算法工程师（数据挖掘方向）校招技术栈
说明：
- 本篇为算法工程师（数据挖掘方向）的校招技术栈，都掌握了，加上项目部分和算法部分，去掉运气的部分，大厂是没什么问题的。
- 个别特别细节的本篇没有覆盖到，比如paper这些
数据基础：会写hive sql，会使用spark加分
DDL
DML
DQL:
- Distinct
- 聚合：group by，group by distinct
- 关联：inner join, left/Right Outer join, full outer join, Cross join
- 过滤：where
- 排序：order
- Window（开窗函数）
- UDAF和UDTF
数学基础：
- 微积分：求导，梯度，偏微分
- 概率与统计：概率论基础，常见概率分布，贝叶斯公式，假设检验
- 线性代数：向量，向量空间，矩阵运算，特征值分解
凸优化：
- 最优化理论
- 牛顿法
- 梯度下降法
- 最小二乘
- SGD
- Momentum
- Adagard
- Adam
传统机器学习：
特征预处理：
- 归一化，离散化
- 分箱
- Hash
- PCA
评价方法：
- AUC
- ROC
- Accuracy
- Precision
- Recall
过拟合问题：
- L1，L2正则化
- dropout
分类问题：理解损失函数、优化方法
- 逻辑回归：cross entropy，多分类
- SVM：Hinge Loss，kernel function，SMO，soft/hard Margin
- FM FFM：
- 感知机：sigmoid
- 贝叶斯：朴素贝叶斯，贝叶斯网络，HMM
- 树模型：决策树
- Model Ensemble：随机森林，AdaBoost，GBDT和XGBoost，Stacking
回归问题：
- 线性回归：岭回归，LASSO
- 树模型：回归树
- 神经网络
- FM
聚类问题：
- K-Means
- L-DBSCAN
深度模型：
- Embedding：尽管Embedding其实哪里都可以用。
- DNN：Back propagation
- CNN：卷积核计算方法，pooling，padding
- RNN：Bidirectional RNN，LSTM，GRU
- Wide and Deep：尽管数据挖掘不是推荐，但是尝试深度模型仍然是一个方向
一些CV/NLP知识（加分）
强化学习（加分）
迁移学习（加分）
Python基础：
- 数据结构：dict,list,set,tuple
- 迭代器与生成器
- Python中的OOP
- Python中的多线程
Tensorflow或者Pytorch的常见使用
Pandas和sklearn的常见使用
