语录
1. 深度学习的数学构建还不够充分，我可以问你很多的东西，bn层有什么用，这些东西很多人都会，达叔的课程都泛滥了，我区分不开大家的程度，所以会问一些数学依赖更重一些的ML的基础知识，所以对于校招还是需要学好西瓜书。
2. 问：我竞赛取得的名次不是很高诶，面试官会不会觉得有些水？
答：我觉得面试官更重视的是你在竞赛过程中的思考，怎么样进行数据分析，预处理，让数据更fit你的模型，怎么优化你的模型，结合场景的自己的理解。
如果没有拿到奖，你能看懂kaggle kernel里的分享，一些solution，并且叙述出来也是可以的。
3. 问：有没有搭建自己的网络模型？(后期再补)
答：别跟我说换一下head随便fit一下，这些都太简单。如果没有自己根据场景写自己的网络模型训练的话，，不过大多数也不会自己写。一般还是要多思考，如何优化你模型跑出来的结果，从简单思考损失函数、优化器这样的。
4. 面试 如果你简历里写了参加相关的项目，会问的比较深。
问你，在这个算法里面你的理解到底有多深，损失函数是啥？公式推导是怎么样的？反向求导怎么求？为什么这么设计损失还书？
算法工程师，一般会考虑的特质，思维严谨，细心，比如try exception finally这样的，对数据分布比较敏感~
思考
1. 当时自己看《神经网络与深度学习》这本书的时候，因为挖得比较深，其实在后面多半年的时间里并没有感觉到有用
首先，你看完书后期一段时间进行的都是很简单的调用、改动，又怎么会觉得最基础的书有用呢？其实越基础的书在你越后面帮助越大，所以不要觉得书会白读这样子）。随着你水平的增高，不再是随意调用别人的模型，小改动别人的模型，这样的，这本书的帮助对于你自己来说，会越来越有用！（这其实暗合了你想学难的东西，更富有竞争力）
其次，对于校招面试，这个还是有用的。
2. 自己寒假期间，认真学习了python数据分析常用的一些库，比如pandas，seaborn，plt这样的，后期一直用不上，而且学的呆板。
首先说，呆板的问题，是因为扣的太细的原因吧，但其实很多东西他只是一个工具而已，你包括keras,caffe，TF,plt,都是你逻辑体现证明的一个工具而已，不要有畏难心理。其实你用呆板的方式学下就好了。
还有就是自己老记不住，老翻笔记，这个其实一是用的少，二是英语不好，拿张纸，背单词那种，重复写他好多遍，一会儿就好了~~还是很好解决的~~而且这样自己写代码的时候，命名变量也会优雅很多
3.机器学习调包入门
知道输入输出，评价指标是什么？先学会用，想再提高，再拿一两个深入了解一下，比如损失函数，假设函数，梯度怎么推，一两个熟了，再横向的加，越来越深。
见解
1. 数据结构，算法，C++，这些对于深度学习算法工程师来说，目前我了解到时，用于线上部署，工程化。时间复杂度，空间复杂度的优化等等，而这些就是传统的数据结构等要解决的问题。
2. 统计学习，是为了解释为什么我训练的模型能够对新的样本有很好的预测。
3. 贝叶斯学派基础主要是用于图模型。
4. 简历 不是说你的成绩，有多高。而是论证你为什么有解决能力的一篇小文章。
项目的目标是什么？解决方案如果需要很多人的话，你自己可以充当什么样的角色，我的贡献是多少？算法的策略。
5. 刷题 数据结构算法不那么系统，有很多的小点，要多总结，理清楚演化递进层次
