以下内容带有部分提示性答案
无论是查找博客还是翻阅论文
大家还是要参照最全面的讲解哦～
一、开发基础
TCP/IP
C++虚函数
由两个部分组成的，虚函数指针与虚函数表
C++允许用户使用虚函数 (virtual function) 来完成“运行时决议 ”这一操作，这与一般的“编译时决定”有着本质的区别
“静态存储”和“动态存储”
静态存储：全局变量
动态存储：函数的形式参数
红黑树的原理
并发和并行的区别
https://www.jianshu.com/p/cbf9588b2afb
内存不够的情况下如何以最快速度进行排序
（海量数据类问题）
二、机器学习方向
讲一下LR
（sigmoid）
SVM介绍一下？为什么可以使用对偶来求解原始问题？
核函数了解吗？核函数解决什么问题？
为什么高斯核函数可以拟合无限维
（无穷泰勒展开）
ID3缺点
（信息增益对可取值数目较多的属性有所偏好）
朴素贝叶斯公式
抽象一个分类问题[m个样本，n个特征，k种标签]，问先验概率后验概率分别是什么
使用贝叶斯的前提条件
（贝叶斯公式没有前提条件）
使用朴素贝叶斯的前提条件
（所有特征相互独立的）
GDBT和RF区别
三、深度学习方向
介绍熟悉的深度学习模型，并介绍优缺点
模型中方差，偏差怎么定义的
偏差，方差和过拟合，欠拟合的关系
怎么解决模型的方差偏大问题
降低模型的复杂度
减少数据维度：降噪
使用验证集
模型正则化
介绍loss的设计
样本严重不平衡如何处理
BN解决了什么问题，为什么
（梯度消失与梯度爆炸/过拟合）
BN中怎么处理训练集和测试集中均值，方差
训练时对每一批的训练数据进行归一化，也即用每一批数据的均值和方差
测试时，比如进行一个样本的预测，没有batch的概念，因此，这个时候用的均值和方差是全量训练数据的均值和方差，这个可以通过移动平均法求得
对于BN，当一个模型训练完成之后，它的所有参数都确定了，包括均值和方差，gamma和bata
normalization方法原理综述，GN，BN，LN，IN，他们的共性和特性
极大似然与交叉熵有什么区别
四、编程题 & 概率题
一个家庭有两个孩子，已知有一个是女孩子，全是女孩子的概率是多少
一个商店，1个小时卖出去5个包子，问下一个小时卖出6个的概率
写个快排
用最快的方法计算2的N次幂
（快速幂，O(logn)）
链表：
找中点
是否有环，环的入口
是否有交点，找到交点
N个链表是否有交点，复杂度分析
