原创 校招提前批-作業幫機器學習/數據挖掘一面面經

1、時間 2019年7月3日 2、面試內容: 1)自我介紹 2)項目介紹,主要介紹了在百度做的反作弊數據挖掘相關的工作。 3)根據業務場景寫代碼: a、給出每個節點的權重,以及節點之間的連接關係,給出每個聯通子圖中權重最大的節點權重,面試

原创 校招階段性總結

       暑期實習從3月中序開始,先後面試了騰訊地圖算法崗、騰訊雲算法崗,均倒在了二面,阿里暑期實習面試了阿里媽媽、淘寶搜索部門的算法,均倒在了一面,京東廣告架構組三面通過,拼多多大數據一面掛,暑期實習投遞了很多,遇到算法崗艱難,也對

原创 校招提前批-百度核心搜索算法工程師一面涼經

一面: 就是寫算法題,一個小時一共寫了兩題,思路不夠清洗,自己做題通過即可,沒有注意最優解法,導致現場要求最優解法時卡克。 1、求平方根,使用二分法,我由於未使用二分法,導致後面優化思路出了問題,同時面試官問會不會溢出,這個問題我一直不是

原创 校招-快手機器學習算法一面涼經

1、時間:2019年8月13日 2、面試流程: 面試比較簡短,一面沒有自我介紹,沒有問項目,直接寫個代碼。 題目:存在一個遞增正整數數組,其中a[i]>2*a[i-1],問是否存在兩個元素之和爲給定值。 如果沒有數組相鄰元素的限制條件直接

原创 校招提前批-字節跳動安全風控部門算法工程師

一面(2019年7月28日) 1、自我介紹 2、融360實習項目,詳細問了思路,實現方案等等細節 3、問了百度實習的標題模板挖掘、團伙挖掘的思路,同時出了場景題,主要是spark的一些用法 4、算法題:求二叉樹中的最大路徑長度   二面(

原创 leetcode 加油站 題解

題目描述 在一條環路上有 N 個加油站,其中第 i 個加油站有汽油 gas[i] 升。 你有一輛油箱容量無限的的汽車,從第 i 個加油站開往第 i+1 個加油站需要消耗汽油 cost[i] 升。你從其中的一個加油站出發,開始時油箱爲空。

原创 leetcode K 個一組翻轉鏈表 題解

題目描述 給你一個鏈表,每 k 個節點一組進行翻轉,請你返回翻轉後的鏈表。 k 是一個正整數,它的值小於或等於鏈表的長度。 如果節點總數不是 k 的整數倍,那麼請將最後剩餘的節點保持原有順序。 示例 : 給定這個鏈表:1->2->3->4

原创 校招提前批-字節跳動data後臺研發三面面經

一面(2019年7月11日):時間太久了,有些模糊了,大概記錄問的問題 1、自我介紹 2、排序算法時間複雜度 3、操作系統的虛擬內存的作用及頁面置換算法,同時會出現的問題。 4、問項目,在百度實習的項目介紹 5、場景設計題:根據頭條的文章

原创 leetcode 擺動序列 題解

題目描述 如果連續數字之間的差嚴格地在正數和負數之間交替,則數字序列稱爲擺動序列。第一個差(如果存在的話)可能是正數或負數。少於兩個元素的序列也是擺動序列。 例如, [1,7,4,9,2,5] 是一個擺動序列,因爲差值 (6,-3,5,-

原创 jupyter notebook設置一個執行單元多個輸出

問題描述 日常我們在使用jupyter時,默認最後一個變量輸出,前面的變量沒有任何輸出,情況下圖所示,我們可以通過簡單設置來解決這個問題。 解決方法 通過加入這兩行命令,即可設置多個輸出。 from IPython.core.inte

原创 Ubuntu 下創建用戶

創建用戶 sudo useradd -m test -s /bin/bash 創建用戶名爲test的用戶,並使用 /bin/bash 作爲 shell   sudo passwd test 給test用戶設置密碼   sudo addus

原创 校招提前批-阿里大文娛優酷java提前批現場三面

一面(2019年7月23日):很多問題記不清了,最近感覺記憶力衰退太快了 1、自我介紹 2、問百度實習項目 3、死鎖發生的條件 4、場景題:有十萬識別的黑詞庫,優酷有評論和彈幕,設計接口判斷評論或者彈幕中是夠存在黑詞 5、有哪些offer

原创 暑期實習-京東廣告架構組三面面經

一面(太久遠記不太清了): 1、自我介紹 2、百度實習項目 3、是否使用過hive的時間窗口函數,以取最近十條新聞爲例 4、MapReduce原理 5、hdfs原理   二面: 二面面試官主要以java開發爲主 1、自我介紹 2、java

原创 jupyer notebook使用argparse報錯問題解決方法

問題描述 如下代碼使用在使用命令行啓動時不會出現問題,但是在jupyter notebook執行會出現報錯,如圖所示 import argparse parser = argparse.ArgumentParser(descriptio

原创 keras學習之深度學習模型評估

自動評估 keras將數據集的一部分分成評估數據集,在每個epoch中使用評估數據集對模型進行評估。實現可以通過fit()函數的validation_split設置數據集大小的百分比a來進行實現,評估數據集大小=全量數據集*a獲取,訓練數