深度视角 | 100个机器学习面试题+LeetCode实战 - 算法面试课 - 第四季 - 附源码讲义

算法数学

课程简介

机器学习岗位的面试，考的东西和学校里的考试不太一样。笔试会让你手推公式、写代码解算法题，面试则可能让你现场解释一个模型的原理，或者针对一个业务场景给出建模思路。这门课要解决的，就是这三类场景的应对问题：机器学习理论问答、LeetCode 手撕代码、以及两者的结合。下面按读者最关心的三个问题拆开说。它到底练什么课程的主线是 100 道机器学习面试题…

已有 0 人浏览发布 2026-06-24 更新 2026-06-24

机器学习岗位的面试，考的东西和学校里的考试不太一样。笔试会让你手推公式、写代码解算法题，面试则可能让你现场解释一个模型的原理，或者针对一个业务场景给出建模思路。这门课要解决的，就是这三类场景的应对问题：机器学习理论问答、LeetCode 手撕代码、以及两者的结合。

下面按读者最关心的三个问题拆开说。

它到底练什么

课程的主线是 100 道机器学习面试题，覆盖逻辑回归、支持向量机、树模型、聚类、降维、概率图、深度学习基础等常见考点。这些题不是单纯的知识问答，而是偏"面试现场会被追问"的形式——比如从损失函数推导到梯度更新，从过拟合讲到正则化，从偏差方差分解讲到集成方法的选择。

另一条线是 LeetCode 实战，选题集中在面试高频区间：数组与字符串、链表、二叉树、动态规划、回溯、贪心。机器学习岗的算法题难度通常低于纯后端岗，但对边界条件和复杂度分析的要求一样严格，所以这部分按题型组织，而不是按题号堆砌。

两条线是穿插的：理论题讲到某个算法时，会顺带点出它对应的代码实现里容易出错的细节，反之亦然。这比分开刷两套资料更接近真实面试的节奏。

学完能做什么

比较现实的目标是：拿到面试题后，能在几分钟内判断出考点属于哪一类，知道从哪个角度展开，而不是卡在第一句话。

面对"讲讲 XGBoost 和 GBDT 的区别"这类问题，能给出结构化回答而不是背定义；
面对"手写 K-means"或"实现一个 LR 的梯度下降"，能独立写出可运行代码并说清复杂度；
面对 LeetCode 中等难度题，能识别题型、给出思路、处理边界情况；
能自己推导常见模型的损失函数与更新公式，而不是只记结论。

需要说明的是，这门课不负责补编程语言基础，也不讲 Python 语法入门。如果你连基本的循环、递归、类都写不熟，直接上这套资料会比较吃力，建议先补语言基础再回来。

资料适合什么基础

讲义是 PDF 形式，按题型和知识点分册，配合源码使用。阅读顺序建议是先看理论题对应的讲义章节，自己先在纸上推一遍，再看解答；LeetCode 部分则建议先自己做，卡住再看源码，做完后回头整理题型的通用套路。

基础方面，理论上需要学过一遍机器学习课程，至少知道什么是监督学习、损失函数、梯度下降；编程上需要能读懂 Python 代码，会基本的列表、字典、循环和递归。完全零基础的话，这套资料更适合作为复习和查漏，而不是第一遍学习。

怎么用效率更高

如果你时间紧、目标是近期面试，建议先过理论题的高频部分（逻辑回归、树模型、集成、常见评估指标），再集中刷 LeetCode 的数组、链表、二叉树、动态规划四类题型，其他章节当字典查。

如果你时间比较充裕，可以按讲义顺序系统过一遍，每道题都自己先写一遍再对照。源码和讲义是配套的，对照着看能发现自己在实现细节上的疏漏，比如初始化、收敛判断、边界处理这些面试官容易追问的地方。

最后一句话：这套资料的价值在于把"面试会问什么"和"怎么答得像做过"这两件事对齐，但它替代不了你自己动手推导和写代码的过程。看得懂和写得出，中间隔着一段必须自己走的路。

ӽ | 100ѧϰ+LeetCodeʵս - 㷨Կ - ļ - Դ뽲

ʵս㷨

༭

ѧϰ⣬LeetCodeʵսϵͳ㷨

? ༭Ƽ

ѡ100ѧϰ⣬߼ع顢̬滮Ⱥ㷨ʵսӦԡ

γ

?ʵս

?ϵͳѧϰ

γĿ¼

? μ
? ? μ
.pdf [2.2 MB]
.pdf [2.9 MB]
.pdf [2.9 MB]
߼ع.pdf [793.7 KB]
.pdf [2.5 MB]
? ? 03
? ? hmm
? ? Ƶĸ
2.HMM.pdf [533.8 KB]
4.HMMеάر㷨.pdf [426.8 KB]
1.HMM-ͼ.pdf [483.7 KB]
? ? crf
? ? ĸ岿
CRFƵĸ.pdf [792.6 KB]
klinger-crf-intro.pdf [916.4 KB]
? ? kmeans
k-means.pdf [1.3 MB]
? ? 04
? ?
ֱʽ.pdf [2.8 MB]
ƽ.pdf [3.0 MB]
? ? ͼ
BFSDFS.pdf [2.9 MB]
С.pdf [2.0 MB]
·.pdf [2.9 MB]
? ?
ϣ.pptx [16.5 MB]
ջ .pptx [16.4 MB]
лڽ.pptx [16.5 MB]
kmp.pptx [17.0 MB]
513 ½ǵֵ.pptx [16.4 MB]
תС.pptx [16.4 MB]
ʾֵַ.pptx [16.4 MB]
.pptx [16.6 MB]
ɾظĽ.pptx [16.4 MB]
ʽƥ.pptx [16.3 MB]
.pptx [16.7 MB]
滻ո.pptx [16.5 MB]
69. x ƽ.pptx [16.4 MB]
? ? 02ڶ
? ? svm
ĵcs229_smo.pdf [77.8 KB]
SVMƵĸ.pdf [1023.7 KB]
SMO㷨Ƶĸ.pdf [556.6 KB]
? ? 05
? ? ̬滮
3. leetcode41601ʵ.pdf [954.1 KB]
2. 01.pdf [809.4 KB]
5. (leetcode 1143).pdf [775.0 KB]
4. (leetcode 300).pdf [736.2 KB]
? ? ݹ
1. ʲôǵݹ(쳲С̨ס̨̬).pdf [2.9 MB]
2. ݷ(˵˶Χ).pdf [3.0 MB]
? ? ѧϰ
gbm-Freidman-1999.pdf [567.9 KB]
GBDT.pdf [3.3 MB]
xgboost.pdf [4.2 MB]
BoostedTree.pdf [1.4 MB]
xgboost paper.pdf [778.8 KB]
? ? 06
.pdf [2.1 MB]
ѧϰеŻ.pdf [451.6 KB]
Ż㷨֮AdaGradRMSPropAdaDeltaAdam.pdf [747.6 KB]
ݶ½ݶ½.pdf [1.3 MB]
? ? ߼ع
? ? ߼عweek1
? ? Դ
iris_lr_demo.py [778.0 B]
LogisticRegression.py [3.0 KB]
LogisticRegressionʵս.pdf [817.0 KB]
? ? week1
? ? Դ
04-Gini-Index.ipynb [17.1 KB]
01-What-is-Decision-Tree.ipynb [22.2 KB]
02-Entropy.ipynb [16.1 KB]
05-CART-and-Decision-Tree-Hyperparameters.ipynb [68.7 KB]
03-Entropy-Split-Simulation.ipynb [17.4 KB]
ʵս.pdf [423.1 KB]
? ?
߼ع.pdf [374.6 KB]
logistics.py [915.0 B]
? ? hmm
? ? 벿
? ? data
199801ձ.data [10.6 MB]
? ? model
hmm.model [301.2 KB]
hmm_segment.py [3.7 KB]
? ? Ż㷨
? ?
ʵս.zip [112.2 KB]
code.zip [189.4 KB]
? ? SVM
? ?
03-SVM-Regressor.ipynb [3.3 KB]
01-SVM-in-scikit-learn.ipynb [70.0 KB]
02-RBF-Kernel-in-scikit-learn.ipynb [80.2 KB]
? ?
? ?
01-ؿ巽ⶨԼҪԲ.ipynb [226.8 KB]
1.png [25.1 KB]
02-任ͽܾܾʵ.ipynb [66.6 KB]
04-Metropolis-HastingsʵBetaֲĲ.ipynb [26.7 KB]
03-Ʒƽȷֲ.ipynb [5.5 KB]
? ? RNNʵս
RNNʵս.pdf [1.1 MB]
RNN.ipynb [27.3 KB]
? ? kmeansʵս
kmeans㷨ʵս.pdf [621.4 KB]
1.png [65.3 KB]
data.txt [610.0 B]
kmeans.ipynb [331.2 KB]
μ˵.png [493.5 KB]
μؿ.png [493.5 KB]
45.Week5私谐玫循纭縋2GRULSTM.mp4 [11.6 MB]
06.Week1私喽窖靶的俱法P1呒毓.mp4 [20.3 MB]
10.Week2学习支P3硬SVM呕频.mp4 [37.0 MB]
32.郾nlp艿一学习模.mp4 [103.9 MB]
49.Week6学习原统募学习P4突毓.mp4 [11.7 MB]
33.郾nlp艿诙模偷魏模诤.mp4 [70.7 MB]
18.Week3私学习械姆羌喽窖般法K-means.mp4 [37.5 MB]
20.Week3萁峁广法P2谢诮.mp4 [51.6 MB]
23.Week4学习械母图模汀P1hmm慕.mp4 [27.1 MB]
04.Week1私学习械毯模P3.mp4 [21.3 MB]
40.Week5萁峁广法01.mp4 [47.1 MB]
17.Week2私学习谓维PCALDA.mp4 [42.0 MB]
27.Week4萁峁广法P1DFSBFS.mp4 [34.9 MB]
31.郾nlp诙艿慕学习baseline证.mp4 [47.2 MB]
44.Week5私谐玫循纭縋1RNN.mp4 [22.5 MB]
23.郾nlp一艿一私NLP悉目-前芎准.mp4 [33.7 MB]
29.郾nlp诙艿诙诖word2vec.mp4 [73.1 MB]
15.Week2萁峁广法P2.mp4 [45.3 MB]
07.Week1私喽窖靶的俱法P2.mp4 [24.1 MB]
48.Week6学习原统募学习P3.mp4 [37.5 MB]
28.郾nlp诙艿一tensorflow2.0.mp4 [71.6 MB]
21.Week3萁峁广法P3删馗慕.mp4 [22.2 MB]
26.Week4学习械母图模汀P4crf.mp4 [31.3 MB]
27.郾nlp一艿慕证徒证.mp4 [77.6 MB]
24.郾nlp一艿一私NLP悉目-芎思路.mp4 [38.8 MB]
25.Week4学习械母图模汀P3crf一些.mp4 [24.8 MB]
50.Week6xgboost原约狻縋1xgboost一些预知识.mp4 [20.5 MB]
38.Week5萁峁广法莘(说硕围).mp4 [66.3 MB]
05.Week1私学习械毯模P4双指.mp4 [27.7 MB]
03.Week1私学习械毯模P2.mp4 [27.0 MB]
02.Week1私学习械毯模P1.mp4 [29.7 MB]

ʺȺ

ѧϰѧ
㷨
ְ

ѧϰջ

պ㷨

̱̻

ףѧϰ죡

ѧɣǰƽ