编号为面试官提问，面试官非常nice，会引导我回答问题，逐渐消除了我的紧张感。
1.简单自我介绍。
项目：推荐系统，健康状态评估，智能可穿戴设备。
竞赛：Kaggle。
科研：论文和专利。（这边问了一下两篇论文是否都是一作）
Note:我说话语速太快，并且有的地方存在抢词，下次一定要等面试官把他的话说完，我再说。
还有我一句话出现了四个“然后”，注意！！！
2.那我先从你项目开始问吧。在训练营他们是教你实现推荐系统是吧？
简单地说了一下AI-Lab训练营里做的事情。
3.基于协同过滤的推荐算法有两种，有基于用户的，和基于商品的，那你做的时候是基于用户还是基于商品的？
这边我又抢词了！！！
我说我们两个都做了，因为觉得这两个挺相似的。简单介绍了一下两种方法的实现流程。
4.那你知道基于用户和基于商品这两种，他们各自的优缺点有哪些吗？
基于用户的复杂度更高，惊喜度高。基于商品的比较固定。（重新整理一下这个问题，这边说的时候要更有逻辑一点）
这边说了一个不好的，我说大型项目可以考虑基于用户的。给自己挖了个坑
5.为什么是大型的项目才会考虑基于用户的呢？
因为大型的项目可能有比较多的历史数据，协同过滤需要好而准确的历史数据。（这边回答的不好，要再查查。）
6.那商品的数据如果比较准确的话，应该也能推荐地比较准确吧？基于用户的有个特点，是优于基于商品的，你还是没有提到。
我说了基于商品的相似性比较固定，一段时间不会改变，比起基于用户的惊喜度低。
7.行，那你刚才说到还实现了基于矩阵分解的推荐算法，具体的模型是非负矩阵分解是吧？
（非负矩阵分解指的就是NMF，我没听清，听成了奇异值分解，以为是SVD……）
介绍了基于矩阵分解的推荐算法的实现流程。说了按照原理实现的时候，发现很慢，所以用了sklearn里面的NMF。
8.哦是一开始，你是用的SVD，奇异值分解这个吗？
是的。（这里人家本来想说“然后……”，我又抢词了，然后人家就说你说你说！结果我也说不出来什么……尬）
这边我说了目标函数和更新规则。（对SVD的理解要加上，其实我们用的矩阵分解就是FunkSVD）
9.你清楚NMF这个的原理吗？
我看了sklearn里面的介绍，说了一下我做的时候的疑问，NMF对原来为0的数据也进行了处理。这边感觉自己在答非所问。
10.那它NMF和SVD的区别在哪里？
又抢话。这边我说NMF处理0值，SVD没有处理0值。
11.那你知道NMF为什么得到的是非负值值？输入的是非负值，然后积消减（没听清）了之后也是非负值。
这个我不是特别清楚。
12. OK，那讲一下你第二个项目吧，你用了PCA是吧，PCA主要就是把特征降维吗？
对。说了一下这个项目在干什么。从时序数据集里面提取和构造特征。说数据很多，有的是电气数据，有相当于独热编码的东西，
所以使用PCA进行了降维。（这里拜托自己以后说的稍微专业一点，以后可以加一些数字描述，比如样本有多少个，特征有多少维等等）
13. 是这样的，那为什么常用PCA来降维呢？PCA降维和SVD降维的区别在哪里？
我听成了LDA……PCA和LDA降维的区别，PCA是无监督降维，LDA是有监督降维。这边我还说了一些为什么我们用了PCA来降维。
14. 不对，我问的是PCA和SVD降维的区别，不是LDA降维。
然后我说我不是特别了解SVD……
他说就是奇异值分解。
我说我觉得他们俩感觉挺像的……尴尬的沉默……
（这边我其实应该说一下PCA的原理和流程，SVD的我虽然不了解，但是可以说下原理）
15.emmm……行，然后降维之后就用SVM吗？
我说不是，因为数据是无标签的，所以先用聚类打标签。
16.是只有三类吗？你聚类之后是聚成了几类呀？
我没听清，然后重新问了一下，然后解释了不是，我们这个是4类，这边其实可以类比人的少年，青年，壮年和老年的变化过程。
17.在预测健康状态之后是怎么做呢？就是你聚类之后已经有了标注数据。
我说把数据变成有标签之后，建立了分类模型，然后当新的数据来了之后，就可以知道是处在哪一类了。
18.数据的那些特征就是PCA降维之后的吗？训练的时候的数据特征是哪些？
是的。说了一下我们构造特征的过程，然后PCA降维，最后放入模型开始训练。
19.降维之后，你们觉得特征是可解释的吗？
这边其实是在挖坑了，但是机智如我，PCA降维之后的特征肯定是解释性差的呀。
20.行，那线性回归的里面，你的参数调整用了什么方法？
交叉验证的方法，说了一下线性回归里面要调的参数就是正则化系数和学习率。
用网格搜索，确定了比较好的学习率和正则化项。
这边自己还可以说得更清楚，吴恩达讲过的。
21.SVM算法原理你了解吗？你讲一下SVM的算法原理吧。
大致都讲出来了，但是讲的有点混乱，以后问题总结的时候，尽量总结成口语化的东西。
22.那SVM有什么优缺点？跟决策树啊，逻辑回归啊，哪些方面要好？
这边其实重点是让讲SVM的优点有哪些！！！ 我说了SVM复杂度比较低。
然后说没有决策树解释性强。SVM对大规模的训练样本不是很好做。
23.对……为什么呢？
SVM是通过二次规划来求支持向量，涉及到矩阵的阶数，存储和计算都会耗费大量内存，运算时间也比较长。
还有就是传统的SVM不能解决多分类问题，通过一对多，一对一的组合模式变成多分类，如果是决策树就可以直接处理多分类。
（这里为什么我要说这些！！！毕竟我们最后用的是SVM啊！！！）
24.谈一下你的第三个项目吧，你是用了三种模型，然后把他们融合在一起是吧？你三个模型都讲一下吧！
Bagging的原理和流程。
RF的原理和流程。Bagging的扩展，选特征的时候随机。
ET的原理和流程。RF的扩展。谈了一下和RF的区别。
25.那为什么选的这三种模型呢？选择模型的时候是怎么考虑的，还用过其他模型吗？
这边的模型选型确实有问题！我说这是我第一个项目，在模型选型方面就是通过试，然后选择了最优的。
26.那如果是你现在考虑的话，你会怎么选择模型呢，怎么调参呢，有没有考虑过这个问题？
然后我从特征构造开始，说了这个项目可以改进的地方。
27.神经网络，深度学习有接触吗？
说了这里只看过理论基础，但是没有在实际项目中用过。
28.模型融合的时候，你是怎么做的？
stacking和线性加权都试了，最后选择的是投票的方法。
29.模型的权重怎么定的呢？
根据模型在验证集上表现的好坏来定的。
30.编程语言方面，你用的比较多的就是C语言是吧？
我说是，但是平时做机器学习，用的是Python。
31.我问一下你C语言的一些基础问题。static 全局变量和普通的全局变量有什么区别？
static的值不能改变，能共享？普通的全局变量的值可以改变。（忘了……）
32. 静态的局部变量和普通的局部变量的区别？
普通的局部变量可以再赋值，静态的不可以。
33.静态函数和普通函数有什么区别？
静态函数不能被源文件的其他文件调用，普通是可以的。
34.内存中的拷贝？static在内存中是只有一次拷贝还是多次？
我不太清楚，觉得只有一次……
35.做一道数据结构题吧，然后把题目的网址发到了我的邮箱里面，然后在那个网址上编程就可以了。
数据结构题：
判断链表是否存在环型链表问题
说明：判断一个链表是否存在环，例如下面这个链表就存在环，n1-->n2-->n3-->n4-->n5-->n2，环的开始结点是n5
我用Java做的。
刚开始是将节点保存在hash表中，如果检测到节点已经在hash表中，则表示存在环。
36.那还有没有其他方法？这种方法浪费了存储空间，比较暴力，想想有没有其他方法？遍历的时候，如果有两个指针的话，能不能解决这个问题。
在他的引导下，答出了快慢指针的算法。
37.你如果能来实习的话，你的实习时间是？优先考虑能够尽快过来！
38.有啥问题要问我？
对我的评价：总体来看还行。有些模型了解的不够深入，模型选型方面想得比较简单，和其他的模型的区别，了解的还不够。
编程方面还需要多做些题目。到时候多找些题目来做一下。二面的话会有电话给你。
知识图谱部门的介绍：介绍了他们目前做的项目：
1.文章生成项目。从网上抓取文章数据，根据模板和模型，生成文章，发布在其他地方。
2.事件存储。事件发现，拿到事件，串成脉络，变成列表，到百度搜索上去。
知识图谱中的实体，实体和实体的关系。事件中包含的明星，公司，机构，串到一起。
3.评论抓取，挖掘啊，把公司的评论入库，然后对应到一些应用中去。有个项目是“明星印象”，就是抓取网民对明星的评价。
涉及很多自然语言处理的方面。那就这样吧，后面有消息，会给你打电话。
自己还欠缺的地方：
（紧急）简历上的所有项目要重构一遍，把能想到的所有问题，涉及到的所有算法都去理一遍。尤其要想为什么这么做？
（紧急）一旦涉及到算法，就要想这个算法的原理，调参，优缺点，以及和其他算法的对比。
（重要）编程语言和数据结构的基础知识，要多多练习，SQL也要复习，毕竟简历上写了……
（重要）推荐系统了解的东西太基础了，还不够，需要查漏补缺，让自己尽量专业一点。
（比较重要）开始着手深度学习方面的项目，去实现一个算法，了解这方面的内容。