外观
JD 知识点拆解
你拿到一份心仪公司的 JD，上面写着「精通机器学习」「熟悉深度学习」「扎实的数学基础」「有大规模分布式训练经验」……每一条都看得懂，但每一条又都隔着一层雾：到底要会到什么程度？面试官会怎么考？
本文要做的，就是把 JD 里的"技能词"翻译成一张可逐项复习的知识点清单——不是泛泛的"要学好数学"，而是精确到"能证明矩阵求导的链式法则""能画出 Transformer 的 self-attention 计算图"这样的具体考点。配合文末的五档自评表和补课清单生成方法，你可以在一个下午完成对自身能力的"技能体检"，然后得到一张属于自己的学习路线图。
拿到 JD ──① 提取技能词──② 映射到考点──③ 五档自评──④ 生成补课清单──⑤ 每周复测
│ │ │ │
精通/熟悉/了解 本文第二~六节 本文第七节 本文第八节本文适合：投递机器学习算法岗、大模型岗、ML 工程岗的候选人，以及所有想把"我好像都会"变成"我能讲透"的学习者。
一、JD 里的技能词到底考什么
JD 不是课程大纲，它是公司对"你能独立产出什么"的最低期待。招聘方的潜台词是：
写"精通机器学习"，不是要求你把所有算法背下来，而是要求你在面对一个新问题时，能独立判断该用什么模型、为什么、怎么评估、出了错怎么排查。
所以拆解 JD 的第一步，是把技能词映射到"面试官实际会考的能力"。
1. 高频技能词的"真实考点"对照表
| JD 原话 | 字面意思 | 面试实际考查（你需要在 5 分钟内证明的） |
|---|---|---|
| 精通机器学习 | 熟悉常见算法 | 讲清监督/无监督/强化学习的边界；面对业务场景能完成"问题定义 → 基线 → 建模 → 评估"的完整闭环 |
| 熟悉深度学习 | 会用 PyTorch / TensorFlow | 能手推反向传播；能解释 CNN/RNN/Transformer 各自解决什么问题；能说清梯度消失/爆炸的成因 |
| 扎实的数学基础 | 学过高等数学 | 能推导交叉熵的梯度；能解释"为什么 L1 产生稀疏解、L2 不产生"；能说明贝叶斯定理在分类中的位置 |
| 扎实的工程能力 | 会写 Python | 能在现场写出无 bug 的 pandas 数据处理；能说清线上/离线特征一致性；懂怎么排查"训练跑得动、线上跑不动" |
| 熟悉分布式训练 | 用过 GPU 集群 | 能说清数据并行与模型并行、梯度同步方式、通信瓶颈；能解释混合精度为什么能加速 |
| 有大模型经验 | 微调过 LLM | 能说清预训练 → SFT → RLHF 三段式；能对比 LoRA 与全参微调；能设计一个 RAG 系统并排查检索失败 |
| 了解 MLOps | 上过线 | 能说清部署方式选型、上线后监控什么指标、数据漂移怎么办、多久重训一次 |
2. 为什么不能按字面理解
三个常见误区：
- 误区一：把 JD 当全表。JD 里 10 条要求，公司心里通常只有 3 条是硬性门槛（决定简历关过不过），其余是"理想候选人画像"。投递前要区分门槛项和加分项，优先补门槛项。
- 误区二：把"熟悉"当成"了解"。面试官写"熟悉 X"，考查的是你能讲出原理、动手实现、说出权衡，而不是"听说过 X"。自评时请用"能讲透"作为"熟悉"的及格线。
- 误区三：只复习考点，不复习组合拳。面试几乎从来不是单点考：它常给你一个场景（"给短视频 App 做推荐，冷启动怎么做？"），要求你同时动用数学（为什么用这个模型）+ 机器学习（怎么评估）+ 工程（怎么上线）+ 大模型（要不要用 RAG）。所以下面五个板块必须连起来看。
3. 从 JD 到补课清单的完整流程
拿到 JD
│
▼
① 提取技能词（精通 / 熟悉 / 了解 / 加分项）
│
▼
② 映射到知识点清单（本文第二~六节）
│
▼
③ 逐项五档自评（本文第七节的自评表）
│
▼
④ 生成个人补课清单（本文第八节的方法）
│
▼
⑤ 每周执行 → 复测 → 更新清单接下来五节就是这张地图的五大板块。
二、知识板块一：数学基础
JD 词：「扎实的数学基础」。为什么面试官考数学？因为模型能力的天花板由数据决定，但模型行为的下限由数学决定——看不懂公式，就永远只能"调库"，出了问题无法归因。面试要求的数学不需要证明到研究生深度，但必须达到"公式能推导、几何有直觉、会算梯度"的水平。
1. 线性代数（最被低估、却最高频）
| 考点 | 面试怎么考 | 为什么要会 |
|---|---|---|
| 向量、矩阵与基本运算 | "矩阵乘法的复杂度是多少？" | 一切深度学习计算的基础，注意力机制里的 Q·Kᵀ 就是矩阵乘法 |
| 转置、秩、矩阵的逆 | "什么时候矩阵不可逆？" | 最小二乘解 w = (XᵀX)⁻¹Xᵀy 的前提条件 |
| 范数与向量空间 | "L1 和 L2 范数的区别？" | 正则化、损失函数设计的直接数学语言 |
| 特征值与特征向量 | "协方差矩阵的特征向量是什么？" | PCA 的数学核心 |
| 奇异值分解（SVD） | "SVD 在推荐系统里干嘛用？" | 矩阵分解、embedding、降维的共同祖先 |
| 矩阵求导 | "写出损失函数对权重矩阵的梯度" | 反向传播本质就是矩阵求导 + 链式法则 |
2. 概率与统计
| 考点 | 面试怎么考 | 为什么要会 |
|---|---|---|
| 条件概率与贝叶斯定理 | "朴素贝叶斯为什么'朴素'？" | 生成式分类器、贝叶斯优化的根基 |
| 常见分布 | "什么场景用伯努利/高斯/多项分布？" | 为数据选模型与损失函数的依据 |
| 期望、方差、协方差 | "数据标准化到底在做什么？" | 理解归一化、PCA、特征缩放 |
| 最大似然估计（MLE） | "线性回归的最小二乘是不是 MLE？" | 连接统计与损失函数的桥梁 |
| 交叉熵与 KL 散度 | "交叉熵损失是从哪来的？" | 分类任务事实标准损失函数的出处 |
| 大数定律与中心极限定理 | "为什么样本量越大越稳？" | 理解模型稳定性与 bagging 的理论依据 |
| 假设检验与置信区间 | "A/B 测试怎么判断显著？" | 上线评估与业务决策的统计学根基 |
3. 微积分
| 考点 | 面试怎么考 | 为什么要会 |
|---|---|---|
| 导数、偏导数 | "梯度为什么指向上升最快的方向？" | 梯度下降的理论基础 |
| 链式法则 | "反向传播在做哪个数学操作？" | 深层网络训练的引擎 |
| 梯度消失与梯度爆炸 | "为什么深层网络梯度会消失？" | 深度学习头号训练问题的根源 |
| 泰勒展开 | "牛顿法 vs 梯度下降差在哪？" | 理解二阶优化、学习率与损失曲面曲率的关系 |
4. 优化
| 考点 | 面试怎么考 | 为什么要会 |
|---|---|---|
| 凸优化与非凸优化 | "深度学习损失函数是凸的吗？" | 理解"局部最优"为何不是深度学习的首要矛盾 |
| 梯度下降 / SGD / Mini-batch | "Batch size 影响什么？" | 训练的核心循环 |
| 动量、Adam | "Adam 相比 SGD 好在哪？" | 优化器选型的依据 |
| 学习率 | "学习率太大/太小会怎样？" | 训练不收敛时的第一排查项 |
5. 推荐复习资源
数学复习路线
先求"会算、有直觉"，不求"能证明"。
- 3Blue1Brown《线性代数的本质》《微积分的本质》——用动画建立几何直觉，适合先看一遍建立整体图景（B 站 / YouTube 均有官方中文字幕）；
- MIT 18.06（Gilbert Strang 线性代数）——公认最清晰的线性代数公开课，OCW 免费开放，可搭配 Strang 教材 Introduction to Linear Algebra；
- 吴恩达 CS229 讲义（斯坦福公开课官网）——前几讲覆盖凸性、优化与贝叶斯等面试高频点，数学密度适中；
- StatQuest（Josh Starmer）——每个统计概念一个约 10 分钟的视频，适合"听说过但讲不清"的查漏补缺；
- 理论补强：Goodfellow《Deep Learning》第 2~4 章（官网免费在线阅读）与 Bishop《Pattern Recognition and Machine Learning》。
本站的 数学基础速查 把以上公式压缩成一页可打印的速查表，建议在复习期贴在手边反复看。
三、知识板块二：机器学习基础
JD 词：「精通机器学习」。这一块是面试的必考主线，也是唯一"光靠背就能拿到基础分"的板块——但拿高分必须能解释为什么。完整框架见本站监督学习。
1. 监督学习算法
| 考点 | 面试怎么考 | 本站对应页 |
|---|---|---|
| 线性回归与最小二乘 | "手推正规方程解" | 监督学习 |
| 逻辑回归 | "为什么叫回归却做分类？sigmoid 从哪来？" | 同上 |
| 决策树 | "信息增益、基尼系数怎么选分裂点？" | 同上 |
| 随机森林 | "bagging 为什么能降方差？" | 同上 |
| GBDT / XGBoost | "boosting 为什么能降偏差？XGBoost 加了什么？" | 同上 |
| SVM 与核技巧 | "核函数把数据映射到哪里？为什么可行？" | 同上 |
| KNN、朴素贝叶斯 | "各自的前提假设是什么？" | 同上 |
2. 无监督学习
| 考点 | 面试怎么考 | 说明 |
|---|---|---|
| K-Means | "K 怎么选？K-Means 的隐含假设是什么？" | 聚类入门必考 |
| 层次聚类、DBSCAN | "怎么处理任意形状的簇？" | 与 K-Means 对比着答 |
| PCA 与降维 | "PCA 与特征选择的区别？" | 降维主线 |
| t-SNE / UMAP | "为什么可视化降维不能直接用于线上特征？" | 常考的"陷阱题" |
| 关联规则 | "支持度、置信度、提升度怎么定义？" | 低频但经典 |
3. 评估（面试的重灾区）
模型评估是面试里最容易暴露"只会调库"的板块，因为评估设计直接反映你对业务的理解。详见本站模型评估与验证。
| 考点 | 面试怎么考 | 本站对应页 |
|---|---|---|
| 混淆矩阵、准确率/精确率/召回率/F1 | "正负样本严重不平衡时看什么？" | 模型评估与验证 |
| ROC 曲线与 AUC | "AUC 的物理含义是什么？" | 同上 |
| PR 曲线 | "什么场景下 AUC 会骗人？" | 同上 |
| 回归指标 MSE / MAE / R² | "异常值会把哪个指标带偏？" | 同上 |
| 交叉验证 | "K 折为什么能降低评估方差？" | 同上 |
| 过拟合/欠拟合与偏差-方差权衡 | "训练误差低、验证误差高，先查什么？" | 同上、过拟合与正则化 |
4. 正则化
| 考点 | 面试怎么考 | 本站对应页 |
|---|---|---|
| L1 / L2 正则化 | "为什么 L1 产生稀疏解、L2 不产生？（几何解释 + 数学解释）" | 过拟合与正则化 |
| Dropout | "训练时随机丢弃、推理时不丢，为什么？" | 同上 |
| 早停 | "早停依据哪个指标？" | 同上 |
| 数据增强 | "哪些任务适合用？" | 同上 |
5. 特征工程
| 考点 | 面试怎么考 | 本站对应页 |
|---|---|---|
| 缺失值处理 | "删除、填充、还是当作信号？" | 特征工程 |
| 编码：独热 / 标签 / 目标编码 | "类别很多时独热编码会怎样？" | 同上 |
| 归一化与标准化 | "树模型要不要归一化？为什么？" | 同上 |
| 分箱、交互特征 | "线性模型为什么需要手动做交互项？" | 同上 |
| 特征选择 | "过滤式/包裹式/嵌入式各是什么？" | 同上 |
| 类别不平衡 | "上采样/下采样/代价敏感/换评估指标，怎么组合？" | 同上 |
一个高频考点提醒
「训练集与线上特征一致性」是近几年大厂必考：训练时用了未来信息、线上取不到实时特征、离线/在线口径不一致……这类题考的不是模型，而是你是否真正做过端到端的项目。它同时横跨特征工程与 MLOps 两节，自评时要放在一起看。
四、知识板块三：深度学习
JD 词：「熟悉深度学习」。这一块面试比重逐年上升，且从"用过框架"转向"懂原理"。总体框架见本站深度学习基础。
1. 神经网络核心
| 考点 | 面试怎么考 | 本站对应页 |
|---|---|---|
| 神经元与激活函数 | "ReLU 为什么比 sigmoid 好？死亡 ReLU 怎么办？" | 深度学习基础 |
| 前向传播与反向传播 | "手写一层网络的反向传播" | 同上 |
| 损失函数与输出层设计 | "回归/二分类/多分类各配什么损失？" | 同上 |
| 优化器 | "SGD / Momentum / Adam 的更新规则各是什么？" | 同上 |
| 权重初始化 | "权重初始化为 0 会怎样？Xavier/He 初始化为什么？" | 同上 |
2. 经典架构
| 考点 | 面试怎么考 | 本站对应页 |
|---|---|---|
| CNN：卷积、池化、感受野 | "卷积核参数数量怎么算？1×1 卷积干嘛用？" | 深度学习基础 |
| CNN 经典架构 | "ResNet 解决了什么问题？残差连接为什么有效？" | 同上 |
| RNN / LSTM / GRU | "RNN 为什么训不深？门控机制解决了什么？" | 同上 |
| 注意力机制 | "Q / K / V 分别是什么？为什么按 √dₖ 缩放？" | Transformer 与 NLP |
| Transformer 整体结构 | "画出 Encoder 的模块构成" | 同上 |
| 位置编码 | "为什么 Transformer 需要位置编码？" | 同上 |
3. 训练技巧
| 考点 | 面试怎么考 | 本站对应页 |
|---|---|---|
| 学习率调度 | "warmup + 衰减为什么常见？" | 调参与超参数优化 |
| 批归一化 | "BN 为什么能加速收敛？推理时 BN 怎么算？" | 深度学习基础 |
| 梯度裁剪 | "什么情况用？" | 同上 |
| 混合精度训练 | "FP16 为什么快？损失缩放干嘛用？" | 同上 |
| 过拟合排查流程 | "先看训练集误差还是验证集误差？" | 调参与超参数优化 |
五、知识板块四：工程与部署
JD 词：「扎实的工程能力」「了解 MLOps」。模型能跑不代表能上线——大厂 ML 岗位面试中工程与 MLOps 的占比普遍在 30% 以上。总览见本站MLOps 与模型部署。
1. 编程与数据结构
| 考点 | 面试怎么考 | 说明 |
|---|---|---|
| Python 基础 | "list / dict / set 的复杂度？GIL 是什么？" | 算法岗手撕题的环境 |
| 常用库 | "numpy 广播、pandas groupby 聚合怎么用？" | 现场写数据处理是最常见的 coding 题 |
| 复杂度分析 | "说出某算法的时间复杂度" | 一切手撕题的前提 |
| 常用数据结构 | "哈希表、堆、并查集、图遍历" | 面试手撕题的题库来源 |
2. 数据库与大数据
| 考点 | 面试怎么考 | 说明 |
|---|---|---|
| SQL | "窗口函数、各类 join 的区别、慢查询怎么排查？" | 算法岗也常考基础 SQL |
| 数据仓库与特征存储 | "离线特征和在线特征怎么对齐？" | 横跨特征工程与工程 |
| 分布式计算 | "MapReduce / Spark 的 shuffle 是什么？" | 大数据岗位的加分项 |
3. MLOps
| 考点 | 面试怎么考 | 本站对应页 |
|---|---|---|
| 实验管理与版本控制 | "怎么保证每场实验可复现？" | MLOps 与模型部署 |
| 模型注册与回滚 | "上线后效果变差，怎么快速止损？" | 同上 |
| 部署方式选型 | "在线 / 批量 / 流式分别适合什么场景？" | 同上 |
| 推理服务 | "QPS、延迟、GPU 资源怎么估算？" | 同上 |
| 监控与漂移检测 | "监控哪些指标？数据漂移了怎么办？" | 同上 |
| 再训练闭环 | "多久重训一次？由谁触发？" | 同上 |
| 模型可解释性 | "SHAP / LIME 的原理与局限" | 同上 |
工程板块的复习策略
工程题的权重高度偏向实践。比起背诵概念，更有效的做法是：把一个项目真正跑完部署全流程（训练 → 评估 → 封装 API → 监控）。一旦你亲手踩过坑，面试里所有工程答案都会自然带上"我做过"的说服力。
六、知识板块五：大模型
JD 词：「有大模型经验」——近两年几乎成了 ML 岗的标配加分项。注意：大模型题的最大陷阱是"你以为知道，但讲不出机制"。技术全景见本站大语言模型（LLM）与Transformer 与 NLP。
1. 模型原理
| 考点 | 面试怎么考 | 本站对应页 |
|---|---|---|
| 预训练范式 | "next token prediction 为什么能学到语言？" | 大语言模型（LLM） |
| 规模法则 | "Scaling Laws 讲了什么？涌现怎么理解？" | 同上 |
| 上下文学习 | "少样本 / 零样本的机制解释有哪些？" | 同上 |
| 思维链（CoT） | "为什么需要推理中间步骤？" | 同上 |
2. 微调与对齐
| 考点 | 面试怎么考 | 本站对应页 |
|---|---|---|
| SFT 指令微调 | "SFT 的数据从哪来？为什么 base model 不等于可用模型？" | 大语言模型（LLM） |
| LoRA / QLoRA | "LoRA 为什么参数少却有效？低秩假设是什么？" | 同上 |
| RLHF | "奖励模型怎么训练？PPO 为什么贵？" | 同上 |
| DPO | "DPO 相比 RLHF 简化了什么？" | 同上 |
3. RAG 与应用
| 考点 | 面试怎么考 | 本站对应页 |
|---|---|---|
| RAG 全流程 | "检索 → 增强 → 生成，各环节失败怎么排查？" | 大语言模型（LLM） |
| 向量数据库与 embedding | "chunk 怎么切？相似度怎么算？" | 同上 |
| 提示词工程 | "系统提示词、Few-shot 模板怎么设计？" | 同上 |
| 解码策略 | "temperature、top-p、beam search 各影响什么？" | 同上 |
| 幻觉与评估 | "怎么评估生成质量？幻觉怎么缓解？" | 同上 |
4. 推理优化
| 考点 | 面试怎么考 | 本站对应页 |
|---|---|---|
| 量化 | "INT8 / INT4 为什么能加速？精度损失从哪来？" | 大语言模型（LLM） |
| KV Cache | "为什么生成阶段比预填充快？" | 同上 |
| 服务框架 | "vLLM 的 PagedAttention 解决了什么？" | 同上 |
| 蒸馏 | "怎么用小模型学大模型？" | 同上 |
七、自评表：五档自评，可打印
把前面五个板块的考点汇总成一张可打印的自评表。打分标准：
| 档位 | 含义 | 判定标准（对着镜子给自己打分） |
|---|---|---|
| 1 没听过 | 完全陌生 | 这个词都没见过 |
| 2 听说过 | 有点印象 | 见过/听过，但讲不出定义 |
| 3 了解 | 知道概念 | 能给出定义和一个例子，但说不出原理与权衡 |
| 4 熟悉 | 能动手用 | 能独立实现 / 调参 / 排查，知道优缺点与适用场景 |
| 5 能讲透 | 能教别人 | 能在 5 分钟内讲清原理 + 推导 + 权衡 + 反例，经得起追问 |
打印与勾选方法
把本节打印出来，按板块逐行打勾，勾选你当前真实水平对应的档位。诚实是前提——目标是把"能讲透"以下的行全部暴露出来，而不是让表看起来好看。建议每行只勾一档，拿不准时往低一档勾。
板块 A：数学基础
| 考点 | 没听过 | 听说过 | 了解 | 熟悉 | 能讲透 |
|---|---|---|---|---|---|
| 向量 / 矩阵运算与矩阵求导 | □ | □ | □ | □ | □ |
| 特征值 / 特征向量 | □ | □ | □ | □ | □ |
| SVD 与 PCA 的数学 | □ | □ | □ | □ | □ |
| 贝叶斯定理与条件概率 | □ | □ | □ | □ | □ |
| 常见分布与期望方差 | □ | □ | □ | □ | □ |
| MLE 与损失函数的关系 | □ | □ | □ | □ | □ |
| 交叉熵与 KL 散度 | □ | □ | □ | □ | □ |
| 链式法则与反向传播 | □ | □ | □ | □ | □ |
| 梯度下降与 SGD | □ | □ | □ | □ | □ |
| 凸优化与局部最优 | □ | □ | □ | □ | □ |
板块 B：机器学习基础
| 考点 | 没听过 | 听说过 | 了解 | 熟悉 | 能讲透 |
|---|---|---|---|---|---|
| 线性回归 / 逻辑回归 | □ | □ | □ | □ | □ |
| 决策树 / 随机森林 / GBDT | □ | □ | □ | □ | □ |
| SVM 与核技巧 | □ | □ | □ | □ | □ |
| K-Means / PCA 与降维 | □ | □ | □ | □ | □ |
| 混淆矩阵 / 精确率 / 召回率 / F1 | □ | □ | □ | □ | □ |
| ROC / AUC / PR 曲线 | □ | □ | □ | □ | □ |
| 交叉验证与数据划分 | □ | □ | □ | □ | □ |
| 过拟合与偏差-方差权衡 | □ | □ | □ | □ | □ |
| L1 / L2 / Dropout / 早停 | □ | □ | □ | □ | □ |
| 特征编码 / 归一化 / 缺失值 | □ | □ | □ | □ | □ |
| 特征选择 | □ | □ | □ | □ | □ |
| 类别不平衡处理 | □ | □ | □ | □ | □ |
板块 C：深度学习
| 考点 | 没听过 | 听说过 | 了解 | 熟悉 | 能讲透 |
|---|---|---|---|---|---|
| 激活函数与权重初始化 | □ | □ | □ | □ | □ |
| 反向传播手推 | □ | □ | □ | □ | □ |
| 损失函数与输出层设计 | □ | □ | □ | □ | □ |
| 优化器（SGD / Adam） | □ | □ | □ | □ | □ |
| CNN：卷积 / 池化 / 感受野 | □ | □ | □ | □ | □ |
| ResNet 等经典架构 | □ | □ | □ | □ | □ |
| RNN / LSTM / GRU | □ | □ | □ | □ | □ |
| 注意力机制与 QKV | □ | □ | □ | □ | □ |
| Transformer 结构 | □ | □ | □ | □ | □ |
| 训练技巧（调度 / BN / 梯度裁剪） | □ | □ | □ | □ | □ |
板块 D：工程与部署
| 考点 | 没听过 | 听说过 | 了解 | 熟悉 | 能讲透 |
|---|---|---|---|---|---|
| Python / numpy / pandas 实战 | □ | □ | □ | □ | □ |
| 复杂度与常用数据结构 | □ | □ | □ | □ | □ |
| SQL 基础与窗口函数 | □ | □ | □ | □ | □ |
| 分布式计算（Spark 等） | □ | □ | □ | □ | □ |
| 实验管理与版本控制 | □ | □ | □ | □ | □ |
| 部署方式选型 | □ | □ | □ | □ | □ |
| 监控与漂移检测 | □ | □ | □ | □ | □ |
| 再训练闭环 | □ | □ | □ | □ | □ |
| 模型可解释性（SHAP 等） | □ | □ | □ | □ | □ |
板块 E：大模型
| 考点 | 没听过 | 听说过 | 了解 | 熟悉 | 能讲透 |
|---|---|---|---|---|---|
| 预训练与规模法则 | □ | □ | □ | □ | □ |
| 上下文学习与思维链 | □ | □ | □ | □ | □ |
| SFT 指令微调 | □ | □ | □ | □ | □ |
| LoRA / QLoRA | □ | □ | □ | □ | □ |
| RLHF 与 DPO | □ | □ | □ | □ | □ |
| RAG 全流程 | □ | □ | □ | □ | □ |
| 向量数据库与 embedding | □ | □ | □ | □ | □ |
| 解码策略 | □ | □ | □ | □ | □ |
| 量化与推理加速 | □ | □ | □ | □ | □ |
| 幻觉与模型评估 | □ | □ | □ | □ | □ |
八、生成个人补课清单的方法
自评表打完之后，用下面四步把它变成一张可执行的周计划。
第一步：按档位归类
把每个考点归入三类：
- A 类（档位 1~2，完全陌生）：优先级最高，先解决"它是什么"。目标：一周内升到 3。
- B 类（档位 3，了解）：缺的是原理与权衡。目标：两周内升到 4，标准是"能独立实现 + 说出适用场景"。
- C 类（档位 4，熟悉）：缺的是"讲透"能力。目标：把每个考点写成一篇 5 分钟口头讲稿。这部分直接对应面试表现。
档位 5 的考点不用再花时间，除非你投的是偏教学或偏理论的岗位。
第二步：按板块排序，算总账
把 A、B、C 三类按板块汇总，得到三张"欠账表"。补课顺序建议：
第 1 优先级 板块 A 数学 —— 它是所有其他板块的地基
第 2 优先级 板块 B 机器学习基础 —— 面试主线，投入产出比最高
第 3 优先级 板块 C 深度学习 —— 大模型的前置知识
第 4 优先级 板块 E 大模型 —— 若目标岗位有要求
第 5 优先级 板块 D 工程与部署 —— 贯穿练习，配合项目同步做第三步：套用"补课清单"模板
| 周次 | 重点板块 | A 类任务（升到 3） | B 类任务（升到 4） | C 类任务（产出讲稿） | 产出物 |
|---|---|---|---|---|---|
| 第 1 周 | 数学 + 机器学习基础 | 3 个陌生考点 | 2 个考点补原理 | 1 篇讲稿（如过拟合） | 笔记 + 讲稿 |
| 第 2 周 | 机器学习基础 + 深度学习 | 2 个陌生考点 | 3 个考点补原理 | 2 篇讲稿（如 AUC、正则化） | 手推笔记 + 讲稿 |
| 第 3 周 | 深度学习 | 1 个陌生考点 | 2 个考点补原理 | 2 篇讲稿（如反向传播、注意力） | 手推笔记 |
| 第 4 周 | 大模型 + 工程 | 1 个陌生考点 | 2 个考点补原理 | 2 篇讲稿（如 LoRA、RAG） | 讲稿 + 小项目 |
| 第 5 周起 | 循环直到 A/B 清零 | 动态调整 | 动态调整 | 向"组合拳"题推进 | 模拟面试录音 |
第四步：三个执行原则
- 原则一：讲得出来才算会。每个考点复习完，用手机录一段 5 分钟自讲，回听找出"卡壳处"——卡壳处就是没懂的地方。
- 原则二：手推 > 看推。数学类考点务必自己动笔推导一遍（交叉熵梯度、反向传播、L1 为什么稀疏），"看懂"和"会推"在面试里是两回事。
- 原则三：每周复测。周日晚上用自评表重新打分，把"升档"的考点从清单划掉，把"原地踏步"的考点标注出来并追问原因——通常不是不够努力，而是复习方式不对（比如只看不练）。
补充一句
补课清单的目标不是"把表涂满"，而是把目标岗位 JD 里的门槛项全部升到 4 档以上。岗位不需要的板块（比如做推荐岗，大模型不必强求 5 档），卡在 4 档即可，把时间投到刀刃上。
九、延伸阅读
站内联动：
- 求职板块首页 · JD 解读与岗位选择 · 简历诊断 · 面试真题
- 五大板块的深度正文：监督学习 · 模型评估与验证 · 过拟合与正则化 · 特征工程 · 深度学习基础 · MLOps 与模型部署 · Transformer 与 NLP · 大语言模型（LLM） · 调参与超参数优化
- 随查随用：术语表是查漏补缺的口袋书，数学基础速查是复习期的墙贴
参考资料（真实资源）：
- Andrew Ng. CS229 讲义（斯坦福公开课官网） —— 机器学习经典讲义
- 3Blue1Brown：《线性代数的本质》《微积分的本质》 —— 数学直觉的动画化
- MIT OCW 18.06 线性代数（Gilbert Strang） —— 线性代数公开课
- StatQuest（Josh Starmer） —— 统计概念短视频
- Goodfellow, Bengio, Courville. Deep Learning（2016） —— 深度学习教材，官网免费阅读
- Bishop. Pattern Recognition and Machine Learning（2006） —— 统计机器学习经典教材
- 李航. 《统计学习方法》（第二版，清华大学出版社）—— 中文算法教材标杆
- 周志华. 《机器学习》（清华大学出版社）—— 俗称"西瓜书"，国内 ML 入门经典
- scikit-learn 官方文档与 User Guide —— 算法 API 与官方教程
- Hugging Face LLM 课程 —— 大模型微调与 RAG 的免费实战课程
- Vaswani et al. Attention Is All You Need (NeurIPS 2017) —— Transformer 原始论文
- Touvron et al. LLaMA: Open and Efficient Foundation Language Models (2023) —— 开源大模型里程碑