1: LSTM結構推導，為什么比RNN好？
答案：推導forget gate，input gate，cell state， hidden information等的變化；因為LSTM有進有出且當前的cell informaton是通過input gate控制之后疊加的，RNN是疊乘，因此LSTM可以防止梯度消失或者爆炸；
2：梯度消失爆炸為什么？
答案：略
3：為什么你用的autoencoder比LSTM好？
答案：我說主要還是隨機化word embedding的問題，autoencoder的句子表示方法是詞袋方法，雖然丟失順序但是保留物理意義；（?）
4: overfitting怎么解決：
答案：dropout， regularization， batch normalizatin；
5：dropout為什么解決overfitting，L1和L2 regularization原理，為什么L1 regularization可以使參數優化到0， batch normalizatin為什么可以防止梯度消失爆炸；
答案：略
6: 模型欠擬合的解決方法：
答案：我就說到了curriculum learning里面的sample reweight和增加模型復雜度；還有一些特征工程；然后問了常用的特征工程的方法；
7：（簡歷里面寫了VAE和GAN還有RL，牛逼吹大了）VAE和GAN的共同點是什么，解釋一下GAN或者強化學習如何引用到你工作里面的；
答案：略
傳統機器學習
1：SVM的dual problem推導；
2：random forest的算法描述+bias和variance的分解公式；
3：HMM和CRF的本質區別；
4：頻率學派和貝葉斯派的本質區別；
5：常用的優化方法；
6: 矩陣行列式的物理意義（行列式就是矩陣對應的線性變換對空間的拉伸程度的度量，或者說物體經過變換前后的體積比）