一、作為面試官，如何判斷一個面試者的深度學習水平
作為面試官判斷一個面試者的深度學習水平的方法：
1. 在使用一種方法（無論是深度學習或是“傳統”方法）的時候，面試者對它的優點和局限性是否都有所認識。在面對不同的問題的時候，我們希望面試者可以通過獨立思考做出一個informed choice，而不是因為“上周看了一篇paper是這樣做的”或者“BAT/FLAG就是這樣做的”。
2. 面試者是否有完整的機器學習項目經驗。這意味著從理解需求開始，到收集數據、分析數據，確定學習目標，選擇算法、實現、測試并且改進的完整流程。因為我們希望面試者對于機器學習在實際業務中所帶來的影響有正確的判斷能力。當然，如果是可以通過python／或是結合Java/Scala來完成所有這些事情就更好啦。
3. 面試者是否具備基本的概率／統計／線性代數的知識——數學期望，CLT，Markov Chain，normal/student’s t distribution（只是一些例子），或是PCA/SVD這些很基礎的東西。另外（最理想的），希望面試者對于高維空間的一些特性有直覺上的認識。這部分并不是強行要求背公式，只要有理解就可以。畢竟這不是在面試數學系的教職——我們只是希望面試者可以較好地理解論文中的算法，并且正確地實現，最好可以做出改進；另外，在深度學習的調參過程中，比較好的數學sense會有助于理解不同的超參數對于結果的影響。
4. 面試者是否有比較好的編程能力，代碼習慣和對計算效率的分析能力。
5. 面試者在機器學習方面，對基本的概念是否有所了解（譬如說，線性回歸對于數據的假設是怎樣的），以及對于常見的問題有一定的診斷能力（如果訓練集的正確率一直上不去，可能會出現哪些問題——在這里，我們希望面試者能夠就實際情況，做一些合理的假設，然后將主要的思考邏輯描述清楚）。我們會根據面試者所掌握的方法再比較深入地問一些問題，而且我們希望面試者不僅僅是背了一些公式或算法，或是在博客或知乎上看到了一些名詞（比如VC維度，KKT條件，KL divergence），實際上卻不理解背后的理論基礎（有時候這些問題確實很難，但“知道自己不知道”和“不知道自己不知道”是差別很大的）。打個比方，如果面試者提到核技巧，那么給到一個實際的線性不可分的數據（譬如XOR，或者Swiss Roll），面試者能清楚地設計，并通過實際計算證明某個kernel可以將此數據轉化到一個高維并線性可分的空間嗎？
6. 在深度學習方面，我們希望面試者具備神經網絡的基礎知識（BP），以及常見的目標函數，激活函數和優化算法。在此基礎上，對于常見的CNN/RNN網絡，我們當然希望面試者能夠理解它們各自的參數代表什么，比較好的初始參數，BP的計算，以及常見超參數的調整策略——這些相信Ian Goodfellow的Deep Learning一書都有非常好的介紹——我們也希望面試者能夠在具體領域有利用流行框架（可能是tensorflow——但是這并不是必須的）搭建實際應用的經驗。當然，我們希望面試者讀過本領域的paper，并且手動驗證過他們的想法，并且可以對他們方法的優缺點進行分析。當然，如果面試者有更多興趣，我們可以探討更深入的一些問題，比如如何避免陷入鞍點，比如通過引入隨機噪音來避免過擬合，比如CNN的參數壓縮，比如RNN對于動力系統的建模，比如基于信息理論的模型解釋，等等等等，在這些方面，我們是抱著與面試者互相切磋的心態的。
7. 通常上面我們說的都是監督學習，往往結果是回歸或分類。當然，也許面試者還精通RL／transfer learning／unsupervised learning這些內容，那么我們可以逐一討論。
此外，如果面試者應聘的是某一個特定領域的職位，那么當然地，我們會希望他同時具備很強的領域知識，這里就不展開說明了。
在很短的時間內想要全面地了解一個人確實非常困難。調查顯示，往往面試官自以為很準的“感覺”，其實是一個糟糕的performance predictor。我希望可以結合相對客觀的基礎問題，以及面試者自身的特長，來對面試者的理論和實戰能力做一個判斷。基礎扎實，有實戰經驗并且有一技之長的面試者通常會是非常理想的候選人。
二、銀行招聘主要是哪些專業？
一般銀行招聘沒有專業限制，以經濟、管理、金融、審計等專業為主。部分崗位如：數據分析&建模方向需要：本科及以上學歷，碩士優先;統計學、應用數學、金融工程學、經濟學、計算機、機器學習、人工智能等相關專業優先考慮。
三、橙光文件上傳錯誤編號負4,怎么辦？
（1）錯誤率(Error rate)和精度(Accuracy)
（2）查準率(準確率-Precision)、查全率(召回率-Recall)
（3）P-R曲線、平衡點和F1度量
2018年4月11日16:00左右，面試了騰訊的《基礎研究》實習生職位，面試地點在廣州。我投遞的崗位是機器學習、深度學習算法工程師，面試結果是一面就掛了。雖然面試沒過，還是要總結一下面試經驗。把面試中自己回答不好的問題和思考不周全的問題，再仔細梳理一下，進行深入理解和學習。面試過程中，感覺自己回答特別不好的問題就是ROC曲線和AUC面積相關部分。我打算把關于衡量模型性能的指標全部梳理一下，先來總結錯誤率、精度、查準率、查全率和F1度量。
