6-1 不懂算法，如何准备机器学习？

说起大数据，许多人就会想到机器学习，人工智能。
而说起数据分析，也会有许多的同学问道：
“数据分析需要准备算法知识吗？”
“数据分析在日常工作中要啊做模型调参数吗？”
“数据分析的笔试面试对算法的考察深入吗？”
在互联网公司里，数据分析岗位和算法岗位是分开招聘的。数据分析的工作场景更加偏向于业务，侧重于利用统计学、简单的模型知识来分析业务问题。因此在面试考核时，数据分析岗位对算法的要求不会太高。

【算法提问模式】

第一梯度：简单版

“看你在简历里写过逻辑回归，请你介绍下这个算法吧”

这是算法的入门面试题。对于非计算机和数学专业的学生来说，很大概率会遇到这种问题。面试官会从你的简历中挑选一个你提到的算法，让你进行简单的介绍，不会过多的追问细节。对于这种问题，往往从算法原理-算法应用场景——算法优缺点展开介绍即可。例如：

逻辑回归是一种评估事件发生概率的分类模型，能够用于计算二分类问题。
前提假设是样本符合伯努利分布。在逻辑回归模型里面，有一个很重要的函数（sigmoid函数），sigmoid函数能够将样本的预测值映射到0-1范围内，呈现出S型的分布。在进行分类判断时，设定一个概率的阈值，大于阈值则样本预测值为1，小于阈值则样本预测为0。
逻辑回归的优点在于原理简单，容易向业务解释，并且可以调用的包也很多，免去了自己写代码。缺点在于预测结果呈S型分布，两端的概率变化非常小，中间的概率变化十分剧烈，难以找到阈值。

“看你用过逻辑回归，如果有很多的特征高度相关或者说有一个特征重复了100遍，会造成怎样的影响？”

这是算法的进阶面试题。在数分的校招面试中，面试官并不仅是业务部门数分组的人，也会有算法组、模型组的参与过来，甚至有可能业务部门的数分面试官自身对算法也有一定的了解。因此会针对简历上常用的算法进行延伸提问。对于这种问题，需要我们在准备算法知识的时候，多看看别人博客的面经，把某种算法相关的常见问题都整理好。例如：

如果损失函数最终收敛，就算特征高度相关也不会影响分类器的效果：假设只有一个特征，将它重复100遍，实质上将原来的特征分成了100份，每一个特征都是原来特征权重值的百分之一。在随机采样的情况下，训练收敛完后，还是可以认为这100个特征和原来那一个特征扮演的效果一样。

“看你用过逻辑回归，你能给我推导梯度下降法的求解过程吗？”

这是算法的高阶题目。绝大多数投递数据分析岗位的学生来自数学、商学、管理学、甚至物理、化学等专业。在决定了求职方向后，真正用来准备面试的时间并不多，在这么短的时间内，很难对算法有深入的了解。

手推算法、写公式这种题目算是高难度的面试题了。对自己要求较高的同学，可以尝试手推算法。如果时间的确不够充足，没来得及准备（或者实在看不懂），可以诚实的向面试官说明，毕竟对于数据分析岗位，算法只是加分项，不是必备技能。

【算法准备原则】

算法知识会涉及到大量统计学、微积分内容，越复杂的算法，理解难度越高。因此，可以先整理好逻辑回归、决策树这种简单的算法，对于小白来说会比较友