本文已經收錄至我的GitHub,歡迎大家踊躍star 和 issues。
https://github.com/midou-tech/articles
機器學習整體難度還是有點，不過這個崗位真的是很香，錢多，發展空間足未來可期啊。
本篇文章面經是三位大佬面試百度機器學習崗位的面試題，其中兩位已經拿到offer，趕緊複習起來，下一個offer就是我。
更多的面經和內推信息，請微信搜索 龍躍十二 即可獲取。
一面
- 詢問簡歷上做過的項目，以及項目細節
- 算法題：
- 二叉樹中序遍歷（要非遞歸解法）
- 兩個有序鏈表的歸併。
- 快排
- lstm 詳細講講解
- attetion 機制
- 混淆矩陣，F1等計算
- n個人進餐館，都把帽子掛在門口，走的時候隨手拿一頂，問拿到帽子恰好是自己的人數的期望
- ML 與 DL比較
- 實習的一些問題
二面
算法題：返回二叉樹中路徑和爲某一值的所有路徑、反轉句子中單詞順序
區塊鏈比賽和專利
我驚了個呆，大佬竟然還了解區塊鏈，準確指出了我的區塊鏈項目和專利的不靠譜處（我也知道啊，所以我轉ML了啊）
項目
這個就隨便聊了聊
AUC計算
很奇怪，我面試後看了看發現給出的是正確方法，但是面試官說不對。。。
進程和線程是爲什麼被提出的
線程間如何通信
快排複雜度的證明
特徵篩選方法
三面
- 基礎數據結構和算法有哪些
- 是的你沒猜錯，我把課本羅列了一下，順序表 鏈表 哈希表 樹系列 圖系列，選擇插入冒泡希爾堆快速基數外部排序，就過了。。。
- 推薦類算法比較
- 機器學習算法比較
- 聊了聊區塊鏈
已經拿到offer
這是下一位同學的面經
一面
聊項目，聊的非常細，我的項目就是比賽，面試官甚至問了我提分的過程，一開始多少分，做了哪些工作之後升到了多少分之類的；
跟過擬合有關的一些問題，詳細的內容已經記不清了；
聊xgboost；
聊deepFM；
項目中用到了LSTM，爲什麼可以用LSTM，它的主要用處是什麼，以及LSTM的梯度消失問題；
算法題：二叉樹中的最長路徑；
算法題：x的平方根。
二面：
聊項目；
聊GBDT；
算法題：二分查找；
算法題：最大堆的插入；
聊deepFM；
不定長文本數據如何輸入deepFM，如果不截斷補齊又該如何輸入；
項目中爲什麼使用LSTM；
項目中整個過程中都做過哪些優化。
三面：
n個數中等概率抽取m個數。
三面就問了一道概率題，剩下的基本上是聊天。 總的來說面試難度不高，感覺也是我運氣好吧。
這是下一位同學的面經
一面
- 給一個數組，數組的數字代表股票價格，求一次買賣的最大股票收益
- 1-n的全排列
- lstm是什麼的升級？解決了什麼問題？
- 講一講各種激活函數
- attetion 機制
- embedding的深層含義是什麼
- c 的const字段有什麼意義
- RF和GBDT的區別
- 爲什麼GBDT可以提高準確率
- 矩陣分解
二面
- 自我介紹
- 講區塊鏈
- 區塊鏈中51%攻擊的經濟學原理
- 求樹兩個節點的最低公共祖先
- 講kaggle比賽
- xgboost比gbdt的優化都有哪些
- 爲什麼xgboost要求二階導數
- 泰勒展開逼近殘差，二階比一階精度高
- 通用性，所有二階可導的loss function都可以用
- 有些函數梯度在一階上變化小，二階變化大，參考牛頓法
- 爲什麼gbdt沒有正則
- 講項目
- 計算一下項目中DNN的參數個數
- gbdt與lr區別
- 集成爲什麼會提高效果
- l1 l2正則
- xgb lgb調參怎麼選參數
- 貪婪搜索唄？面試官覺得不行？難道是貝葉斯參數優化？
- 怎麼樣在沒有得到未來數據的情況下提高模型對未來預測的效果
- 講道理我覺得這個問的非常扯淡，不就是泛化性，然後我說了一些降低方差的方法，面試官說是對未來預測的準確性，沒有get到他的點，最後被說對算法的追求不夠。。。。
更多的面經和內推信息，請微信搜索 龍躍十二 即可獲取。