AI Job Info
1.0.0
Terakhir diperbarui: 25/10/2019
21/08/2019 - Katalog yang diperbarui
2019/09/05 - Ditambahkan 9 unit
21/09/2019 - Perbarui informasi penulis
2019/10/11 - Diperbarui 10 plus sutra wajah
25/10/2019 - Pembaruan Akademi Alibaba Damo
1. Ikhtisar keseluruhan Huawei, DJI, Toutiao, Alibaba, Baidu, Alibaba, Tencent, JD.com, dan Xiaomi
2. Wawancara Magang Algoritma Tencent Computer Vision 2020 untuk Gelar Sarjana dan Magister 985 Non-jurusan Magister
3. Wawancara Magang Musim Panas Baidu Computer Vision
4. Wawancara Magang JD Computer Vision
5. Oppo menyetujui wawancara kerja C++ terlebih dahulu
6. Midea menyetujui insinyur penambangan data Python terlebih dahulu
7. Magang algoritma gambar di Momo Technology
8. Tiga aspek front-end Baidu
9. Cambrian: Insinyur Pembelajaran Mendalam
10. Halaman Beranda 2019.7.24
11. Baidu
12. Tencent
13. Pinduoduo2019.8.13
14. Jalan Mogu 2019.8.14
15. Pengembangan game Hiburan Interaktif NetEase
16. Pencarian 360 (Peringkat) -Insinyur Pembelajaran Mesin
17. NetEase Internet: Insinyur Pembelajaran Mendalam
18. SF Express sp dan ihandy penjualan khusus untuk pelanggan ternak
19. Sesi Istimewa Didi Niuke sp
20. Sesi khusus Kuaishou Niuke sp
21. Yitu
22. Tencent
23. Visi
24. Baidu
25. Sogou
26.OPPO
27. 58 di kota yang sama
28.Huawei
29. Akademi Alibaba Damo
Catatan
Saya memiliki gelar sarjana dan magister 985 (peringkat sekolah lebih rendah). Saya memiliki nilai rata-rata. Saya bukan dari latar belakang komputer dan telah mengerjakan proyek CV terkait. Saya merasa sedikit bersalah, tetapi bos telah memimpin beberapa kompetisi.
Pekerjaan Algoritma Tencent Computer Vision
Ingatan keseluruhan isi wawancara, apa pun wawancara yang dilakukan
Apapun wawancaranya, Anda akan selalu memperkenalkan diri terlebih dahulu, menjelaskan kekuatan Anda selama satu menit, dan terkadang menyebutkan secara singkat pandangan Anda tentang kekurangannya.
Sudahkah Anda berpartisipasi dalam magang yang relevan, proyek apa yang telah Anda lakukan, berapa banyak permainan yang telah Anda mainkan, dan posisi apa yang telah Anda mainkan? Berfokus pada permainan yang saya kenal, saya akan menjelaskan secara rinci prinsip-prinsip algoritma dan analisis hasil permainan. Jika saya memainkan permainan itu lagi di lain waktu, bagaimana cara meningkatkan peringkat saya. Apa keuntungan dari bermain game tersebut? Menurut Anda apa perbedaan antara industri dan penelitian ilmiah?
Gelar master 985 biasa, tetapi tanpa rekomendasi internal apa pun, saya mendapat tawaran magang musim panas Baidu CV
Tidak terlalu sulit, pewawancaranya sangat baik, ada tiga putaran wawancara, proyek berbasis resume, dan kemudian kami mulai memperluas.
Ringkasan: Saudara saya menyarankan untuk fokus pada penelitian beberapa algoritma yang mendasari, struktur data, pohon keputusan, dan metode implementasi algoritma pemrosesan gambar umum.
Ringkasan: Pada dasarnya semua pertanyaan di kedua sisi adalah tentang proyek, dan pertanyaan lainnya lebih fokus pada ide-ide Anda untuk memecahkan masalah dan menganalisis kesalahan dalam proyek Anda.
Ringkasan: Pewawancara relatif profesional dan tidak berpura-pura mengerti.
Penulis: teruskan ini melebihi saudari
Penulis: Shui Yi Shui
1. Jawaban perkenalan diri: Gelombang operasi rutin, informasi dasar + kemampuan teknis + soft power.
2. Ceritakan kepada kami tentang kompetisi atau proyek yang Anda ikuti? Jawaban: Poster tersebut berbicara tentang sebuah kompetisi.
3. Umumnya digunakan untuk model gambar apa? Jawaban: Poster tersebut mengatakan bahwa dia terutama menggunakan jaringan saraf dalam dan berbicara tentang sebuah proyek.
4. Model apa yang Anda ketahui tentang pembelajaran mendalam atau pembelajaran mesin? Jawaban: Poster asli menyebutkan resnet dalam proyek melalui deep learning. Dalam pembelajaran mesin, kompetisi umumnya menggunakan lgb dan xgb, dan ada juga yang menggunakan LR. Saya juga menggunakan lsmt, rnn dan sejenisnya pada kompetisi sebelumnya cocok untuk kompetisi semacam ini.
5. Basis data apa yang pernah Anda gunakan? Jawaban: Saya tidak banyak menggunakannya. Saya telah menggunakan database RDS AWS, tetapi saya telah mempelajari semua pernyataan SQL.
6. Sekarang ada tabel yang memungkinkan Anda menyisipkan dan memperbarui. Bagaimana cara menggunakan SQL untuk mengimplementasikannya? Jawaban: masukkan dan perbarui.
7. Apa yang baru saja Anda katakan adalah dua pernyataan. Bagaimana menerapkannya dengan satu pernyataan? Jawaban: Saya sempat blank dan benar-benar tidak memikirkannya. Pewawancara mengatakan mungkin Anda jarang menggunakannya. Saya menjawab ya, databasenya biasanya tidak besar, dan persyaratan jumlah pernyataannya tidak terlalu ketat.
8. Bahasa apa yang paling sering Anda gunakan? ular piton? Jawaban: Ya, saya baru-baru ini menggunakan Python, tetapi proyek yang baru saya ikuti sebenarnya dilakukan di C++.
9.Paket python apa yang paling sering Anda gunakan? Jawaban: Sklern, numpy, pandas, dan matplotlib untuk menggambar. Saya merasa lesu untuk beberapa saat dan tidak bisa memikirkan hal lain.
10.Untuk apa indeks panda digunakan? Jawaban: Datanya disesuaikan, yang agak mirip dengan kunci utama database (saya rasa saya tidak menjawabnya dengan baik, saya tidak tahu apakah pewawancara memperhatikannya...)
11. Pertanyaan apa yang Anda miliki untuk saya? Jawaban: Apakah posisi ini memerlukan skill engineering yang tinggi? Ataukah memerlukan kemampuan algoritmik yang tinggi? Pewawancara mengatakan bahwa Anda tidak perlu mengikuti saya. Saya hanya diatur untuk wawancara oleh kelompok. Kemudian pewawancara mengatakan bahwa algoritma tersebut tetap perlu diimplementasikan. Kemudian poster tersebut menanyakan pertanyaan lain, yaitu ketika melamar suatu posisi, saya menemukan ada dua departemen, yaitu grup departemen IT dan Meiyun Intelligent Data. Apakah ada perbedaan besar antara melakukan posisi ini di kedua departemen tersebut? Pewawancara menjawab sebentar. . .
Penulis: KeabadianY
Penulis: Xiaoan, lari! !
(1) Perbedaan WeChat Mini Program dan Vue (karena ada project pembuatan WeChat Mini Program)
(2) prinsip komunikasi vuex antar komponen Vue
(3) Fitur baru ES6 yang umum digunakan
(4) memetakan dan mengatur struktur
(5) Permintaan asinkron, Janji, dan Async menunggu
(6) Menggambar segitiga menggunakan prinsip ekuipartisi
(7) Gambarlah bentuk kipas
(8) Animasi implementasi animasi dan requestAnimationFrame
(9) Tahukah Anda tentang permintaan pengambilan Opsi pra-permintaan? Lintas domain
(10) keamanan web
(11) Seberapa besar piksel fisik dan piksel logis seperti 1 piksel pada layar?
(12) atribut ukuran kotak
(13) Perbedaan antara TCP dan UDP
(14) Apakah Anda memahami traversal pohon biner? Cara melakukan traversal dengan preorder traversal. . .
(1) Memperkenalkan proyek, Balabala banyak bertanya tentang kesulitan yang dihadapi (solusinya menggunakan setTimeout, sehingga Promise dan Async/await berikut diperpanjang)
(2) Beberapa fitur ES6 dan perbedaan antara metode array ES6
(3) Seperti apa nilai kunci dari struktur Set (tidak jelas)
(4) Apakah ada cara lain untuk menghapus duplikat array selain Set?
(5) Apa yang dimaksud dengan operasi asinkron? Janji dan Async/menunggu
(6) Gunakan Promise untuk merangkum permintaan Ajax dengan memanggil metode ini untuk mendapatkan data yang diminta melalui .then()
(7) Apa saja metode pengiriman permintaan? Seperti Ajax
(8) Lintas domain: Mengapa ada lintas domain? Apa kebijakan asal yang sama? Bagaimana cara mengatasi masalah lintas domain? Bisakah sumber daya dibagi antara domain induk dan subdomain?
(9) Pernahkah Anda mengerjakan proyek terminal seluler? (Saya sudah melakukannya tapi lupa) Bagaimana beradaptasi dengan terminal seluler
(10) Penggeser dan animasi terminal seluler (Saya menggali lubang untuk diri saya sendiri. Awalnya saya ingin membicarakannya dengan santai, tetapi ternyata mereka terutama berfungsi di terminal seluler) Cara mencapai efek menggeser ke atas untuk menampilkan halaman berikutnya tanpa menggunakan plugin wiper? Acara apa saja yang tersedia di perangkat seluler?
(11) Cara mendapatkan parameter url halaman
(12) Mekanisme delegasi acara
Faktanya, wawancara kedua terutama menanyakan pertanyaan berdasarkan apa yang telah Anda lakukan di resume Anda dan poin pengetahuan yang terlibat dalam jawaban Anda.
(1) Memperkenalkan proyek dalam hal latar belakang proyek, alasan pelaksanaan, dampak pelaksanaan dan masalah yang dihadapi. Setelah berbicara lama, saya merasa kehabisan kata-kata dan tidak bisa menjelaskan dengan jelas, jadi saya mengganti topik.
(2) Kapan Anda mulai belajar front-end, dan mengapa Anda selalu berpegang pada arah front-end.
(3) Hal lain apa yang Anda lakukan selama magang di Huawei?
(4) Apa yang Anda pelajari dari magang di Huawei? Peningkatan apa yang telah Anda lakukan terhadap kemampuan Anda sendiri?
(5) Mengapa mempelajari front-end dan pemahaman tentang front-end.
(6) Apa transisi dari magang sekolah ke perusahaan?
(7) Hal baru apa yang Anda pelajari sekarang? (Tidak, saya sedang melihat pengetahuan dasar) Lalu izinkan saya memberikan contoh pengetahuan dan skenario penerapannya.
(8) Mengapa ada tiga kerangka front-end utama? Masalah apa yang mereka pecahkan?
(9) Tekanan apa saja yang Anda hadapi dan bagaimana cara Anda melepaskannya?
(10) Kesulitan apa saja yang dihadapi dan bagaimana cara mengatasinya? ? (Minta saran rekan kerja) Bagaimana cara berkomunikasi dan meminta saran?
(11) Menurut Anda, kekurangan apa yang Anda miliki? Saya berbicara tentang kurangnya pengalaman praktis (sepertinya ini bukan hal yang baik)
(12) Konten baru apa yang telah Anda pelajari saat meletakkan fondasinya? Sintaks ES6, keamanan web. . . Lalu saya berbicara tentang keamanan web secara detail. Ditanya lagi: Serangan XSS sulit dideteksi. .
(13) Rencana karir masa depan
(14) Bahasa latar belakang apa yang pernah Anda pelajari?
(15) Apakah Anda pernah bertemu dengan perusahaan lain sebelumnya?
(16) Apakah Anda menerima tawaran lain sekarang?
(17) Bagaimana biasanya Anda mempelajari pengetahuan front-end?
(18) Apakah Anda punya waktu untuk magang? Tidak ada waktu, saya harus menulis esai akhir
(1) Menurut Anda apa prospek pengembangan front-end di masa depan?
(2) Ditanya tentang tumpukan departemen, bisnis, dan teknologi.
Tautan: https://www.nowcoder.com/discuss/231656
16.7.2019: Wawancara telepon mengganggu buff selama keseluruhan proses
1. Perkenalkan diri Anda
2. Perbedaan antara Python dan C++ (menjawab banyak fitur python)
3. Mengapa Python lambat?
Jawaban: Karena saya tidak mengetahui tipe datanya, saya perlu membuat penilaian saat mendapatkan datanya.
(1. Python adalah bahasa interpretasi yang dinamis; nilai-nilai dalam Python tidak disimpan dalam cache tetapi tersebar di objek.
2. Python adalah bahasa interpreter. Berbeda dari C++ dan Java, C++ dan Java keduanya merupakan bahasa kompilasi. Artinya, setelah menulis program Java, Anda harus mengkompilasi program sumber terlebih dahulu dan membuat file yang dapat dieksekusi dan file kelas. Setelah menulis program dengan Python, diserahkan ke interpreter, interpreter akan segera menerjemahkan baris kode pertama ke dalam kode mesin, kemudian menyerahkan baris kode ini ke CPU untuk dieksekusi, dan kemudian melanjutkan ke baris berikutnya, menerjemahkan baris kedua kode, dan kemudian menyerahkannya ke CPU untuk dieksekusi. Oleh karena itu, Python mengeksekusi lebih lambat daripada bahasa yang dikompilasi)
3. Buku apa yang sudah Anda baca (jawaban: pemrograman kinerja tinggi python)
4. Apa yang dimaksud dengan kebocoran memori? Kapan kebocoran memori terjadi?
Tidak dihapus.
(Ruang memori yang diterapkan secara dinamis tidak dilepaskan secara normal, tetapi tidak dapat terus digunakan. Memori tidak dilepaskan)
5. Apa istilah penutupan suatu program?
tidak tahu!
(Mungkin untuk menutup proses, tidak yakin)
6. Petunjuk dan referensi? Kapan menggunakan pointer dan kapan menggunakan referensi?
(Pointer tidak perlu diinisialisasi, tetapi referensi harus diinisialisasi dan tidak dapat diubah setelah diikat; perbedaan antara meneruskan pointer ke suatu fungsi dan meneruskan referensi ke pointer:
Saat meneruskan sebuah pointer, pointer tersebut akan disalin terlebih dahulu. Pointer yang disalin digunakan di dalam fungsi, maka pointer tersebut akan menunjuk ke alamat yang sama dengan pointer aslinya Akan mempengaruhi penunjuk asli;
Untuk referensi penunjuk yang lewat, jika penunjuk yang diteruskan menunjuk ke objek baru, maka penunjuk asli juga akan menunjuk ke objek baru, yang akan menyebabkan kebocoran memori, karena tempat yang ditunjuk oleh penunjuk asli tidak dapat lagi direferensikan, meskipun tidak ada Arahkan pointer yang diteruskan ke objek baru, tetapi lepaskan pointer ketika fungsi berakhir. Maka pointer asli tidak dapat lagi digunakan di luar fungsi karena memori asli telah dilepaskan)
7. Tahukah Anda struktur data tersebut?
Jawaban: Tumpukan daftar array tumpukan
8. Apa itu tumpukan?
Jawaban: Biasanya, kami hanya menggunakan array untuk mensimulasikan tumpukan. Kami tidak mengetahui struktur sebenarnya. Kami mengira ini adalah struktur data dalam keadaan node induk-anak (masalah frekuensi sangat tinggi, yang umumnya dialokasikan dan dilepaskan). oleh pemrogram. Jika pemrogram tidak melepaskannya, maka dapat diambil kembali oleh OS (sistem operasi) ketika program berakhir. Metode alokasinya mirip dengan pertumbuhan daftar tertaut ke atas. Tumpukan dibagi dan dibuka saat program sedang berjalan. dan kernel menemukan ruang yang cukup besar di sepanjang daftar tertaut untuk diberikan kepada program. , jika tidak ditemukan, hancurkan memori yang tidak berguna dan cari lagi. Untuk lebih jelasnya, silakan rangkum sendiri dan sering-seringlah meninjaunya , respons sistem, dll.)
9. Perbedaan antara tumpukan dan tumpukan
Tumpukan adalah ruang untuk menyimpan sesuatu. Disimpan di bagian terdalam dan keluar dari bagian terluar (masalah frekuensi sangat tinggi, dialokasikan saat fungsi sedang berjalan dan dilepaskan saat fungsi berakhir. Secara otomatis dialokasikan dan dilepaskan oleh kompiler untuk menyimpan variabel lokal yang dialokasikan untuk menjalankan fungsi. Parameter fungsi, data pengembalian, alamat pengirim, dll. dibuka ke bawah, dan kecepatannya sangat cepat. Jika kinerja lokal bagus, ia akan berinteraksi dengan register dan menyimpan PC pointer. Jika parameter fungsinya banyak, maka akan membentuk stack frame dan disimpan di stack)
10. Proses dan utas
(Masalah frekuensi sangat tinggi, saya membaca ringkasannya setelah memahami sistem komputer secara mendalam: 1. Proses adalah program yang hidup. Program hanyalah beberapa teks. Program yang berjalan adalah proses, yang merupakan unit dasar dari penjadwalan dan alokasi sumber daya dalam sistem. Kuasai sumber daya, termasuk memori, dll. Thread adalah proses yang ringan dan merupakan unit dasar penjadwalan dan pengiriman CPU. 2. Karena proses tersebut menggunakan sumber daya, tumpukan mendorong dan bermunculan menjadi lambat. Oleh karena itu, peralihan tidak fleksibel, dan thread tidak menggunakan sumber daya, tetapi hanya sumber daya yang diperlukan (rekursi memerlukan dorongan pada tumpukan, sehingga ada beberapa sumber daya), sehingga thread mudah untuk dikomunikasikan -> berkomunikasi langsung dalam memori yang dialokasikan oleh proses , mudah untuk konkurensi -> peralihan fleksibel, sama Kecepatan peralihan thread dari proses sangat cepat, sehingga overhead thread kecil 3. Ruang alamat, independensi proses, thread dari proses yang sama berbagi sumber daya, dan tidak bergantung pada thread dari proses lainnya)
Ringkasan setelah acara: Jelas saya gagal, saya sangat senang. Itu membuat saya memahami suatu masalah. Insinyur di bidang algoritma dituntut untuk menjadi kompeten.
bantuan pekerjaan rumah
90 menit per sisi
Kerjakan dua pertanyaan terlebih dahulu:
1. Temukan tiga angka dari array, dan selisih antara jumlah ketiga angka tersebut dan nilainya adalah yang terkecil.
Membutuhkan waktu O(n2) ruang O(1)
Metode penulisan saya adalah pengurutan + petunjuk ganda. Ini pertanyaan awal tentang leecode. Saya belum banyak menyikat leecode, tapi untungnya solusinya sama.
Minta penyortiran menggunakan penyortiran cepat
2. Senar A, B, dan B menempati barisan terpendek dari A (urutan terpendek dari A mencakup B)
Pewawancara dan saya sama-sama tertawa, karena operator irisan + in Python berakhir dalam empat baris, dan pewawancara juga tertawa, jadi kami sepakat untuk menulis sendiri fungsinya untuk langkah berikutnya.
Kekerasan memecahkan semua permasalahan yang ada
1. Pengenalan kompetisi Kaggle (dari EDA hingga akhir)
2. Apakah pohon dasar seperti ID3C4.5 merupakan pohon biner atau multipohon? Apakah fitur yang sudah dipotong akan dipotong lagi?
Fitur diskrit (jumlah diskrit> 2) adalah klasifikasi multi-cabang, dan kontinu adalah pemisahan biner. Kontinu dapat dipotong, tetapi diskrit tidak bisa. Untuk mengimplementasikan, pertama-tama buat koleksi, lintasi fitur, dan simpan Posisi perolehan informasi maksimal, lalu segmentasi fiturnya. Setelah segmentasi, hapus fitur ini dari kumpulan, sehingga fitur diskrit tidak lagi terpotong setelah dipotong. Untungnya, saya telah bereaksi. Fitur berkelanjutan dapat dipotong lagi , buka Lihatlah kode sumber pohon ID3 orang lain dan pohon lainnya)
3. Pengantar BN
(Ada banyak pertanyaan berfrekuensi sangat tinggi yang dapat diajukan. Inti dari pembelajaran mesin adalah mempelajari distribusi, terutama kehilangan logloss, yang setara dengan mengoptimalkan entropi silang, dan entropi silang digunakan untuk mengukur konsistensi distribusi. 1. Pra-pemutihan, pelatihan cepat, gradien saturasi kecil di kedua ujung sigmoid, BN dapat diskalakan ke wilayah linier 2. Pembelajaran distribusi, distribusi setiap lapisan akan bergeser ketika NN lebih dalam, dan distribusi terkompresi BN membuat distribusi setiap lapisan mendekati 3 yang sama, BN dapat dianggap sebagai tingkat perluasan data tertentu, dan datanya mengalami jitter. Perhatikan bahwa selama proses pelatihan BN, ingatlah bahwa batch saat ini dinormalisasi dan seluruh data dinormalisasi digunakan untuk prediksi, dan lapisan BN memiliki dua hyperparameter untuk dioptimalkan) 4. Pohon mana yang lebih dalam, GBDT atau RF?
RF dalam. Saya berbicara tentang ide boosting dan bagging. Boost menggunakan pembelajar varian rendah untuk menyesuaikan deviasi, sehingga XBG dan LGB memiliki pengaturan parameter untuk kedalaman pohon. RF adalah varian yang sesuai. Ini memotong sampel dan fitur untuk membuat kumpulan sampel yang beragam, dan setiap pohon bahkan tidak dipangkas.
5. Bagaimana pentingnya fitur XGB dinilai?
Jawaban: Tidak yakin, tapi ini banyak digunakan. Saya kira itu berdasarkan jumlah titik pisah (jumlah kemunculan di semua pohon).
(gain Gain berarti kontribusi relatif dari fitur terkait terhadap model yang dihitung dengan mengambil kontribusi masing-masing fitur untuk setiap pohon dalam model. Nilai yang lebih tinggi dari ukuran ini dibandingkan dengan fitur lainnya berarti penting untuk menghasilkan Peramalan lebih penting .
cover Metrik cakupan mengacu pada jumlah relatif observasi yang relevan dengan fitur ini. Misalnya, jika Anda memiliki 100 observasi, 4 fitur, dan 3 pohon, dan katakanlah fitur 1 digunakan untuk menentukan node daun untuk 10, 5, dan 2 observasi di pohon 1, pohon 2, dan pohon 3, maka metrik ini akan dihitung; cakupan fungsi ini sebagai 10 5 2 = 17 observasi. Ini akan dihitung untuk keempat fitur dan akan mewakili metrik cakupan untuk semua fitur dengan persentase 17.
frekuensi freq (frekuensi) adalah persentase yang mewakili frekuensi relatif suatu fitur tertentu muncul di pohon model. Pada contoh di atas, jika fitur1 terjadi dalam 2 pemisahan, 1 pemisahan, dan 3 pemisahan pada masing-masing pohon 1, pohon 2, dan pohon 3, maka bobot fitur 1 adalah 2 1 3 = 6. Frekuensi fitur 1 dihitung sebagai persentase bobot terhadap bobot semua fitur. )
6. XGB mudah untuk memahami regresi dan klasifikasi binernya.
Sambil ngobrol dan ketawa, saya jawab encode label di awal, pakai onehot+softmax, tapi caranya pas tiap pohon satu langkah sebelum softmax. Saya benar-benar tidak mengetahui hal ini. Pewawancara mendorong saya untuk berbicara tentang tiga kategori, apakah akan membangun 100 pohon atau 300 pohon.
Pewawancara mengatakan untuk membangun 300 pohon, memasukkan tiga kategori, dan kemudian softmax.
(Setelah onehot, label masukannya adalah vektor, dan sekelompok pohon diintegrasikan untuk setiap titik prediksi dalam vektor)
55 menit untuk kedua sisi
1. Izinkan saya bertanya dulu apakah Anda mengambil jurusan NLP.
Tidak, dalam kaitannya dengan algoritma, kita berbicara tentang proyek laboratorium dan menggunakan algoritma NN pada banyak gambar.
2. Tiga pertanyaan
Pertanyaan 1: Bilangan terbesar ke-K
Tiga metode dibahas
Metode 1: Kompleksitas analisis heap sort adalah O(Nlogk) (analisisnya benar)
Metode 2: Kompleksitas analisis biner quick sort adalah O(N)
Metode 3: Menyortir kompleksitas analisis tabel pencarian (NLogN)
Syaratnya O(N), jadi saya pakai quick sorting untuk dua poin. Kata pewawancara, quick sorting bisa mengatasi masalah ini? Namun penyortiran cepat adalah yang tercepat (yang saya tahu) dan merupakan kompleksitas O(N) yang diperlukan.
(Setelah mencari di Baidu, penyortiran cepat dan hashing adalah yang tercepat, sedangkan sisanya tidak cepat)
Saya menulis kode Python dengan tangan, tetapi saya tidak tahu apa yang salah dalam kompilasi. Jadi saya mengatakan bahwa pertanyaan -pertanyaan berikut harus ditulis dalam C ++ (ini masalahnya sangat serius. Saya tidak dapat menemukan bug selama wawancara, jadi saya harus berhati -hati tentang Python dan pastikan itu bebas bug, kalau tidak saya akan selalu gunakan c ++)
Pertanyaan kedua:
Lantai N 3, papan 1 3, beberapa pengaturan
dp [n] = dp [n-1]+dp [n-3]
Pertanyaan 3:
Probabilitas yang sama 1-7
Buat probabilitas yang sama 1-10, analisis jumlah panggilan yang diharapkan 1-7
7 basis, hubungi dua kali untuk menghasilkan 0-48, lalu memotong 40 dan di atas 40 dan kemudian // 4 1
Harapannya tidak mudah dihitung.
Memikirkannya, mungkin pewawancara berada di bawah tekanan, jadi saya mempertanyakan penyortiran cepat. . Seharusnya tidak ada masalah dengan tingkat pewawancara (PS: jangan berpikir bahwa kemampuan pewawancara tidak baik, sebagian besar pewawancara baik dalam hal itu) terima kasih
Sangat efisien, saya melakukan wawancara satu hari setelah mengirimkan resume saya.
Wawancara pertama berjalan dengan sangat lancar, dan wawancara kedua berlangsung seratus menit.
Satu sisi: Sangat halus sehingga saya tidak merekam apa pun di buku catatan saya. Pertanyaan pertama LIS: Saya bahkan tidak bertindak. n^2) Cara menulis. Saya lupa pertanyaan kedua, jadi saya mengakhiri kedua sisi dalam satu menit: mereka semua adalah pertanyaan terbuka, tidak ada jawaban standar, durasinya 100 menit, dan kontennya terutama tentang skenario dan kompetisi rekomendasi aktual? , Saya berbicara tentang pekerjaan saya di setiap tahap, dan pekerjaan saya di setiap tahap. (Benar, apa yang ingin didengar pewawancara mungkin adalah pekerjaan saya di berbagai tahap, masalah yang saya temui, pemikiran dan solusi saya untuk masalah) Bagaimana menurut Anda Anda mengukur kepuasan pengguna dengan hasil pencarian? Selatan. Saya terlalu selatan. Tapi saya berbicara tentang waktu koneksi TCP, penyaringan waktu kebisingan sesuai dengan adegan, seperti adegan video menggunakan waktu persentil panjang video, efektivitas detik ke belakang, dll. Pewawancara dapat puas dengan ini. Lalu saya memeras otak saya dan tidak bisa memikirkan fitur bagus lain, jadi saya hanya menggunakan fitur lemah, seperti korelasi Quary dan sebagainya. Pewawancara tidak puas karena hal -hal ini terutama menunjukkan minat pengguna daripada kepuasan. Menurut Anda bagaimana kita bisa menyelesaikan masalah mendorong hasil pencarian baru? Jawaban: Hasil pencarian baru harus memiliki riwayat dorong 0 dan tidak ada referensi, tetapi kami tidak tahu apa kualitasnya. Jadi dia secara acak mendorongnya ke sejumlah kecil pengguna untuk promosi. Saat mempromosikan, perhatikan fenomena meningkatkan tarif klik-tayang, filter, bla bla bla. Pewawancara sangat puas. Apa pendapat Anda tentang adegan dan model? Saya pribadi sangat memperhatikan adegan itu, mulai dari pengalaman penelitian ilmiah saya sendiri, berbicara tentang pengenalan buku semangka, dan menceritakan perjalanan mental saya yang lengkap. Pewawancara bisa dipenuhi. Saya lupa beberapa pertanyaan, ada begitu banyak yang saya kehilangan suara setelah membicarakannya, tetapi bimbingan pewawancara benar -benar informatif Dan keraguan tentang kehidupan. Ketika pewawancara mengkritik saya seperti ini, saya ingin pergi ke Baidu karena dia menaklukkan saya.
Tidak ada rekomendasi internal, dan resume yang ditulis langsung di situs web resmi tampaknya diwawancarai dalam 1 atau 2 hari, tetapi. . Awalnya perusahaan favorit saya, tetapi sekarang tidak lagi. Perekrutan Sekolah Tencent
Departemen yang dimaksudkan TEG Call secara langsung: Posting Penelitian
Perkenalkan diri Anda dan bicarakan proyeknya
Apakah Anda tertarik dengan bagian kami: Bidang Keamanan Deteksi Log Departemen
saling mengerti
Kami mengadakan pertemuan, mari kita lanjutkan mengobrol di lain waktu
Pukul 10: Lanjutkan berbicara tentang apa yang kita bicarakan terakhir kali
Seluruh proses relatif santai dan menyenangkan
Pertemuan kedua sudah berakhir, tetapi statusnya masih bahwa pertemuan kedua akan diatur. . .
Diskusikan dengan pewawancara cara menggunakan metode pembelajaran mesin untuk menangani deteksi log yang berbahaya. Meninjau pengetahuan utama yang dipelajari sejak awal juga dianggap sebagai refleksi diri. Pengalaman yang lebih menonjol yang dapat diperoleh di sini adalah bahwa banyak departemen masih fokus pada pembelajaran aturan dan memiliki persyaratan interpretabilitas yang kuat untuk situasi klasifikasi pembelajaran mesin. Oleh karena itu, model dengan interpretabilitas yang baik seperti model pohon dan LR sangat populer. Tetapi pada akhirnya pewawancara "berterima kasih" saya, mungkin menyiratkan bahwa saya gagal, Sang Xin
Saya diberitahu bahwa saya mendapat A pada 3 setengah dari lima pertanyaan dalam ujian tertulis, dan skor saya baik -baik saja, tetapi departemen mengunci resume saya. . .
Saya memberi tahu kedua belah pihak, dan setelah beberapa menit, mereka mengobrol dengan santai dan mengatakan mereka akan terus bertemu pada bulan September.
Proses saat ini sudah berakhir dan saya merasa nyaman Berapa banyak orang yang saya butuhkan untuk merekrut EMM ~
Pinduoduoduo surat terima kasih
Satu sisi:
perkenalkan dirimu
Pengantar proyek penelitian ilmiah
Pendahuluan Kompetisi Kaggle
PENDAHULUAN TENCENT PENGANTAR
Pernahkah Anda menggunakan RNN?
Sudahkah Anda menggunakan LR?
Perbedaan antara XGB dan LGB:
Saya hanya memikirkan tiga poin, penyortiran fitur, segmentasi fitur, histogram, dan penyortiran penuh.
Dia mengatakan bahwa mereka memiliki lebih banyak kesamaan dan menyebutkan kecil. XGB tidak lebih rendah dari LGB, tetapi penyesuaian ginseng tidak mudah ditangani, dan LGB sangat cepat
(
1) Kecepatan pelatihan yang lebih cepat dan efisiensi yang lebih tinggi: LightGBM menggunakan algoritma berbasis histogram.
2) Akselerasi Perbedaan Histogram: Histogram simpul anak dapat diperoleh dengan mengurangi histogram simpul saudara kandung dari histogram simpul induk, sehingga mempercepat perhitungan.
3) Penggunaan memori yang lebih rendah: Menggunakan nampan diskrit untuk menyimpan dan mengganti nilai kontinu menghasilkan lebih sedikit penggunaan memori.
4) Akurasi yang lebih tinggi (dibandingkan dengan algoritma peningkatan lainnya): ia menggunakan metode pemisahan daun-bijaksana (memilih node dengan laba split terbesar di antara semua node daun saat ini untuk pemisahan, dan sebagainya secara rekursif. Jelas bahwa bijaksana daun bijaksana daun Metode ini mudah diatasi, karena mudah untuk jatuh ke kedalaman yang relatif tinggi, sehingga perlu untuk mengukur kedalaman maksimum. (Untuk menghindari overfitting), yang menghasilkan pemisahan tanpa pandang bulu pada semua node di setiap lapisan. yang merupakan faktor utama dalam mencapai akurasi yang lebih tinggi. Namun, kadang-kadang dapat menyebabkan overfitting, tetapi kita dapat mencegah overfitting dengan mengatur parameter | Max-Depth |
5) Kemampuan pemrosesan data besar: Dibandingkan dengan XGBoost, karena pengurangan waktu pelatihan, ia juga dapat memiliki kemampuan untuk memproses data besar.
6) Mendukung pembelajaran paralel.
7) Sampling lokal: Mempertahankan sampel dengan gradien besar (kesalahan besar), dan sampel sampel dengan gradien kecil, sehingga mengurangi jumlah sampel dan meningkatkan kecepatan komputasi.
)
Untuk pertanyaan terkait kode, tanyakan saja pada pewawancara untuk memilih C ++ atau Python.
Pilihan saya adalah Python.
Ada potongan catur di papan catur.
dp [i] [j] = maks (dp [i-1] [j], dp [i] [j-1])
Jika catur [i] [j] == 'catur':
dp [i] [j] = 1
Ermian: Saya kira itu keren, bukan jawaban yang bagus.
Pewawancara lain dengan bufah built-in mengacaukan pemikiran saya.
1. GBDT dan XGB
(GBDT, XGB, dan LGB harus dikuasai dalam semua proyek yang disebutkan)
2. Bn, putus sekolah
(Dropout dapat digunakan sebagai trik alternatif untuk melatih jaringan saraf yang dalam. Di setiap batch pelatihan, dengan mengabaikan setengah dari detektor fitur (biarkan setengah dari node lapisan tersembunyi memiliki nilai 0, tentu saja "setengah" ini adalah Hyperparameter, mengaturnya sendiri) dapat secara signifikan mengurangi fenomena overfitting.
Dropout berarti: Selama propagasi ke depan, kami membiarkan nilai aktivasi neuron tertentu berhenti bekerja dengan probabilitas tertentu p. Ini dapat membuat model lebih digeneralisasikan karena tidak akan terlalu bergantung pada karakteristik lokal tertentu.
Bahkan, ini adalah strategi mengantongi untuk membangun kombinasi subnet. )
3. Mengapa Anda tidak menggunakan LR terlebih dahulu (mengapa menggunakan LR begitu mudah?) Menggunakan LR untuk dua klasifikasi dan penumpukan cukup baik, tetapi LR selalu merasa bahwa ekspresinya tidak cukup, dan efeknya mungkin rata -rata jika fiturnya adalah fiturnya lebih tebal. 4. Bagaimana cara melakukan fitur kompetisi Tencent? Bucketing lebih genap. Fitur kontinu dilintasi. 5. Apakah Anda tahu AUC?
Saya tidak tahu bagaimana menghitungnya.
(Tidak ada yang namanya AUC untuk regresi)
6. Mana yang lebih cepat untuk dikembangkan, tumpukan atau menumpuk?
MMP benar -benar bertentangan dengan apa yang dia katakan, dan butuh waktu lama untuk menyadari apa yang dia katakan. Apa yang saya bicarakan adalah bahwa tumpukan dialokasikan selama kompilasi, jadi tidak perlu memperluas atau mengecilkan apa pun. jawaban yang salah)
7. Overloading dan penulisan ulang
(Perhatikan bahwa penulisan ulang adalah penulisan ulang fungsi virtual. Saya menjawabnya salah pada saat itu. Yang disebut kelebihan berarti bahwa daftar parameter fungsi dengan nama yang sama berbeda. Fungsi akan diganti namanya selama kompilasi. Faktanya , mereka tidak lagi memiliki nama yang sama saat berjalan; )
8. Cara menggunakan data besar untuk menemukan 100 item belanja paling populer
Bangun tumpukan meja hash kecil
9. Cara membuat lapisan bawah peta
Saya bilang saya belum melihat kode yang mendasarinya. (Ngomong -ngomong, saya tidak pernah tahu ada yang namanya peta. Saya baru saja membuat tabel hash dengan tangan. Saya berencana untuk melihat analisis kode sumber STL ketika saya punya waktu)
(Pohon merah-hitam yang mendasarinya, Struktur Data Pencarian O (N), Penyisipan dan Penghapusan)
Adapun kompleksitas indeks, saya katakan, log (n). Tiba -tiba saya menyadari bahwa indeks adalah pohon biner.
10. Apakah ada O (1) satu? Tiba -tiba saya sadar bahwa ada meja hash setelah saya menyeka.
Apa yang harus dilakukan jika ada konflik tabel hash
Dijawab oleh Zip Heavy Hash saat ini 1
(Masalah frekuensi tinggi yang sama, ritsleting: daftar tertaut, konflik berada di akhir daftar yang ditautkan; deteksi: deteksi linier, deteksi sekunder, seperti nilai saat ini 1; hambatan ulang: beberapa fungsi hash)
Sebenarnya, saya tidak pandai STL. Saya tidak suka menggunakan fungsi perpustakaan STL, yang membuat saya tidak terlalu pandai di STL. Tunggu beberapa waktu untuk membaca gelombang analisis kode sumber STL.
Mogujie
Pengalaman wawancara sangat bagus, wawancara pertama dan kedua berjalan dengan sangat lancar, dan SDM sangat bagus. Ketika saya menerima pemberitahuan wawancara untuk pertama kalinya, ketika saya membuka tautan, itu adalah antarmuka memiliki waktu wawancara, kotak yang dapat diedit, tombol OK dan tombol Ganti. Prompt berbunyi: Jika Anda mengklik OK, waktu tidak dapat diubah. Saya tidak berani mengklik tombol berhenti, jadi saya menelepon HR dan bertanya, dan mereka mengatakan bahwa saya bisa menyerah pada saat yang saya inginkan. Selama wawancara kedua, prompt di kotak ini diubah menjadi, jika Anda mengklik OK, waktu tidak dapat diubah. Saya merasa bahwa SDM benar -benar baik, jadi saya dengan panik menyatakan kepuasan, dukungan, dan penghargaan saya untuk pekerjaan SDM selama wawancara kedua. Jadi saya merasa bahwa jika wawancara SDM telah berlalu, satu -satunya yang tersisa adalah wawancara silang.
Tapi saya mengatakan yang sebenarnya, saya sangat menyukai HR mereka.
Perkenalkan diri Anda, dua pertanyaan
Kursus pertama:
Bilangan prima terbesar dalam 1000
Telah dikatakan bahwa Python dapat menerapkan generator bilangan prima dan metode penyaringan dalam ruang O (1), tetapi belum ditulis, dan tidak akan ditulis jika tidak ada persyaratan. ke urutan dari besar ke kecil.
Analisis kompleksitas, bagaimana mengurangi kompleksitas? Cari dari atas ke bawah, mulai dari 999 dan turun, berhenti ketika ditemukan, -2 setiap kali. Penilaian bool, mulai dari 2 ke nomor root x, semua modulo, non-0 akan melompat ke false. Tapi sepertinya pewawancara tidak tahu Python? Jadi saya beralih ke C ++ untuk pertanyaan berikutnya.
Kursus kedua:
Menerapkan divisi tanpa divisi sangat sederhana
Perhatikan bahwa dalam tulisan saya, ABS (angka negatif) di C ++ dapat meluap, tetapi tidak masalah bahwa kecepatan A lebih penting selama wawancara.
Selama tes tertulis, saya hanya mempersiapkan optimasi biner dan topik berikutnya muncul.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48
#include <iostream>
using namespace std;
int jianfa(int num1,int num2)
{
int re = 0;
bool fuhao = false;
if ((num1<0 && num2<0) || (num1>0 && num2>0))
{
fuhao = true;
}
num1 = abs(num1);//小心溢出
num2 = abs(num2);//小心溢出
if(num2==0)
{
cout<<"div zero error"<<endl;
return 0x3f3f3f3f;
}
if(num1<num2)
return 0;
int tmp=1;
while(num1>num2)
{
tmp*=2;
num2*=2;
}
num2/=2;
tmp/=2;
while(num2)
{
if(num1>=num2)
{
num1-=num2;
re =tmp;
}
num2/=2;
tmp/=2;
}
if(fuhao)
return re;
else
return -re;
}
int main() {
int num1,num2;
cin>>num1>>num2;
cout<<jianfa(num1,num2);
return 0;
}
Tanya banyak, banyak pertanyaan:
Saya tidak ingat beberapa dari mereka dan telah kehilangan ingatan saya. .
1. Mengapa Anda tidak memiliki pengalaman magang?
Poin pertama adalah bahwa guru tidak mengizinkan saya mencari pekerjaan. (Ini adalah kebenaran. Hari ini guru berkata kepada teman sekelas lain, apakah Anda sudah menemukan pekerjaan? Jika Anda menemukan pekerjaan tetapi tidak bisa lulus, apakah Anda pikir pekerjaan Anda sia -sia ...)
Poin kedua adalah bahwa untuk terpapar rekayasa aktual, saya berpartisipasi dalam kompetisi selain penelitian ilmiah, bla bla bla. Pewawancara bisa dipenuhi.
2. Apakah Anda pernah menggunakan LR?
diperlukan
3. Apakah LGB lebih baik dari XGB?
Langsung memperkenalkan perbedaan antara keduanya
4. Apakah L1 dan L2 berbeda? Mengapa L1 bisa jarang?
Dari sudut pandang distribusi matematika, satu adalah distribusi Laplace dan yang lainnya adalah distribusi Gaussian; saya juga menjelaskan secara grafis mengapa L1 dapat jarang, dengan lingkaran dan belah ketupat, dan mudah untuk berpotongan pada poros. Teknik berbicara tentang perkiraan derivasi L1 dan optimasi dalam interval 0 dan di luar interval. Maka L2 relatif sederhana untuk diturunkan secara langsung.
5. Pelajar mana yang cembung dan superior?
LR Sigmoid Logloss adalah cembung. Regresi linier, optimasi cembung kuadrat terkecil. SVM adalah cembung dan superior. NN jelas bukan cembung karena sering bertemu ke titik pelana. PCA memiliki solusi matematika yang tak terhitung jumlahnya, tetapi menggunakan nilai eigen bisa mendapatkan solusi yang optimal.
(Perhatikan bahwa kehilangan kuadrat sigmoid bukanlah optimasi cembung)
6. Bagaimana Anda mengukur kepentingan fitur, seperti kombinasi dan penghapusan fitur, dan bagaimana Anda menyesuaikan parameter?
Jawaban: Gunakan embatan silang satu-satunya untuk kombinasi fitur. Kombinasi itu tergantung pada distribusi yang sebenarnya. .
Penghapusan fitur dan aspek -aspek lain mengingatkan saya pada langkah -langkah pemutaran fitur dari bos Kaggle tertentu.
Sesuaikan parameter:
Langkah pertama adalah parameter leluhur. Misalnya, kedalaman model pohon, frekuensi pengambilan sampel, dll. Ini terutama didasarkan pada pengalaman.
Langkah kedua adalah menyesuaikan parameter, seperti mencoba fitur baru.
7. Berapa banyak fungsi aktivasi yang Anda ketahui?
Saya bilang saya tidak akan menyebutkan Sigmoid Tanh Relu yang paling sederhana.
8. Apa itu titik pelana?
Mengapa saya mengatakan ini dengan sangat bodoh, dan kemudian saya mengatakan saya telah melupakannya, tetapi itu jelas bukan titik optimal lokal.
(Lebih baik dipahami dengan gambar titik pelana. Perhatikan bahwa satu arah adalah ke atas, sehingga mudah untuk meluncur dari atas ke titik pelana pada slide. Arah lainnya ke bawah, sehingga Anda dapat turun pada turunnya turun Geser, gradien di sini di titik pelana adalah 0, yang datar. titik) Dalam persamaan diferensial, titik tunggal yang stabil dalam satu arah dan tidak stabil di arah lain disebut titik pelana.
Titik kritisnya disebut titik pelana. Dalam matriks, angka yang memiliki nilai maksimum di barisnya dan nilai minimum di kolomnya disebut titik pelana. Dalam fisika, lebih luas dan mengacu pada titik di mana nilai maksimum berada dalam satu arah dan nilai minimum berada di arah lain.
Secara umum, kurva, permukaan, atau hypersurfaces di lingkungan titik pelana dari fungsi halus (kurva, permukaan, atau hipersurface) semuanya terletak di sisi garis singgung yang berbeda ke titik ini. )
Izinkan saya bertanya apakah Anda pernah menggunakan RNN.
Jawaban: Efek RNN dari proyek, menganalisis apakah RNN tidak baik dalam proyek, dan efek tahap awal RNN dalam kompetisi (efek tahap awal adalah yang terbaik)
Apakah Anda pernah menggunakan Gru? Mengapa LSTM dapat mengingat memori jangka panjang?
Jawaban: Gru telah digunakan sekali. Gerbang memori yang digunakan memastikan transmisi memori jangka panjang.
9. Apa perhatiannya?
Jawaban: Saya sebutkan sebelumnya bahwa saya telah menggunakan perhatian, tetapi saya hanya menggunakannya sebelumnya dan tidak tahu prinsipnya.
(Sebagai adjuster ginseng, saya telah mencoba berbagai jaringan, tetapi saya masih tidak begitu mengerti sifat perhatian. Perhatian adalah yang Anda butuhkan?)
10. Mengapa putus sekolah mencegah overfitting?
Dari perspektif mengantongi, NN adalah pelajar dengan penyimpangan kecil dan varian besar.
11. Penyaringan Kolaboratif:
Dia bilang dia memahaminya tetapi tidak pernah menulis kode.
(Penyaringan kolaboratif, saya merasa bahwa jika seorang siswa terutama terlibat dalam penelitian ilmiah, masih sulit untuk berhubungan. Jika Anda tertarik, Anda dapat mengetahuinya, terutama ketika datang ke insinyur rekomendasi produk e-commerce, itu benar masih mudah ditanyakan)
12. Apa yang digunakan untuk memperkirakan CTR?
Ketika saya berbicara tentang LR dan FM, saya memiliki kode tertulis.
13. Untuk apa Mogu Street?
Jawaban: Menjual pakaian. Jadi dia memperkenalkan Mogujie untuk menjadi e-commerce dan streaming langsung. (Saya hampir tertawa ketika mendengar siaran langsung. Saya tidak bisa menahannya lagi, jadi saya merasa senang tidak dapat dijelaskan. Kemudian ketika dia melihat bahwa saya tidak bisa menahannya lagi, dia dengan cepat mengatakan bahwa siaran langsung saat ini sedang dilakukan saat ini Modul dengan pertumbuhan tercepat di Mogu Street)
Itu berjalan dengan baik, saya tidak kode, karena saya tidak punya cukup waktu untuk bertemu selama setengah jam.
Ada implementasi perangkat lunak yang lengkap dalam proyek saya, dan bagian utama yang saya bertanggung jawab untuk melebihi 10.000 baris kode.
Bahkan, saya dapat melakukan sebagian besar pengkodean manual normal (kecuali untuk string, yang merupakan kelemahan saya).
Memperkenalkan proyek dan berbicara tentang detail proyek
Dalam proyek ini, kombinasi fitur di bidang pengkodean semuanya adalah XOR, jadi menggunakan Relu BN untuk mengekstrak fitur, BN benar -benar merupakan peningkatan besar.
Bicara tentang prinsip, formula, dan implementasi BN
(Anda dapat memeriksa kode sumber BN, tidak lama)
Mengapa menggunakan BN untuk mengompres bagian positif dari peta setelah XOR, bukan sesuatu (tidak mendengar dengan jelas)?
Saya menyebutkan bahwa lapisan BN juga dianggap sebagai ekspansi data, dan lapisan bn menggembar -gemborkan aliran pengkodean dengan hanya 0 dan 1, sehingga gradien dapat diubah dan optimalisasi lebih baik (pembelajaran mesin hanya layak untuk dua poin, yang kedua Poin itu masalah optimisasi)
Mengapa Menggunakan CNN? Kemudian pewawancara memperkenalkan hal lain (embedding) di bidang rekomendasi.
Jawaban: (Sebenarnya, saya tahu tentang penyematan karena seorang teman yang berpartisipasi dalam kompetisi memainkan NFM. Lapisan pertama adalah lapisan penyematan.) Jawaban saya bias terhadap adegan, karakteristik di bidang pengkodean: hanya korelasi lokal, waktu- invarian. Oleh karena itu, tidak baik menggunakan CNN untuk melakukan embedding terkait secara global. Fitur dalam rekomendasi jarang setelah diskritisasi, dan fitur-fitur itu sendiri mungkin memiliki informasi interaktif tingkat tinggi, sehingga pemetaan ke vektor laten akan lebih baik. Ini ditentukan oleh adegan. (Saya juga memperkenalkan mengapa ResNet lebih baik untuk gambar, tetapi dalam pengkodean, kinerja jaringan penyesuaian parameter ekstrem dua lapis saya melebihi jaringan residual. Faktanya, semuanya ditentukan oleh adegan)
Pewawancara adalah kesempatan besar!
Perkenalkan diri Anda, maukah Anda datang ke Mogu Street? Dialog sebelumnya sangat halus, terutama karena saya memperkenalkan permainan saya sendiri, dari awal hingga akhir, latar belakang permainan, perjalanan mental di tengah, dan pemrosesan terakhir. Ujian pertama dan kedua berjalan dengan lancar, dan dua ujian pertama juga berjalan lancar. Kalau tidak, jalan Mogujie saya akan stabil.
Diberikan aliran tanda kurung, temukan pasangan yang cocok dengan legal berturut -turut 1 di string s = '(()) (() () () ()' Outputnya adalah 3. DP saya di bawah ini tampaknya memiliki 0 ekstra di awal? Jadi saya hanya mengatakan bahwa saya tidak pandai string. Pemrograman dinamis dapat dilakukan, yang merupakan kekuatan saya. Di bagian bawah. = ')' Saya pikir inputnya dimasukkan, tetapi pembacaan S yang sebenarnya harus kosong. Nani? 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 25 26 27 28 29 30 31
#s = input()
s = '(())(()()()'
#s = '(())(()'
re = []
dp = [0]
for i in s:
if not re:
re.append(i)
dp.append(0)
else:
if i=='(':
re.append(i)
dp.append(0)
else:
if re[-1]=='(':
re.pop()
dp.append(dp.pop()+1)
else:
re.append(')')
dp.append(0)
print(re)
print(dp)
m = 0
cur = 0
for i in dp:
if i!=0:
cur+=i
m = max(cur,m)
else:
cur = 0
print(m)
输出：
['(']
[0, 0, 2, 0, 1, 1, 1]
3
Saat mengajukan pertanyaan pada akhirnya, pewawancara mengatakan sesuatu yang sangat baik. Secara umum, kita hanya perlu mengurutkan sebagian besar, tetapi dalam beberapa kasus iklan penawaran, kita harus memberikan perkiraan yang akurat sehingga kita dapat membagi uang dengan mudah. Misalnya, tarif klik-tayang, CTR atau kombinasi lainnya, pendapatan harus dihitung berdasarkan peringkat ini. Selain itu, dalam pencarian yang disarankan, bos juga memperkenalkan beberapa hal terkait. Dengan kata lain, hal -hal yang diingat mungkin terlalu berulang, atau perlu disaring (misalnya, itu tidak cocok untuk anak -anak, dan semua orang gila, yang tidak baik), jadi bagaimana penyaringan dilakukan? Dan jika Anda merekomendasikan kepada orang tertentu, salah satu cara adalah mengirim orang banyak tanpa membuat fitur, karena ketika Anda mendorong ke orang tertentu, orang ini setara dengan semua iklan atau rekomendasi lainnya, sehingga Anda dapat berinteraksi dengan orang ini untuk menjadi ingat dan mengurutkan. Akhirnya, saya bertanya tentang usia rata -rata perusahaan, karena saya pribadi peduli tentang hal ini. Pewawancara mengatakan kepada saya untuk tidak dibebani. 5 tahun. Kuat, tampan, dan kuat), dia lebih mendukung saya berhenti setelah bekerja selama dua tahun. Selain itu, ia mengatakan bahwa Mogujie adalah platform berukuran sedang dengan manfaat unik. Aliran data dapat menggunakan banyak model. Perusahaan. Saya menerima pemberitahuan dari SDM dan meminta untuk menunggu pewawancara datang ke sekolah atau pergi langsung ke perusahaan untuk wawancara.
1.Tentroduce diri Anda
Saya tidak punya banyak hal untuk ditawarkan.
Saya berbicara tentang perangkat lunak penelitian ilmiah yang saya tulis.
Ketika saya memperkenalkan diri, saya menyebutkan bahwa saya suka bermain game (saya biasa bermain versi bajakan, tetapi sekarang saya bermain asli, dengan level uap 50 atau lebih, dan kemudian permainan hampir 100)
(Saya telah belajar beberapa pengembangan back-end sendiri, dan saya tidak membutuhkan python untuk hiburan timbal balik)
2. Game apa yang biasanya Anda sukai?
Saya telah melakukan penelitian ilmiah baru -baru ini dan belum bermain game. Saya dulu suka bermain Zelda, Dark Souls, Monster Hunter, dll.
3. Apakah Anda pernah memainkan game Netease?
Onmyoji dan Hearthstone
4. Mari kita bicara tentang Hearthstone?
Saya dulu sangat suka bermain Hearthstone, terutama karena saya suka paket pembuka (pewawancara tertawa), dan saya menghabiskan banyak uang di Hearthstone karena saya bersedia mendukung permainan jika saya menyukainya. Keuntungan dari Hearthstone adalah kompetitif, dan juga merupakan permainan kartu, jadi menarik dalam dirinya sendiri, dan setiap permainan acak, sehingga pengalaman setiap kalimat berbeda. Poin lain adalah menyimpan koin emas untuk membuka paket. Dengan cara ini, Anda akan memiliki pengalaman baru setiap saat dan mempertahankan pengguna.
5. Tiga pertanyaan, relatif sederhana, Anda perlu menulis kasus tes
Tangan merobek berhasil, dan kode menulis relatif cepat.
Dua poin untuk pertanyaan pertama
Kompilasi yang ditulis dalam Python melaporkan kesalahan.
Empat kondisi batas pembagian dibahas
Dua jenis pengembalian ST dan EN sesuai dengan batas pencarian yang dikembalikan, data [mid] <nilai dan <= nilai, dan kedua jenis sesuai dengan batas atas dan bawah.
共四种，然后说四种情况对应，每种的取值范围返回st，返回的取值范围是0到数组长度,返回en，则是-1到数组长度-1 st和en含义不一样，这个最好自己写写理解一下（更新了一下lower_bound的理解，解释了为什么返回值范围是0到len(data) PS：标准库返回的是迭代器位置，是一个指针，我这里从元素的位置概述。 lower_bound 返回数组大于等于value的第一个位置，假如数组中所有元素均小于value，返回尾部迭代器len(data)，第一个元素大于等于value，返回0 （第一个元素大于等于value，则所有元素大于等于value，则返回0） 从定义看，这样定义就不可能返回负1。 找身边的跳动大佬讨论了一下，应该没写错了，有误请指正呀。 upper_bound返回大于value的第一个位置。同理，理论上返回值就不包含-1。 标准库的写法里，返回的是st。 加入返回的是en呢，那么返回的含义是什么呢？即返回的st情况-1 lower_bound :返回大于等于value的第一个位置lower_bound_en：返回小于value的第一个位置
upper_bound:返回大于value的第一个位置upper_bound_en：返回小于等于value的第一个位置1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 def lower_bound(data,value): st = 0 en = len(data)-1 mid = st+((en-st)>>1) while(st<=en): if data[mid]<value: st = mid 1 else: en = mid -1 mid = st+((en-st)>>1) return st def lower_bound_en(data,value): st = 0 en = len(data)-1 mid = st+((en-st)>>1) while(st<=en): if data[mid]<value: st = mid 1 else: en = mid -1 mid = st+((en-st)>>1) return en def upper_bound(data,value): st = 0 en = len(data)-1 mid = st+((en-st)>>1) while(st<=en): if data[mid]<=value: st = mid 1 else: en = mid -1 mid = st+((en-st)>>1) return st def upper_bound_en(data,value): st = 0 en = len(data)-1 mid = st+((en-st)>>1) while(st<=en): if data[mid]<=value: st = mid 1 else: en = mid -1 mid = st+((en-st)>>1) return en
对比的数改成1。
） 然后说了C++算法标准库（lower_bound和upper_bound）用的哪两种形式：返回st的那两种注意C++标准库返回的是指针第二题是二叉树的深度
python手撕，又报错，然后无IDE查bug还好查到了，print大发好，对python，如果print(“XXX”)没输出东西就说明没运行这一行。
定义树class的时候写的是.next，晕了，应该是.left和.right
第三题是数组旋转
左旋转，自信一波分析写完是右旋转，一脸懵逼，怎么看都是左旋转跑完就是右旋转
然后再那试了试改i,j，然后第二次就输出对了，晕，运气比较好
由于循环用的常数限制，要求改成了数组的范围，注意python len(data)是行len(data[0])是列
正常构造一个和data一样大new数组是先列后行[[0 for _ in range(len(data[0])] for _ in range(len(data)]
然后循环是先行后列（这样局部性更好，运行速度快，更容易缓存命中，当然面试官也没问我也没提）
写法应该是对的，但我不敢改成行列不相等的情况，万一错了呢.PS:想了想应该不对，因为new数组我照着data开辟的，应该行列反过来开辟才对，先行后列构造的话正好对应旋转后的情况，幸好没深究，不过这种bug很容易改，print()大法print一下就出来了
问问题：好希望他问我机器学习的东东，这样我就能装逼了，然而
6、静态内存和动态内存?
讲了static和堆栈是静态,编译的时候决定了大小，动态内存可以自由开辟->堆，也不知道对不对。 .
（回来问了问另一个收割大佬，应该是这样）
7、堆是？
说了向上开辟，速度慢、运行时改，然后开辟的过程，链表存着下一个位置和这一块有没有使用，如果没找到就析构合并内存再找，再找不到返回null（可以参考前面的答案）
8、堆栈是？
说了向下开辟、速度快、编译时分配、主要是存PC指针，然后函数入口参数多组成栈帧存进去等着恢复
9、malloc和new区别free和delete？
1、一个是函数（面试官没问，但我自觉呀，诚实回答忘了是哪个头文件里的了，事后查了查是stdlib我擦我天天写没想到是这个）一个是关键字
2、malloc要算大小，返回void*(然后随口提到void*可以转XX *),强转后按转完后的类型用，要自己算大小；new的时候传类型，就比如100个int，然后直接开100个就好了，他自动将int长度算进去
3、malloc再堆上，new在自由存储区（然后回答忘了自由存储区再哪了） 讲着讲着忘了free和delete的事了
（自由存储区和堆似乎是概念上的区别？我丢，深入理解计算机基础是按C讲的，我哪知道C++的自由存储区和C的堆有啥区别呀，按理来说假如new是依赖malloc实现的，那么他们不该开辟于同一块区域么。C++默认在堆上开辟new需要的空间，所以new来自自由存储区和堆都行。
网搜的答案：
自由存储区是C++中通过new与delete动态分配和释放对象的抽象概念，而堆（heap）是C语言和操作系统的术语，是操作系统维护的一块动态分配内存。
new所申请的内存区域在C++中称为自由存储区。藉由堆实现的自由存储，可以说new所申请的内存区域在堆上。
堆与自由存储区还是有区别的，它们并非等价。
)
10、智能指针了解不？
我从python的内存管理角度讲了计数法析构内存，和智能指针原理一致。但我自觉诚实的说出我没用过智能指针
11、python怎么解决循环引用的？
是不是想问我智能指针的循环引用解法？我忘了呀，我就直说python本身解不了循环引用的问题（这实话实说，确实解不了，python又不是神，循环引用要靠自己析构，对python来说，循环引用的东西就算程序关了都还在），但python有个库函数可以发现循环引用位置，然后调用垃圾收集器析构掉就好（其实就是定位内存泄露，然后gc把它干掉）
12、计网了解不？计算机网络TCP和UDP的区别？
答自学。回答了很多，挺详细了
（UDP主要用于那些对高速传输和实时性有较高要求的通信或广播通信，
TCP用于在传输层有必要实现可靠性传输的情况
1、TCP面向连接（如打电话要先拨号建立连接）;UDP是无连接的，即发送数据之前不需要建立连接
2、TCP提供可靠的服务。也就是说，通过TCP连接传送的数据，无差错，不丢失，不重复，且按序到达;UDP尽最大努力交付，即不保证可靠交付
3、TCP面向字节流，实际上是TCP把数据看成一连串无结构的字节流;UDP是面向报文的；UDP没有拥塞控制，因此网络出现拥塞不会使源主机的发送速率降低（对实时应用很有用，如IP电话，实时视频会议等）
4、每一条TCP连接只能是点到点的;UDP支持一对一，一对多，多对一和多对多的交互通信
5、TCP首部开销20字节;UDP的首部开销小，只有8个字节
这里建议不是特别熟的回答首部设置不一样，别说的太详细。
6、TCP的逻辑通信信道是全双工的可靠信道，UDP则是不可靠信道
)
13、长传输和短传输？
tidak tahu
（是http的长连接和短连接吗？HTTP1.1规定了默认保持长连接（HTTP），数据传输完成了保持TCP连接不断开（不发RST包、不四次握手），等待在同域名下继续用这个通道传输数据；相反的就是短连接。）
14、操作系统呢？
回答自己看的深入理解计算机系统，看的很详细，收获了特别多
15、进程和线程？
程序不过一段文本，运行起来才是进程，一顿讲，资源/调度单位啊、共享内存啊、并发啊XXXXXX
（见之前的答案）
16、你还有什么问我？
问了两个问题
一问：您能不能了解到其他面试人的信息，然后对着我教研室座位后面的字节大佬猛夸（因为他特别想去互娛做游戏），一开始面试官还以为这个人挂了呢我想捞一手，一听和我同时面了互娱就轻松了说既然这么强一定能过面试，然后我就突然想到好像可以暗示一波，就说我和他报的都是广州，我很想和他当同事（强烈暗示）
二问：我说我是算法工程师，机器学习特别厉害，平时工作内容是啥啊，机器学习这部分我都用上么
求互娱给个开奖机会，教练我想做游戏~（如果百度把我忘了的话），你敢让我过我就敢去宁可别被我逮住了
负责360搜索的部门，面试体验很好。
忘了面试的一部分，因为连续4面，其中技术面360两个，网易互联网1个，hr面1面，非常之累。
1、介绍自己
2、介绍自己实现的科研软件
用什么语言：C++
什么写的界面：QT
3、LGB和XGB区别
一开始听错了以为是LSTM，我还在想LSTM和XGB的区别，这怎么说，先介绍介绍XGB吧，然后说完XGB反应过来，面试官不是让我说LGB吧。 .那就好说了，一顿讲。
（答案前面有）
4、介绍CNN、卷积层如何实现非线性
使用激活层，不然在卷积都是线性变换。我从猫的视觉锥细胞开始一顿讲，应该讲的挺详细了，CNN的时不变性真的很适合用于信号处理。讲了时不变和局部权值共享，说CNN是DNN的特例。
(
卷积：对图像（不同的数据窗口数据）和滤波矩阵（一组固定的权重）做内积操作。
卷积的重要的物理意义是：一个函数（如：单位响应）在另一个函数（如：输入信号）上的加权叠加。
卷积神经网络CNN是多层感知机(MLP)的变种。20世纪60年代，Hubel等在研究猫脑皮层时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了CNN。
CNN：局部连接和共享权值的方式，减少了的权值的数量使得网络易于优化，另一方面降低了过拟合的风险。该优点在网络的输入是多维图像时表现的更为明显，使图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程。在二维图像处理上有众多优势。
CNN具有一些传统技术所没有的优点：良好的容错能力、并行处理能力和自学习能力，可处理环境信息复杂，背景知识不清楚，推理规则不明确情况下的问题，允许样品有较大的缺损、畸变，运行速度快，自适应性能好，具有较高的分辨率。它是通过结构重组和减少权值将特征抽取功能融合进多层感知器，省略识别前复杂的图像特征抽取过程。
CNN的泛化能力要显著优于其它方法，卷积神经网络已被应用于模式分类，物体检测和物体识别等方面。利用卷积神经网络建立模式分类器，将卷积神经网络作为通用的模式分类器，直接用于灰度图像。
)
5、卷积层pooling层怎么放？激活层放哪里比较好，有什么区别？
没听明白，不该是中间夹一个激活层吗。面试官的pooling真的是一言难以呀？我一直以为是最后的全连接FC层，我心想这不是被全局池化代替了么？不会所以一顿乱说？因为我自己也是改网络的时候，经常会尝试层的位置交换，我都是哪个效果好用哪个。讲的时候想起了何凯明大神的论文里的预激活，然后对着预激活、卷积层在Resnet的作用一顿夸。有会的大佬么。请私聊教教我。 . .
两道题
1、10进制转K进制进制转换
给定一个十进制数M，以及需要转换的进制数N。将十进制数M转化为N进制数输入描述输入为一行，M(32位整数)、N(2 ≤ N ≤ 16)，以空格隔开。 输出描述为每个测试实例输出转换后的数，每个输出占一行。如果N大于9，则对应的数字规则参考16进制（比如，10用A表示，等等） 这题很简单，发个自己的写法，过一遍就好，挺简单的。可能个别边界会有问题，但是面试的时候尽量追求速度。 牛客网面试的时候，注意运行全部用例，可以看AC的情况，为什么这么说呢，因为你的输入面试官看不见（他说的），所以他只能给你跑一下看过了多少例子。 像这种水题一定要写得快。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53
//map<int,char>table;
//table[0]='0';
//table[10]='A';
#include<stdio.h>
#include<iostream>
#include<string>
#include<vector>
using namespace std;
void reverse(vector<int>&a)
{
int l = a.size();
for(int i=0;i<l/2; i)
{
int tmp = a[i];
a[i] = a[l-i-1];
a[l-i-1] = tmp;
}
}
string get(int M,int K)
{
bool ju = false;
if(M<0)
{
ju = true;
}
//注意负数转正数溢出
M=abs(M);
vector<int>data;
while(M)
{
data.push_back(M%K);
M/=K;
}
reverse(data);
string res = "";
if(ju)
res ='-';
for(int i=0;i<data.size();i )
{
if(data[i]<=9)
res ='0' data[i];
else
res ='A'-10 data[i];
}
return res;
}
int main()
{
int M=7,K=2;
cin>>M>>K;
string s = get(M,K);
cout<<s<<endl;
}
2、A->B,B->C,A->C,C->A中有一对链子A->C，C->A问序列里有多少对链子使用哪种数据结构？
要求：序列很长，只看直接相连，A->B->C->A 不算ABC互联。
讲了比较简单的d[i][j]=(bool)的结构，O(N^2)的时间和空间复杂度
又讲了两次扫描，O(N^2)的时间复杂度，O(1)空间复杂度
最后说了数组＋链表，极端情况下时间复杂度也较高，但我心里想的是对链表排序也不慢吧，二分查找，时间空间都OK呀，但我傻就傻在我心里想了，嘴上没说链表排序。
最后有会的大佬么请教教我。 .
体验好，一道题，抽的前两道题都做过，一个是奇偶排序，一个是前序中序重建树
都是剑指OFFer原题，面试官见我思路顺畅，问我是不是做过，做过默写就没意思了。
我说做过剑指OFFer原题。 前两道题没手写。
第一道奇偶排序要求稳定排序，思路1就是归并排序，前偶后奇为大于。思路2双指针二分偶数倒
第二道找根节点，二分，没了
第三道没做过，但是也简单，问面试官能不能用python，能的话两分钟结束这道题，说不行就老实写了
这一面主要是深挖项目，深挖！
反问环节，面试官疯狂指导我，真好，这里总结了记住的一部分：
聊了搜索推荐的一些问题，我问的第一个是360对编程能力的要求。面试官的回答是所有的算法工程师都要具备很强的编程能力。
第二个是推荐中排行榜的问题，我说上了排行榜，阅读量就是疯狂增加，一增加就会更留在排行榜上，这种情况怎么办。面试官回答这是正反馈问题，说了很多干货，有兴趣做推荐的可以看看相关内容。
我又问了冷启动的问题，我就说对于新出现的页面，第一次出现，没有任何曝光下，如何给他做推荐呢？这里面试官反问了我，我就回答了自己的思考，先小批次试点曝光，再推广。
面试官开始讲推荐和搜索排序的区别，搜索排序面临的问题更复杂。所谓排序就是获取大数据的网页界面，然后对用户的查询给出一个最可能的结果(LGB可用)，用到一些分层、召回(最优可能查询结果捞出来)、排序(对捞出来的东西排序)，这里排序要做到去相关性，查询要保证输出结果多样性、表达多样性，还牵扯到了词与词之间的紧密度、运营和相似度命中。
In addition, there are many difficulties in sorting. First, the amount of data is larger and a lot of information is captured. However, the more indexes, the better, because there are duplicate (plagiarized web pages) and low-quality web pages .另外对于learning to rank，我们不需要像回归那样得到准确的回归值，只要得到他的偏序就好。比如A<B，我们算价值是A：80，B：79和A：80 B：77，偏序都一样，只要排序正确即可。而要检验我们排序的好不好，就是根据反馈，检验模型的优劣，比如我们把A在B前面，但是用户不点A点B，用户改Quary词或者翻页，都可以用于检验模型效果。这三时候可能会用概率图解决这些问题。排序技术难度大，底层需要的技术也比较高级。 In addition, there may be a certain gap between the user's inquiry and our results. For example, when a user searches for the price of a certain car, the search result we give is the transaction price of a certain car. This creates a gap .
最后我问了这么一个问题，就是我在做学习强国的时候，查询一个答案， 结果第一个是付费的，第二是是免费的，有限的时间里查到的第一个结果让我付费观看，我就很生气。 Apa pendapat Anda tentang ini?面试官的回答也是很棒呀，所谓的搜索排序最终就是给用户满意的结果，结果可能是多样的，有的排版好内容丰富，有的排版差内容差，我们做的就是把最好的结果展示给用户。对于搜索排序，可能产业化的结果分两个，第一种是满足需求的免费内容，特别用户预期的结果。第二种可能是竞价排序的结果，可能付费观看，大部分用户没有付费的欲望觉得不好，少部分付费用户可能也会特别喜欢，但无论如何，前者肯定也会在搜索结果前列。
啊，面到最后没时间了，面试官让我问问题，我就随便问了两个，然后不得不回360电话了，就说我有点事把视频关了，本来面得挺好的，哭
其他的忘了，就记得两道题
第一道n的二进制表示中有1的个数
1 2 3 4 5 6 int re = 0; while(n) { re; n = n&(n-1); } 然后分析复杂度，最后提示下分析出来了log(1+n)
然后分析平均复杂度，我以为从1 到int_max的所有复杂度求平均。所以怎么都分析不对。
最后才知道是每个的复杂度，晕，面试官告诉我是log前面的系数是0.5。
第二道：
1、建个链表
2、打印链表
3、反转链表
反转链表写的不好，左右边界各判断了一次，正常情况下只判断一次就好，但面试官说也OK，多做一次时间影响不大，结果正确就好。
4、排序链表
做的是真难受，臭牛客，哼哼。写错个变量都指不出来，改bug改到头秃。
排序链表写的是链表快排，最后发现复杂度不是nlog(n)，因为我L部分的尾部没有指向mid(base)，导致我最后写了个找L部分的尾部，把这一步优化了就没问题了，但是面试官说也行吧排序的结果不会错。
最后问问题的时候，我一边问一边调试，最后终于把链表快排调对了。然后和面试官说我调出来了，就匆匆结束了这次面试，很难过。因为马上360就是二面，我总不能为一面放弃二面把，这里我情商不够处理的不好，哎，难受。面试官人都挺好的，都是我的问题。
面试经验肯定是面的越多越丰富的，从最初乐鑫的笔试挂，到字节跳动笔试不会写输入流（第一道题我本地1分钟就A了，然后不会写输入流，试了15分钟，然后写了第4题，结果本地能过线上报编译错误，我就很生气了，何况这个输入流更复杂我就直接放弃了）笔试直接挂，到现在面试一点也不紧张，可以和面试官愉快吹牛逼了，所以说多点经历也是挺好的（补充，这次字节笔试3.6/4,还可以）
##部分已挂的公司，吐槽一下： OPPO 简历挂？显示简历过，没有通知面试，可能原因是没填内推码，身边的字节大佬也和我一样简历挂。 . .问了去面试的算法同学面试题目婴儿难度。 还有提前批没过，但是简历状态还有，是已处理，不能再次投递。 . . VIVO 笔试挂。 .我真没想到笔试还能挂，不过VIVO SP给的还不错，问的问题也不能说难？没中奖呀难受很气，想想要不要投步步高？三顾茅庐了要阿里内推挂（本来在池子里，然后部门的那个人发邮件给你内推，内推完刷新界面挂，可能原因是我扫了内推连接，但是我一般是不选择内推，想一想阿里内推人也不容易，互相体谅吧） 还有一个不知道哪里的公司挂了我简历，原因是简历是牛客上创建的，都不知道什么时候创建的，简历上面很干净。 .
18-28 作者：工大菜鸡链接：(https://www.nowcoder.com/discuss/295287)
18. 顺丰sp和ihandy牛客专场：
开篇就是吐槽，我为什么写这个？不是因为顺丰面试有多难，而是顺丰答应给我的二面，到现在都没给。 . .从8月1号顺丰给了我人生中第一次公司面试到9月28号我结束秋招，在这期间顺丰不断推迟二面时间，现在又给我推到了10月中旬，不得不说，顺丰的hr还真是佛系呢。 ihandy这货更狠，给我答应的一面到现在都没兑现，每次打电话过去问hr，都是同一个回答：马上帮您安排，然后我就继续傻傻的等一两个星期，循环往复。
1.自我介绍，为什么转行，你原来实验室干的什么？：因为喜欢算（qian）法（duo），原来实验室干的导航制导与控制；
2.介绍比赛，做了哪些数据的清洗，数据增强的处理？作了哪些特征？怎样提取特征的，为什么会想到这个特征呢？：balabala如实说，还说目前进入了复赛，正在复赛准备阶段XXXXX啥的；
3.我看你比赛用到了xgboost和lightGBM，那说下XGboost原理吧：额……不会；
4.那说下LightGBM吧：咳咳，也不会；
4.额那说下GBDT总行了吧：额……还是不会；
5.那你会啥？我：LR。（面试官快哭了TT）；
6.那好吧那你说说LR吧：balabala；
7.你听过CATboost吗？我：没。（面试官再一次哭了）；
8.说说LSTM的原理：balabala还口述了输入门，更新门，输出门的公式；
9.你有什么想了解顺丰的吗？我：X$Y*&^%(&%@1！2￥……；
我知道我答的很菜，但我还是厚着脸皮问了面试官我的表现咋样，能否就我的面试情况和简历提点建议？后面每一次我视频面试我都会向面试官问这个问题，他们也都会热心的给我提出建议，帮我修改简历，收获很多。
结果：没想到一面给我过了，但是二面迟迟不到。
19. 滴滴牛客sp专场（二面挂）:
惭愧，当时在面试的时候还以为滴滴是小公司，问面试官问题的时候，我居然问了滴滴的业务存活情况……
1.自我介绍，转行之类的问题；
2.了解那种算法挑一种介绍下：我说了LR，刚说到交叉熵这儿，面试官打断：那你说说LR为什么用交叉熵作为loss函数。我：因为lr从概率密度函数推导出来的对数极大似然函数就是交叉熵函数。面试官说：不全对，其实mse是万能的loss函数，每个模型都可以用mse作为loss函数的，那为什么lr不用mse呢？我：不几道。面试完了才想明白，mse的导数里面有sigmoid函数的导数，而交叉熵导数里面没有sigmoid函数的导数，sigmoid的导数的最大值为0.25，更新数据时太慢了；
3.说说XGB：在上次顺丰面完后，我仔细学习了一遍xgb，这一次大致回答上了面试官的问题，我说了GBDT，再从XGB是如何改进GBDT的角度引入了XGB的一些概念，比如预排序什么的，引入正则项和二阶泰勒展开什么的；
4.介绍比赛，介绍如何分工的，如何构建特征的，如何选择这些特征的；
5.说下常见的处理过拟合手段有哪些？我说了l1，l2，神经网络里的dropout，增加数据量等等，面试官问还有吗？我：不知道了。其实后来才知道bagging和boosting也是降低过拟合的手段，以前还以为仅仅是种特殊的模型。
同样向面试官问了我的表现情况以及如何改进，面试官也热心的提出了建议。
1.自我介绍，大致介绍项目。
2.聊比赛，聊人生。 . . . .大概聊了30多分钟。
3.问你会不会什么操作系统，数据库啥的，c++会不会。答：都不会
二面很自然的就挂了，从滴滴的面试可以看出，其实国内的很多公司都挺看中开发能力的，只会python和跑跑模型应该达不到绝大多数公司的要求。
20.快手牛客sp专场（二面挂）
1.基础问题都是老生常谈，问题和回答略了
2.算法题：求最长回文子串，leetcode原题，动态规划求解最好，但我当时不会，用的是中心展开法，勉强做了出来。
1.上来一道leetcode上的hard算法题：求最小编辑距离。不会，直接gg
2.其他闲聊，聊人生
大概等了10多天，官网上给我挂了
21.依图（一面挂）
是我最惨的一次面试，面试官笑眯眯的，也没让我自我介绍，上来四到算法题，一道一道来的那种，题目都忘了，只记得每道都把我摁在地上摩擦，差不多情况就是这样：
面试官：出道算法题吧，第一道：XXXX。
我思索10分钟：不会；
面试官：那我们做第二道吧：XXXX。
我又思索10分钟：不会……；
面试官：那再来一道：XXXX。
我寻思我都这么惨了放过我让我走吧求你了，于是思索了两分钟说：还是不会……；
面试官：那再来一道：XXXX。
我：gun！
后来视频面试结束的时候，我专门去查了这几道题目，他们都有一个统一的解法，那就是动态规划，抱歉我之前真没听过动态规划啊啊啊啊啊，我从此下定决心，进行dp的专项练习。
22.腾讯（一面挂，好后悔没有抓住唯一一次进鹅厂的机会）
其实面试官问的问题都很简单，但是当时比赛刚做完，非常疲惫，不想学习，没有学习新的东西，也没复习旧的东西，就这样躺尸了两天，然后腾讯的技术面试官晚上打来电话面试：
1.自我介绍，介绍比赛
2.看你用到了朴素贝叶斯，说下原理吧。我心想这还不简单，刚要张嘴，才发现坏了，啥叫朴素贝叶斯来着？ saya lupa!我就支支吾吾的说：用了贝叶斯公式，然后加上了观测独立假设，面试官无语……
3.说下xgb，lgb和gbdt吧。这个我会，由于前面问了很多了，不用复习也能张口就来。
4.我看你的另一个比赛用了bert和CRF，说说CRF的原理吧。我：……不会（后悔没看）
5.那说下bert的原理吧。我：……还是不会（好后悔啊，太懒了，还是没看）
后面balabala的问了一堆，我都回答上了，但是前面这几个没回答上的太伤了，一面挂
23.远景（四面挂，boss面挂的，真是挂的莫名其妙……）
都是随便介绍项目，问一些基础的问题，没啥难的，印象深刻的是二面面试官问到最后突然让我用英文介绍下比赛里面是如何选择特征的，我用我的工地散装英语一顿乱说，结束时面试官说嗯很不错，我内心：靠，你压根就没听吧！
四面是boss面，现场面的，聊人生，跟我聊了一个半小时，全程也穿插问些问题，我都回答上了，跟boss聊得非常好，然后就给我莫名其妙的挂了……，我想原因应该是boss临走前给我说了一句：你需要多注重工程能力。他可能嫌我工程项目很少吧。
24.百度（一面挂）
百度的笔试就令人印象深刻：
选择题啥都考，很杂，操作系统，数据库，c++，python，机器学习，深度学习啥都考
两道问答题，其中有一问印象深刻：说说针对中文，BERT有什么可以改进的地方。我心想：你丫不就是想吹自己的ERNIE嘛，我就写了ERNIE针对BERT做出的改进，基于知识的mask训练方式，基于知识图谱的改进等等
一道设计题，让你设计一个系统：可以写出春联，必须满足他的要求，平仄音节都要对上，我直接BERT+CRF+GPT一顿乱写。
编程题：RGB括号，我猜应该是道dp题吧，链接：https://www.nowcoder.com/discuss/254095
想看的童鞋可以看一看，无视我的答案就好，我到现在都不知道我的答案对不对。
1.红黑树的几个特点。只答上两个，其实我根本不会
2.python的装饰器@的用法。 Tidak akan
3.编程，写一个函数，实现python的继承，数据的交换，类中的全局变量等等。写上了一半。
4.快排（不能用简单粗暴的那种，要空间复杂度最低的）和堆排序（必须用最小堆实现）。 Instead of asking you to write code, I give you an array and let you directly use the ideas of quick sort and stack sort to demonstrate it element by element to him. I answered this question. Fortunately, I have implemented it before and understood it .
5.算法题dp两道：最长公共子串，最长公共子列，都是dp题，幸好专门看了九章算法，专项学习了dp，简单或者中等的dp题还是可以一战的，这两道也是lintcode上的原题，有兴趣的童鞋可以查查。
6.介绍xgb，我说到“xgb的预排序是相对于暴力求解的加速”这儿，面试官打断了我，反问我：那具体是为什么加速了呢？一个特征下的数据，没有预排序和预排序了，不都得遍历一遍才能求解出最优分裂点吗？
这个问题给我干蒙了，其实这个问题我之前思考过，但是太懒了，心里不断麻醉自己面试官不会问得这么细，就直接忽略了，没再去想。百度面试完以后我看了原论文的伪代码才明白为什么。所以再次建议尽量能读一读原paper。
7.介绍下xgb是如何调参的，哪一个先调，哪一个后调，为什么？哪几个单独调，哪几个放在一组调，为什么？哪些是处理过拟合的，哪些是增加模型复杂程度的，为什么？我寻思你十万个为什么呢？总之就是被为什么问的头昏脑涨，出了门我就知道肯定挂了。
25.搜狗（面试流程结束）
1.lr为什么用sigmoid函数作为概率函数。我：lr是基于伯努利分布为假设的，伯努利分布的指数形式就是sigmoid函数，而且sigmoid函数可以将数据压缩到0-1内，以便表示概率。
2.介绍下word2vec，说说word2vec和fasttext的区别。我：balabalabala，说的貌似还行，面试官点头
3.印象深刻的推导：
推导下word2vec里面的一个模型CBOW吧。后悔没看，哭了，我说不会。
那推导下SVM吧。这个我会，推出来了，但是到对偶条件这里，面试官问为什么能用对偶条件，我没答上来，还是太菜。
那再推下lr吧。这次顺利的推了出来，面试官问的问题也回答了上来。顺利通过了。
4.算法题：求最长回文子串，没错，和前面快手一面问的笔试题一样，答上了。
5.概率题，严格来说，这道题不是我遇见的，是我同学面搜狗的时候被问到的，我觉得很有意思，而且我们都不知道答案，请大佬解答：
一共54张扑克牌，我抽了几张牌（大于2张），有两种场景： 1.我说我有小王； 2.我说我有大王； 这两种情况，哪种有双王的概率更高？
这题我是一脸懵逼的，求各位大佬解答！
2.搜狗二面：
1.xgb的loss函数的推导（mse以及非mse形式），以及求解推导。
推出来了；
2.求最大连续子列和，要求时间空间复杂度最小。
很简单；
3.xgb是如何实现并行的。
保存预排序的block，用进程间的通信并行寻找最优分裂点。
4.lgb的直方图优化算法说说。
随便说了说，面试官也没深问。
5.讲比赛，讲项目。
balabalabal总之二面持续了差不多一小时
没啥好讲的，聊人生，聊转行，hr说需要综合各地的信息来筛选，让我回去等消息。
26.OPPO（offer）
我整个秋招所经历的所有面试官里面，一共面了三个非常有水平的面试官（我个人觉得）：一个是远景的那个boss，微软亚研院呆了四年，百度呆了六年，google呆了六年。和我聊现在的行业形势以及各种模型的应用，很多问题都会直击要害，一语中的。和我的聊天中看出了我工程能力不足，跟我聊了一个半小时，为我未来提出了一些建议和规划，我很感谢那位大叔；第二个是百度的一面面试官，他好像就是住在我肚子里的蛔虫一样，总能在我的回答中揪出我不会的致命知识点，给我痛击，真的是怕啥他考啥，他的基础非常扎实，而且反应和判断非常迅速；第三个就是这个oppo的一面面试官，根本不问固定知识点，就问一些模型、手段、措施背后的本质并且举例说明，在你运用的实际场景中有没有见过。
刚开始都没让我自我介绍，直接让我说比赛。我：balabala，我介绍到CRF的时候，面试官打断我说：“你说CRF说了一大堆，那他它本质是个啥东西，我不要听那些定义，你给我说本质”。我：……支支吾吾……，说它应该是个函数，balabalaba一顿编。
然后他也没说对错，继续问：说下attention吧，我：又是一顿balabala，讲到注意力那儿的时候他问：你能举个case吗，用了attention和没用attention时候的对应的隐状态在哪些地方有区别你有去观察过吗？我：又是一顿瞎bala，他又没说对还是错。
又问我看你这里用到bilstm它和lstm的区别在哪？举例说明，用了和没用的效果。我心想：哎呦终于有个会的了，结果回答完他还是那副样子，又是啥也没说，我心想对还是错你倒是给个准信啊。
又问到了ELMo，让我说明ELMo是如何做到动态词向量的。我：把每个词输入模型，得到的隐状态相加就能得到不同的词向量；
面试官：那说下ELMo的缺点。我说：第一就是多层bilstm天生的缺点：“自己看到自己”的现象，然后举了个例子，balabala……。第二就是无法并行训练，以上两个毛病都可以用bert去改进它；
他又问其实我们可以用加入位置嵌入的方式来改进这个无法并行的问题那为什么非得用bert呢？我一想确实facebook貌似在之前就提出了位置嵌入+textcnn的方式来并行训练。完了，给自己挖坑了。于是乎我就扯了一堆bert里面self-attention的优点，哈哈哈我真是机智。
然后他依旧啥也没说，又让我介绍bert，并且问了multi-head的好处，又问我它的实际物理意义是什么？ Mengapa menurut Anda demikian?举个case说明下。我用尽了我毕生瞎编的本事，凭借着我自己的一点理解硬是说了10分钟，然后结束了是对是错他还是啥也没说……………………
又让我写LSTM的公式，勉强写上了
又问了我一个实际场景问题：用一个模型去分类一堆数据，在training阶段就无法收敛，反复震荡，有可能是什么原因，你有没有在实际场景中遇见过？
我：可能数据是标注错误的或者是随机数据，面试官补刀：假设数据没问题，那是什么原因？
我：那就是模型无法拟合这个数据或者不适合做这类数据的分类，面试官再补刀：假设模型也没问题，足够复杂。
我：那有可能是优化过程陷入了局部最优，而且一直无法跳出，面试官再次补刀：假如优化过程没问题。
我：那就是正负样本极其不均，网络没法学习到东西？面试官：我没说一定是神经网络模型，而且那再假如样本正负分布是均匀的……
我：……那我真没遇见过这样的……
面试官当时貌似不太满意，跟我聊完居然把我的简历给对折了起来！我第一次见这种场面……，心想：哎呦我去凉了，可能一出门面试官就会把我的简历扔垃圾桶里了吧……。面试官让我回去等，晚上如果收到消息就是过了，没收到就是挂了。晚上感觉想哭，毕竟OPPO是我蛮喜欢的一个公司，结果快睡着了突然来了一个短信提醒，说我OPPO面试过了……，得，这下倒好，睡不着了……
1.聊项目比赛，一路下来没问啥知识点，没啥大问题
2.画出ESIM这个模型的结构，并作介绍
3.面试官看我航天二院的项目跟导弹拦截有关系，是用GRNN预报弹道的，就让我介绍下GRNN的网络结构以及原理，还问预报精度怎么样。我说这个题目现在是我的毕设，还没做完呢……
面试官：哦……那你给我说说你要拦截的这个HTV-2是个啥？
我说：是一种美国的临近空间高超声速飞行器，可用于导弹上，对我国国防安全造成威胁，balabalabala……
面试官好像突然来了兴趣，一直问我导弹的事，跟个好奇宝宝一样：这个HTV-2很厉害吗？
我：点头，嗯嗯嗯
面试官：这个HTV-2有啥特点？你们用经典的方法一般是咋拦截的？balabala……
我：额……这些都是保密的……
面试官：哦，那没事了。
4.聊到后面问我有没有了解过一些其他的搜索排序算法，比如list-wise的，pair-wise的，然后给你一堆非常大的大数据，如何实现全数据的搜索排序，我凭借我的理解大致回答了一些，面试官说还不错，让我等下一面
我拿起我的oppo find x给hr一顿瞎BB，意向书成功到手，虽然是白菜价，但是OPPO是我很想去的一家公司，尤其是近几年开始搞些奇奇怪怪的手机出来以后越想去了- . -。
我原以为一面二面回答的不太好的情况下OPPO也愿意要我，而且hr说今年OPPO机器学习投递的简历，光筛选后的985计算机科班硕士的就多的吓人，所以我感觉OPPO今年应该在机器学习这个岗位上招人需求有很多。没想到签约会时候问hr才得知整个哈尔滨加吉林地区，机器学习的offer只有两个……，瞬间脊背发凉……
27.58同城（口头意向，拒了）
其实能面试58我是非常意外的，因为58的笔试编程题我一道都没做出来，选择题差不多一半都是瞎猜的，甚至面试的时候，面试官还把我做错的选择题拿出来又问了我一遍，并且我还是答错了……囧，而且三个面试官都问了我：为什么编程题一道都没做？ ………好尴尬，太奇怪了！ ? 58怎么会给我面试呢？不过面试时我表现的还不错，最后也拿到了口头意向，但已经签了OPPO就给拒了。
1.还是各种介绍，自我介绍，比赛，项目，为什么转行啥的。
2.我看你用了ESIM这个模型，把模型结构画一下，并且告诉我为什么有用。 Sangat sederhana.
3.算法题：一个数组中和为k的所有二元组，要求时间复杂度为O(n)。这个也很简单。
4.介绍下BERT以及CRF。老生常谈了，他也没深问。
5.算法题：最小编辑距离，没错又一次被问到了，dp常规思路，只不过需要多考虑边界条件。 Solusi sempurna.
6.算法题：一块钱一瓶水，三个瓶盖能换一瓶水，问20块最多能买多少瓶水？（用编程方法解决。）面试官午饭没吃，饿的等不及了，我刚想了一分钟还没写出来，面试官说一面就到这儿吧，我以为他要把我挂了，赶快急急地说了思路，面试官说没事你一面过了，走去吃饭吧，噗.......
2.58二面：
二面大多数时候都是我在问面试官，一时间搞不清楚谁才是真面试官……问了些58的业务，以及业务中需要的模型，算法等等的。聊得很开心，当然也有些坑，面试官会穿插着问些技术问题，比如在谈到58的软件内搜索业务的时候，面试官问如何在少量数据的情况下对用户的输入进行快速的意图识别。我说了几条：可以用信息熵来确定用户输入主体，用聚类来做些简单的意图识别等等。
3.58hr面：
一个很漂亮的大姐，很亲和，又是聊人生，结束后告诉我回去等通知。
28.华为（offer，拒了）
我申请的是华为消费者bg软件部的人工智能工程师，自然语言处理/语音处理方向。我听说今年很难进华为，想进消费者更是难上加难，但是我仍然没感觉到有多难进……可能华为比较看重课业成绩和学历吧，因为我感觉我只有这个优势……
上来两到算法题，不过都是很简单的leetcode原题，题目我给忘了，但是都答上了。但是我感觉面试难度看脸，有同学就被甩了两道dp题没答上来一面就挂了。
问的问题都很基础，知识点都是前面的那些，没有什么印象深刻的问题。
算法题：求一个数组中和为k的最长连续数组，暴力法解决的，面试官说没有复杂度要求。
问了槽位的概念，这个我之前真没听过，哎，还是太菜了。
问了些其他的基础问题
聊人生，聊规划，圆满结束，offer到手，签约会的时候，hr说给我安排到北京了，我不太想去北京，而且薪资也不高（我听到的消费者的同学都一个均价，什么硬件研究院、智能车、无线的均价都比消费者高），而且最重要的是，他把我安排到了消费者软件部下的智慧城市这个三级部门，大概率是语音方向的，我不是特别喜欢，就给拒了。
约定电面晚上8点半(阿里是加班到9、10点的节奏？）
主要是商汤无人车实习的项目，问我比baseline提升15个点，怎么来的。
从数据迭代、backbone、模型修改几个层面上说了下。
挑一两个有意思的优化说说，说了cascade、hdcnn的结构，为什么用这种结构。
项目中出现什么情况，怎么解决的？主要就是说小目标检测的解决方案。
对caffe源码熟悉程度。（我扯了扯源码的底层设计模式，数据流怎么流的，如何添加新层、cuda代码的细节）
pertanyaan terbuka
给了一个情景，如何训练模型、调优。（题目很空，主要考察你对深度学习的理解）
根据需求（前向传播时间、模型大小），确定模型和基础网络，跑第一版模型。（举了个栗子） 判断模型是否出现过拟合的情况，来决定下一步的优化方向。 结果分析(confusionMatrix等)，分析问题，将论文中的方法套上去，如果没有自己创造。（又举了个栗子）
softmax、多个logistic的各自的优势？1、类别数爆炸，2、推了下softmax反向传播的公式，来对比两者的优劣。
算法(走流程题) 字符串判断是否是ipv4，c++。(可能是时间不多了，大佬想下班了)
全程大多都是我在说，没有太多互动。后来经过源神@邢源建议，还是要故意给面试官漏点马脚让他们来怼我们，然后再怼回去，并说明不这么做的原因，不然不好拿高评分。(卧槽，真的是套路深啊～)
大佬貌似涉猎很广泛，对每一个领域都很熟悉，基本上简历中的很多细节，他都能找到点怼我。（聊了很久）
项目是从头怼到尾，主要考察对项目、深度学习的理解。
大佬对我的trickList很感兴趣，我猜想他现在做的工作和我的很相似。
Anchor大小、长宽比选取？我说了业界常用的方法(YOLO9000中的方法)，并提了一个更优的方法。
为什么要深层、浅层featureMap concat？提了点细节和我踩的坑，需要数量级上的调整，不然深层的feature可能会被压制。
Cascade的思想? 说了下我的摸索的一个过程。改变样本分布，困难样本挖掘，能达到比较好的效果。
文字识别使用ctc loss的一些细节。
设计一个情景，倾斜字体检测，问我有什么好的想法？（我觉得应该是他现在遇到的问题）
数据增强，加入形变扰动。
非end-to-end版本：分别训练检测和分类，举了之前做过的一个文字识别的项目的实现。
end-to-end版本：加入仿射变换学习因子，学习字体倾斜的角度和形变。
在商汤发论文了吗？
没有，正在攒，项目比较重，但有一些work和insight，讲了下思路。（大佬听的很认真，貌似被我的故事打动了[捂脸]）
为啥要换实习？日常吹水。
评价：大佬主动评价我对模型理解挺好的，工作做的挺深的，说等下一面吧。
体会：二面面试官说话很快，思维比较敏捷，觉得和这种人讨论问题很欢畅，如果一起工作会很赞。
以后面试说话语速应该快一些，让人觉得思维比较敏捷，这个可能会有加分项吧。
大佬应该是搞backbone模型优化的，问了我怎么迭代基础网络的版本的，日常扯论文，自己的实验结果和理解。
前两个卷积层通道数不用很多，主要是提取边缘、颜色信息，少量的卷积核足矣。
skip connection有什么好处？推了下反向传播公式，根据链式法则，梯度可以直接作用于浅层网络。
初始学习率怎么设？这个我真的没有总结过，只是说一般使用0.01～0.1。
mobileNet、shufflenet的原理？说了下原理。
为什么mobileNet在理论上速度很快，工程上并没有特别大的提升？先说了卷积源码上的实现，两个超大矩阵相乘，可能是group操作，是一些零散的卷积操作，速度会慢。
大佬觉得不满意，说应该从内存上去考虑。申请空间？确实不太清楚。
问我看过哪些前沿的论文？说了说最近两个月的优质的论文。
扯到了tripleLoss，大佬问样本怎么选择？随机，然后就被大佬嫌弃了。装逼失败，这块确实没怎么深入研究。
为什么用multiLoss？多loss权重如何选？训练普通的模型使其收敛，打印反向传播梯度的大小，这表示该task的难度，以此作为loss的权重，然后我补充说了下可以搞一个动态的loss权重，根据一段时间窗口来决定loss的权重。
凸优化了解吗？牛顿法、SGD、最小二乘法，各自的优势。
凸优化其他东西呢？我说只有一些零散的知识点的记忆，纯数学，没有很系统的研究。(面试官貌似数学功底很好，只能认怂)。
感觉有点虚，我尝试着往我会的地方引[捂脸]。 工程上如何对卷积操作进行优化？答：傅立叶模拟卷积。大佬不满意，说那是cudnn早就实现的，还有什么优化吗？（确实不知道，甩锅给工程组）
样本不均衡怎么处理？一个batch类别均等采样，修改loss对不同样本的权重。
三面面试官懂得不少，不过最后还是过了，有时间凸优化还是要系统整理下。
大佬应该不是做深度学习的，应该是机器学习那块的。交流中能感觉出来对这块不是很熟。挑他不会的玩命说，至少让他看到我的工作量。
SVM的KTT条件？说了说，说到SMO实在说不下去了。
GBDT和randomForest区别？原理角度，方差、偏差角度，过拟合角度，谈了谈之前打阿里天池的一些经验吧。
GBDT和xgboost区别？算法上工程上的优化，面试前专门看了，总结的不错，知乎，更多细节可以看看陈天奇的论文，我没看过[捂脸]，做机器学习的小伙伴最好看看。
求和接近于target的连续子数组。（lintcode上有类似的题）
最后说让后面应该还有个hr面。
