式
样本量很少情况下如何建模
交叉检验的实现
决策树如何剪枝
WOE/IV 值计算公式
分箱有哪些方法/分箱原理是什么
手推 SVM：目标函数，计算逻辑，公式都写出来，平面与非平面
核函数有哪些
XGB 原理介绍/参数介绍/决策树原理介绍/决策树的优点
Linux/C/JAVA 熟悉程度
过拟合如何解决
平时通过什么渠道学习机器学习（好问题值得好好准备）
决策树先剪枝还是后剪枝好
损失函数有哪些
偏向做数据挖掘还是算法研究（好问题）
bagging 与 boosting 的区别
模型评估指标有哪些
解释模型复杂度/模型复杂度与什么有关
说出一个聚类算法
ROC 计算逻辑
如何判断一个模型中的变量太多
决策树与其他模型的损失函数、复杂度的比较
决策树能否有非数值型变量
决策树与神经网络的区别与优缺点对比
数据结构有哪些
model ensembling 的方法有哪些

小结
问题是散的，知识是有关联的，学习的时候要从大框架学到小细节。
没事多逛逛招聘网站看看招聘需求，了解市场的需求到底是什么样的。时代变化很快，捕捉信息的能力要锻炼出来。你可以关注的点有：职业名/职业方向/需要会什么编程语言/需要会什么算法/薪资/...
每个面试的结尾，面试官会问你有没有什么想问的，请注意这个问题也很关键。
比如：这个小组目前在做什么项目/实现项目主要用什么语言和算法/…
尽量不要问加不加班，有没有加班费之类的，别问我为什么这么说（摊手）
在面试中遇到不理解的，比如 C++语法不懂，可以问这个 C++具体在项目中实现什么功能。如果你提出好问题，能再次引起面试官对你的兴趣，那就能增加面试成功率。
应届生就好好准备校招，别懒，别怕输，别怕被拒，从哪里跌倒从哪里起来。社招不是你能招呼的，会更挫败，因为你什么也没做过。
虽然是做技术的，但是日常 social 一下还是收益很大的。实习的时候，也要与周围同事和平相处，尤其是老大哥们，也许哪天他就帮你内推大厂去了。内推你能知道意想不到的信息，面试官，岗位需求，最近在做什么项目之类的。
挑选给你机会的公司，不要浪费自己的时间。不要每家都去，去之前了解这家公司与你的匹配度。
尤其社招，你一改动简历就很多人给你打电话，你要有策略的去进行面试，把握总结每个机会。像我就是东一榔头西一榔头的，好多都是止步于第一面，就没回信儿了，因为每次面完没有好好反思总结，等下次再遇到这问题还是抓瞎，十分消耗自己的时间和信心。