机器学习校招

非大大，作为刚经历过校招的人说几句。
1）笔试：
投过的所有机器学习的校招岗位中，没有一个，哪怕是一个笔试环节是涉及到机器学习的。清一色全是常规的计算机专业基础知识。以百度为例，全是大题，前面几道简单题，简答的程序语言基础，操作系统等。后面全是编程大题，主要考察数据结构和算法

2）面试：
一开始大多都是介绍自己做过的项目，如果是面机器学习岗位，一般介绍的时机器学习相关的项目经验，这个时候就是向面试官展示你熟悉的机器学习模型的时候了。我自己介绍以及被问到过的有
模型上：SVM, LR, 决策树，贝叶斯分类，监督学习和无监督学习，BP神经网络，EM和K-means联系，knn，正则化，协同过滤等
数学上：牛顿法、随机梯度下降法、拟牛顿法、BFGS等
其他：mapreduce原理，python一些机器学习库（自己用过），推荐系统理解

因为我个人的项目有一个是和SVM相关，所以几乎所有的面试都推导过SVM的公式，被问到最深的时候还叫我讲解怎么用SMO求解SVM的对偶优化问题。大多数面试中，把SVM的理解深刻推导讲解了一遍之后，就花去了不少时间，剩下时间面试官再问我其他模型的简单理解，时间就差不多了。
所以我个人理解，重点熟悉熟练掌握一些你自己用过的机器学习模型。熟悉的定义是：模型的应用场景，原理，公式的推导，用的什么优化方法，有什么优缺点，和其他模型比较如何，怎么改进等，都要知悉。当你能结合工业界需求去讲那就更好不过了，比如LR, DNN在CTR中的应用，贝叶斯分类器在垃圾邮件中的分类等。

推荐书籍：
1、李航的《统计学习方法》。机器学习面试宝典，此书所有模型能够推导一遍，应付面试我觉得基本足够了
2、Harington的《机器学习实战》。python实现的机器学习代码，不讲原理只讲实战
3、Bishop的《Pattern Recognition and Machine Learning》
4、清华大学的《最优化理论与算法》。一切机器学习到最后无非就是优化模型，深刻理解优化的数学方法，对理解模型很有帮助

当然，以上的回答是针对机器学习的面试的，如果是从事这个岗位，以上的书是远远不够的，知乎上也已经有很多类似回答了。