机器学习和大数据，岗位职责是什么，有哪些面试问题？

       机器学习和大数据，在 BAT、小米、360，这些大公司中，主要有哪些岗位，具体是做什么的，参加面试时，主要面试哪些问题？

    自己参与面试的提供算法岗位的公司有 BAT、小米、360、飞维美地、宜信、猿题库 等，根据业务的不同，岗位职责大概分为：
    1、平台搭建类
           数据计算平台搭建，基础算法实现，当然，要求支持大样本量、高维度数据，所以可能还需要底层开发、并行计算、分布式计算等方面的知识；
    2、算法研究类
          文本挖掘，如领域知识图谱构建、垃圾短信过滤等；
          推荐，广告推荐、APP 推荐、题目推荐、新闻推荐等；
          排序，搜索结果排序、广告排序等；
          广告投放效果分析；
          互联网信用评价；
          图像识别、理解。
    3、数据挖掘类
         商业智能，如统计报表；
         用户体验分析，预测流失用户。
        以上是根据本人求职季有限的接触所做的总结。有的应用方向比较成熟，业界有足够的技术积累，比如搜索、推荐，也有的方向还有很多开放性问题等待探索，比如互联网金融、互联网教育。在面试的过程中，一方面要尽力向企业展现自己的能力，另一方面也是在增进对行业发展现状与未来趋势的理解，特别是可以从一些刚起步的企业和团队那里，了解到一些有价值的一手问题。
      以下首先介绍面试中遇到的一些真实问题，然后谈一谈答题和面试准备上的建议。
        1、你在研究/项目/实习经历中主要用过哪些机器学习/数据挖掘的算法？
        2、你熟悉的机器学习/数据挖掘算法主要有哪些？
        3、你用过哪些机器学习/数据挖掘工具或框架？
        4、基础知识
        无监督和有监督算法的区别？

    ​    ​SVM 的推导，特性？多分类怎么处理？

    ​    ​LR 的推导，特性？

    ​    ​决策树的特性？

    ​    ​SVM、LR、决策树的对比？

    ​    ​GBDT 和 决策森林 的区别？

    ​    ​如何判断函数凸或非凸？

    ​    ​解释对偶的概念。

    ​    ​如何进行特征选择？

    ​    ​为什么会产生过拟合，有哪些方法可以预防或克服过拟合？

    ​    ​介绍卷积神经网络，和 DBN 有什么区别？

    ​    ​采用 EM 算法求解的模型有哪些，为什么不用牛顿法或梯度下降法？

    ​    ​用 EM 算法推导解释 Kmeans。

    ​    ​用过哪些聚类算法，解释密度聚类算法。

    ​    ​聚类算法中的距离度量有哪些？

    ​    ​如何进行实体识别？

    ​    ​解释贝叶斯公式和朴素贝叶斯分类。

    ​    ​​写一个 Hadoop 版本的 wordcount。

    ​    ​