博主是2018屆入學的小碩,目前研一下學期。本科在湖南一所被降級的學校。本科智能科學與技術專業,但是本科並沒有好好把握住學習的機會,所以專業知識一塌糊塗。最後經過艱難的考研來到了現在的學校。入學的時候,經過很長時間的思考,還是打算把自己本科的方向做下去,雖然現在各種“算法爆炸”的言論,但是還是想在人工智能的領域做下去。
上學期修了25個學分,下學期只需要11個學分就能達到畢業要求,所以在寒假的時候,就有了外出實習的想法,不過奈何意志力實在太過薄弱,所以立了各種flag的寒假壯烈撲街。開學來了是2月16了,忽然感到很大的壓力,發現自己也沒有學多少東西,知識體系和知識框架都存在很大的問題。經過一個徹夜的思考,大致定下了在2月16號到3月初的複習計劃。
十幾天的時間大概過了下數據結構的基本概念,但是還沒來得及刷題。機器學習的概念也在重新整理,這段時間,刷完了百面機器學習,百面機器學習這本書基本所有的重點都在,但是也有一個硬傷,沒有很深入的探究一些理論和問題。入門可以,但是應付一些大公司的比較深入的面試根本不夠。深度學習只來的及看了下卷積神經網絡相關的東西。
3月初,試探性地投了一些公司,第一個投的是新東方的AI研究院,第二天就打電話通知面試。沒想到會回覆的這麼快,當時慌得不行,第二天硬着頭皮坐校車去了本部,2點到達面試現場。一面是一個比較面善的面試官,做視覺方向的,一面面試官主要根據簡歷進行提問,一面面試完問我nlp,視覺和推薦系統,更願意做什麼方向,不知死活的選了nlp,不過跟一面面試官說自己沒有太多nlp經驗,不過願意嘗試這個方向。二面表現並不好,跟二面面試官說了自己還沒有太深入的學習nlp,二面面試官就沒有問太多概念性的,只問了tf-idf和詞向量的兩個算法,剩下的就是他們公司的各種情景題,大概怎麼根據新東方老師的評價給新東方老師建立一個評級啥的,回答了建立用戶畫像之類的。後來二面面試官就跟一面的商量問我是否願意調到視覺,因爲相關項目主要是視覺相關的。三面是hr面,不過新東方AI研究院的院長當時不在,所以一面面試官在諮詢玩完意向後直接給了口頭offer。
之後面過平安科技(過了),三角獸(不知死活選了research崗位,而且是語音方向的,完全沒經驗啊,方向實在不對口。問我願不願意以後轉做語音識別,我說不願意。之後就說回去等通知,然後涼了。三角獸創始人百度出來的,衝着這個去面試的),創新工場的AI公司創新奇智(完全是衝着李開復去的,技術總監凌鶴哥也是北大的,看了簡歷後直接總監面,一個小時就是在跟凌鶴哥閒扯,沒啥難度,比較慚愧的是打算等字節跳動的面試,所以就說一個周後確認是否入職,最後也沒去這裏),字節跳動(太坑了這個,面的算法崗,一共兩面,每一面的時間都巨長,一面推導爲主,二面全程寫代碼。生產者消費者,多線程編程,這真的是算法崗會問的題嘛!當時就覺得要涼。之前同學面的都是當天給結果,我等了兩天沒消息,心灰意冷。第二天下午6點多,hr打電話溝通,說算法崗滿了,問是否願意調劑到數據挖掘崗,問了下數據挖掘做的東西之後,猶豫了一會,拒絕了。雖然頭條不錯,但我更想做算法)以及最後面的百度(兜兜轉轉還是去了百度,哈哈,不過AI技術方面,百度在BAT裏面也是前排,不虛)。騰訊和IBM研究院在百度給了offer後陸續發了面試通知,不過實在不想折騰了,就直接拒絕了。從三月初面到四月初,一個月的時間,4月4號(清明)前確認百度offer,終於塵埃落定,不用清明時節淚紛紛了。中間過程還算順利,基本面的都過了,不過等面試通知和看到同時期找實習的業炎,薯條,宇神接二連三的拿到頭條,騰訊的offer,還是很着急的。因爲調劑拒絕頭條的那周,出現了空檔期,那個星期投出去的簡歷沒有一點回復,說不出的憋屈和心累,不過總算最後還是有個好結果了。
1.自我介紹(這部分我覺得可以有以下訣竅:1.不要介紹的時間太長或者太短,時間以面試官剛剛看完你的簡歷爲佳,或者等他看完你的簡歷想了下大概提問的東西,介紹的內容最好是在最簡短的幾句話介紹出自己的優勢,不適合長篇大論的介紹自己的項目,因爲面試官之後會問的,你簡歷上寫的都不要具體介紹了,如果你覺得簡歷上某些是你的強項,你可以在自我介紹時稍微提一下,給面試官一個引導,這樣在之後的面試中就可以讓面試官更有側重)
2.項目介紹(面試官在這部分提問的時候一般會在聽你介紹的同時想好要問的問題,比如說你用SVM做了一個分類,很有可能之後的提問就會圍繞SVM展開,各種推導,算法上的變形,還有可能會問一些跟公司業務相關的問題,所以這個項目一定要是自己做過的,自己可以完全把握的,並且在介紹時可以把問題往自己最擅長的領域引導,這樣就能在之後的面試中將自己放在一個比較主動的地位。如果有論文或者大的比賽就更好了,介紹一個paper或者打比賽起碼可以佔據面試中大概10幾分鐘的時間吧,這樣,你這十幾分鍾起碼不會被問到自己完全不擅長的領域。如果你什麼項目,論文或者比賽都沒有,面試官不知道你做過什麼,就只能從自己的知識領域裏面提問,這樣問到你的知識盲區可能就很大。)
3.專業問題(把我面試的和別人的放一起了)
正則,手推:SVM,LR(邏輯斯蒂迴歸),梯度下降,擬牛頓法,KNN,kmeans
算法基本都來自劍指offer和leetcode前200的典型題。DP,樹,圖,鏈表,數組,矩陣這些必考的,偶爾還會問一些數學技巧編程,比如約瑟夫,青蛙跳,找數字中的1,以及各種智力題。
part1:[來自我本科學長政哥整理的,政哥今年簽了騰訊,一直都是我學習的榜樣]
一、機器學習
單模型
1、LR的損失函數的公式和函數
2、LR的推導過程
3、LR如何解決共線性,爲什麼深度學習不強調
4、LR如何防止過擬合
5、LR分佈式訓練怎麼做
6、LR爲什麼使用Sigmoid
7、SVM的損失函數
8、SVM的推導過程
9、SVM怎麼擴展到多分類問題
10、SVM需要解決的重要數學問題是什麼
11、LR和SVM的區別
12、Gini係數、信息增益、信息增益率的公式
13、CART迴歸和分類時節點如何劃分的
14、決策樹將一個特徵全部乘以2會有什麼影響
15、反向傳播算法的推導
16、貝葉斯原理
17、L_BFGS,DFP推導
18、Kmeans算法,如何選擇k的個數
19、DBSCAN介紹
20、GMM算法
21、UBM-GMM模型
集成學習
1、Boosting 和Bagging的比較
2、XGB的推導
3、XGB爲什麼要用二階信息不用一階
4、XGB的VC維
5、LGB、XGB的區別和聯繫,並行是如何並行的
6、GBDT的原理,以及常用的調參的參數
7、XGB與GBDT的比較
8、RF怎麼進行節點劃分
9、GBDT和RF的比較
10、Stacking方法
特徵工程
1、如何判斷特徵的有效性
2、特徵選擇的幾種方法
3、爲什麼要做數據歸一化,在梯度下降時有什麼好處
評價指標
1、評價指標及含義
2、AUC理解和計算方法
3、樣本分佈不均衡時,怎麼訓練怎麼評價
損失函數、優化函數、核函數
1、各種核函數的比較與使用場景
2、牛頓法的原理及求解sqrt https://leetcode.com/problems/sqrtx/
3、SGD、Momentum和Adam的區別和聯繫
4、GD和SGD等的區別
5、各個損失函數的形式與區別
6、交叉熵損失公式及推導
7、偏差和方差的區別
正則化、降維、過擬合
1、L1和L2的區別與應用場景
2、各個模型如何防止過擬合
3、使得|x_1 - x*| + .. + |x_n - x*|最小的x*
4、SVD在遇到數據特別多的時候會產生一定的問題?如何解決?
5、PCA的原理
6、PCA與SVD之間區別和聯繫
學習鏈接
http://www.dscademy.com/supervised-learning/linear-regression/
https://www.jianshu.com/p/70e04c02985c
二、深度學習
CNN相關
1、各個CNN模型之間的比較,例如inception、VGG、Resnet等
2、CNN的模型結構與原理
3、Pooling的作用
4、Dropout的理解
5、BN原理及爲什麼可以工作
6、Resnet的原理
7、膠囊網絡的原理
8、Alphago的原理
9、Data Augmetaion方法
10、1X1卷積核的作用
RNN相關
1、LSTM的結構、原理及參數數量
2、梯度消失原因,解決方法,爲什麼LSTM可以避免梯度消失
3、GRU與LSTM的不同
4、RNN模型的演變過程
5、RNN中的正則化方法:AR以及TAR
模型比較、訓練
1、深度學習中的過擬合,如何解決
2、梯度消失梯度爆炸的原因及解決方法
3、模型訓練停止方法
4、RNN和CNN的對比
學習鏈接
https://www.cnblogs.com/huanyi0723/p/8470866.html
三、推薦算法
1、FM模型的具體公式,FFM的改進
2、個性化推薦的常用模型
3、https://www.jianshu.com/p/99e8f24ec7df
四、NLP相關
1、Word2Vec原理,CBOW和Skip-gram的訓練過程,負採樣
2、TF-IDF原理
3、Fasttext的改進
4、Sentence-embedding模型
5、Doc-embedding模型
6、情感分析怎麼做
7、序列標註的理解
五、概率論
1、如何衡量兩個分佈的相似度
2、CRF推導
3、統計中的P值和Alpha值
4、常問問題:摸撲克牌、硬幣、五福的期望等
六、框架
1、Hadoop,Hive,Spark相關理論
2、Tensorflow的圖計算模型
3、with關鍵字
4、模型保存的相關描述
5、session是什麼
七、語言
1、C++裏面的多態
2、Python numpy經典題目
3、zip作用
4、python異常處理
5、常見的知識點(實現一個0、1過濾器等簡單手撕代碼題)
八、其他基礎
複習其他領域相關的知識可以參照:https://github.com/CyC2018/Interview-Notebook
part2:來自牛客網面經和各種整合
騰訊面經
一面:
寫sql,不會。。。改用pandas寫,寫的不好,是三個表的merge問題,糅雜了最大值。
介紹自己簡歷上寫的比賽,吹了二十分鐘。
聊完十分鐘後就收到了二面通知
二面:
介紹gbdt/xgb/lgb的區別。
介紹常見的正則化方法:l1、l2、dropout、模型參數、bagging、數據本身。
對於id類特徵的處理方法:one-hot、gbdt+LR、fm、ffm、deepfm。
介紹另一個比賽,數據泄露和採樣問題。
問研究方向,graph embedding,聊了一下圖上做推薦
問了不瞭解文本相似度、文本匹配在深度學習的應用,只會傳統方法,說了一下編輯距離、傑卡爾德距離,餘弦,深度學習部分被錘。
問了一下seq2seq,。。。不該在簡歷上寫的,被錘。
百度面經
百度正常批,成都面經
一面:
一面遇到的面試官十分注重算法基本功,因此一口氣被問了5道編程:
1、鏈表反轉
2、二叉樹後序遍歷
3、TopK
4、IP地址 32位int存儲
5、快排非遞歸
全部編程題需要手寫,但是我當場提出了是否可以使用電腦的要求,面試官特別好說話,就同意了,只是全程會盯着我的電腦......然後讓我寫了測試用例,感覺自己挖了坑
6、項目介紹
二面:
一面結束相隔一天就被通知二面。
二面的面試官特別萌,態度超nice,穿着一身AJ,感覺打球很不錯的樣子。
1、編程題01:編輯距離
2、編程題02:01矩陣找出最大面積的由1組成的矩形(lintcode 510-hard),當時給了非最優的解法,回家後找了下答案,的確是沒有想到。
3、論文01逼問:
1)數據集
2)創新點
3)ARMA、LSTM、CNN、convLSTM原理以及網絡結構
4)論文中的網絡結構,每層參數如何計算、feature map大小的計算方法。
5)特徵工程如何做的,是否使用過可視化組件,怎麼用的。
4、論文02逼問:
1)創新點
2)MapReduce資源消耗的預測模型怎麼做的,公式推導一遍。
3)Hadoop優化相關問題
5、專利逼問:
1)Spark原理、與Hadoop對比
2)CheckPoint原理,spark中的ckp有什麼特性
3)專利中的模型如何優化計算成本
4)爲何使用了圖論方法
6、比賽逼問:
1)特徵工程
2)缺失數據填補方法
3)滑窗法具體怎麼做的
4)上分最快的幾個方式詳細介紹一下
5)爲何選用LSTM+xgb
6)怎樣做的模型融合
7、推導softmax
8、詳細比較sigmoid、relu、leaky-relu等激活函數
9、Batch Normal的原理以及作用
10、怎樣理解機器學習和深度學習。
二面基本上是簡歷面試,論文較爲被看重,詳細問了很多建模方法以及實現細節,包括keras裏面的一些代碼問題,但是面試官超好,全程沒有緊張的感覺。
三面:交叉面
三面通知郵件中沒有寫房間號,到了現場被告知是部門隨機,感覺就是哪個部門看重你,就會在三面面你。
面試官的確是手百-feed流的主管,全程場景題。
1、性格介紹
2、優缺點介紹
3、爲什麼要去北京
4、場景題
線上的圖片推薦因爲實時性要求不同分爲圖文和圖集,balabal介紹一通圖集 圖文的區別,拋出一個問題:如何改善圖集推薦時的bad case,要求給出各個模塊的實現思路以及建模方法。
當被問到推薦系統相關問題時我是懵逼的,因爲從沒做過推薦,全程腦子裏在搜索以前在天池看過的直播課,然後給出了一套設計方案。
面試官圍繞我給出的方案一步步進行討論和引導,差不多討論了半小時。
給我的感覺就是,面試官並不會否定你的方案,而是圍繞你給的方法一步步給予引導和改進,然後形成一套可實施的方案,在這過程中可能面試官看重的是你思考的過程以及一步步改進的意識。
5、介紹一下NLP的項目,圖譜如何構建的,NER的效果如何。
交叉面的面試官真的是一個好的mentor,一個推薦方案從粗糙到細化,一步步給予引導,基本上自己沒接觸過,這30分鐘至少搞清楚了圖文、圖集推薦的套路是怎樣的,真的是受益匪淺。
四. HR:
26號收到面試通過的通知,要求27現場面籤,因爲學校三方的原因以及頭條那邊還沒溝通薪資的原因,沒有立即簽約百度,HR也特別好,給了一定時間的寬限。
說實話,feed流算是百度核心部門,所以現在陷入糾結中......
五. 總結
百度的面試體驗超好,沒有刁難,沒有超綱的問題,面試官只在乎你懂得東西懂得有多深,而不會觸碰你簡歷上沒有的東西,尤其是三面的mentor,真的超讚。
作者:J.Q
鏈接:https://www.nowcoder.com/discuss/88679
來源:牛客網
美團AI算法提前批(已拿兩offer)
第一輪:
17號清華雙選會,一人可以選兩個部門面試,每個面試就大概15min
兩個部門共問到的問題有(模型多是根據項目問):
1. xgboost原理,怎麼防過擬合
2. gbdt推導
3. boosting和bagging在不同情況下的選用
4. DBSCAN原理和算法僞代碼,與kmeans,OPTICS區別
5. LSTM原理,與GRU區別
6. 算法題:翻轉中間由各種符號隔開的字符串
第二輪第三輪:
20號在望京,每個部門兩輪
共問到:
1. EM算法推導,jensen不等式確定的下界
2. xgboost和lightgbm的區別和適用場景
3. LR的推導,損失函數
4. gbdt推導和適用場景
5. DNN的梯度更新方式
6. 算法題:2sum,3sum
7. 算法題: 從右邊看被遮擋的二叉樹,求露出的node
8. 概率題,抽藍球紅球,藍結束紅放回繼續,平均結束遊戲抽取次數
第四輪:
hr面
23-24號左右,兩天把offer都發了,讓意向選擇
此外,正在面試另一部門,等終面,等拿到offer再更新!
---------------------------------------------
更新分割線,美團另一部門面完終面,在等offer,應該差不多,具體面經不方便透露,這個部門相對在起步和保密階段
只說考到的點有 apriori,KM算法,匈牙利算法,模擬退火,貪婪,蟻羣對比
--------------------------------------------
騰訊應用研究-機器學習提前批(已進入offer報批階段,走流程)
騰訊一面應用研究-機器學習
面完直接說過,等二面
1. 扣簡歷的項目,扣的很細
2. xgb,rf,lr優缺點場景。。。真的逢面必問,有不瞭解的可以留下評論,我可以提點拙見,最好還是自己去網上扣一下這題
3. 算法題,單鏈表判斷是否有環 (leetcode easy),以及判斷環入口,這題卡殼了沒想出來
4. 算法題,給前序和中序,求出二叉樹
5. 是否寫過udf,問udaf,udtf區別和一些細節
騰訊二面應用研究-機器學習
面完沒有直接說過,說等通知,感覺涼的一比,可能只能走到這兒了
1. 扣項目,問簡歷,其中涉及的算法和上面差不多
2. 問推薦算法,fm,lr,embedding
3. 算法題,10億個32位正整數,求不同值,只給1GB內存。。。我只答出來4GB的情況,時間負責度還不是最優的,所以穩穩涼了,如果有人知道怎麼解1GB,求回覆,感謝
騰訊三面應用研究-機器學習
估計還有最後一面技術面。。。
1. 算法題: topK給出3種解法
2. 協同過濾的itemCF,userCF區別適用場景
3. 扣項目,問簡歷,其中涉及的算法和上面差不多
4. 對項目中一些技術選型產生質疑,並友好的一起討論了這個問題
5. 推薦系統的大概步驟,解決冷啓動。。。
騰訊四面應用研究-機器學習
最後技術總監面,onsite
1. 算法題:名人問題,給出最優解法
2. 問了一下項目和簡歷
3. 自我評價優缺點,怎麼改進
4. 描述一個算法項目從kickoff-落地的全過程
騰訊五面應用研究-機器學習
總監面完立刻就hr面了
hr面就是常見的問題,城市啊,薪資待遇啊,對部門的評價,對總監的評價
然後就在系統中提示offer報批中。。。
希望大家都能找到自己喜歡的工作
--------------------------------------------
阿里一面機器學習算法工程師 (數據技術與產品部)
面完讓等通知,不知道涼否
1. 扣簡歷,問得太細了,每個項目都要回答如果再做一次,有什麼改進的地方,both算法上和模型選擇上
2. 算法題,反轉鏈表
3. 算法題,trim二叉搜索樹
阿里二面機器學習算法工程師 (數據技術與產品部)
過了三週才二面,以爲涼了,接下來繼續等3面
1. 扣簡歷
2. CNN爲什麼比DNN在圖像識別上更好,這題我答得很爛,有好答案的歡迎留言
3. 用mapreduce實現10億級以上數據的kmeans
4. rf和gbdt基分類器區別,裏面的決策樹分別長啥樣,怎麼剪枝
5. 說一下gbdt的全部算法過程
6. 反轉鏈表。。。這個倒是簡單
--------------------------------------------
百度一面機器學習算法工程師 (搜索)
感覺有點涼
1. 聊簡歷項目,對搜索推薦算法的瞭解
2. 現場用collabedit寫代碼,一個怪異的歸併算法。。。之前沒遇到過,直接把歸併寫出來,但是說複雜度太高,優化了三遍還不行,最後說出用小頂堆解決了。。。反正這題做的不太好,百度對代碼的細緻和性能要求還是很高的。這題因爲耗了很久,我之後又有事兒,也就沒在面了。。。。感覺涼涼了,加上我之後可能也去不了北京onsite,估計機會不大了。
---------------------------------------------
螞蟻金服一面算法崗
1. why LSTM,和Naive RNN區別
2. lightgbm優勢
3. 簡歷上項目爲何適用xgb和lr,對比其他分類算法的場景優勢 (這題基本上逢面試必問)
4. 簡歷上聚類項目用到的ISODATA算法比kmeans有哪些改進
5. 算法題,單調函數求零點 (簡單的二分法)
一面說過了,之後等二面了再更新
【春招】【阿里】
一面(40分鐘):
1.自我介紹
2.介紹項目
3.xgboost和gdbt
4.你知道的防止過擬合的方法(回答了正則化項)
5.L1和L2的區別,數學上解釋(等高線)
6.用到了矩陣分解,所以講一下。
7.你還知道哪些機器學習的方法.
8.寫代碼:二叉樹的深度。
深度學習完全沒問
面試官評價:知道的機器學習的算法廣度不夠。
二面(30多分鐘):
沒自我介紹 沒項目介紹 直接問問題
二分類的評價指標都有哪些:
數據不平衡問題如何解決(adaboost就能做到!)
KNN 複雜度高,怎麼解決
相似文檔,相似圖片。LSH
xgboost gbdt
NLP的問題都答的不好。感覺面試官就是做NLP的。
深度學習做過哪些?深度學習+推薦?
LSTM的原理大概說一下,解決RNN的哪些問題。
如何衡量兩個句子的相似度,sentence embedding的方法(給了很多提示我都沒達出來)
三面(1小時+):
聊項目,主要是兩個推薦方面的項目。問的很細,每說一步都會提出問題。
場景題:判斷用戶遇到的問題,做推薦。從數據來源到模型,問的很詳細。
評價:知識面窄。
四面:
自我介紹
數據處理的流程
聊項目
java中實現list的容器都有哪些
LR和SVM的區別,哪個是參數模型
怎麼解決過擬合 爲什麼會過擬合
100!末尾有幾個0
場景題:判斷用戶query是否是時效性query
自己的優缺點是什麼
遇到過的最大的困難 有什麼反思
性格是內向外向
在團隊中是扮演什麼角色
hr面(20分鐘):
就是一些很常見的問題:
你一個印象很深的項目。
讀研對你的提升。
最近看什麼書。
你有什麼優點。
你能爲團隊貢獻什麼。
三個詞對自己性格描述,怎麼體現的。
【春招】【騰訊】
初試1(1個小時):
寫卷子:操作系統,TCP,C++,快排。(10道題左右的卷子,只寫了一道快排)
問項目,主要是計算廣告相關
智力題:1000瓶水有一瓶毒藥,需要幾隻小白鼠(10只,二進制編碼)
初試2(部門領導面(10多分鐘的閒聊)):
對特徵選擇的想法
職業規劃
做過哪些項目
複試(總監面):
推薦項目的介紹
如何驗證模型結果
42億排好序的QQ號, 找到其中某個
全程argue我初試爲什麼交了白卷(捂臉哭),操作系統、算法基礎不好
實習期間的內容
面試官給的建議:操作系統、網絡(我是算法崗啊????!)、數據結構、算法,這四部分是基礎,是必須要會的。
【春招】【美團】
1.電話面 20分鐘
自我介紹
關於計算廣告的一些問題
平時用什麼工具
分類樣本不平衡
場景題:如何判斷刷單
2.現場面 40分鐘
自我介紹
寫代碼:二分查找
問項目,問的很詳細
場景題:找top10個常出現的ip
場景題:判斷是不是垃圾信息
防止過擬合的方法
L1 L2如何選擇
自己的優點是什麼
3.HR面 20-30分鐘
自我介紹
哪裏人 哪年的 畢業時間 能實習的時間
學校 實驗室的情況 有沒有認識的人在美團 等等
給之前的面試表現打分
項目中遇到的困難
開放性問題:一杯水等分成30份,沒有度量工具,怎麼做
【秋招】【攜程】
一面(40分鐘):
介紹項目,沒問到技術問題,也沒寫代碼。
二面(15分鐘):
部門主管,一共面了15分鐘,主要是聊是哪裏人、杭州上海怎麼選、北方人咋不去北京、覺得上海哪好 什麼的。。。
問了個場景問題:怎樣給沒登錄或者沒歷史行爲的用戶推薦度假產品。。(整體推薦框架介紹,熱門+地理位置)
沒有HR面就直接發offer了。。
【秋招】【美團】撕了三輪代碼,今年美團真是難。。
初試第一輪(50分鐘):
自我介紹
項目
寫代碼:數組的全排列(我說我不會寫),換了個簡單的判斷是否是迴文數,用兩種方法。
初試第二輪(40分鐘):
自我介紹
項目
場景題:推薦附近商戶 完整流程,其中涉及到如何判斷一個店是網紅店
寫代碼:找第k大的數(leetcode原題,類似快排的思路),用堆怎麼做
複試(1小時+):
介紹項目,每說幾句會打斷,問怎麼做的。
前向傳播和反向傳播
畫出DeepFM或FNN或PNN的圖
寫代碼:一排排的球,從上向下求路徑加起來最大(DP)。寫好後一行行的看,問這裏這樣寫會有什麼問題,如何改進。
然後閒聊很久。。
HR面:
實習做了些什麼
用沒用過點評
閒聊中問HR小姐姐是不是今年HC很少,得到了肯定的回答。。
作者:牛客128229號
鏈接:https://www.nowcoder.com/discuss/108820
來源:牛客網
(最後祝大家找實習順利,加油!過程會很艱難,但一定不要放棄,不然立項咋辦,畢業咋辦?哈哈,加油)