本科校招算法岗面经:拿到滴滴、头条offer


我是七月在线集4学员,本科,以下是我的校招面经

今日头条

  • FM
  • EM
  • 描述一下最大熵。
  • 说下了解的概率图模型。
  • LR 损失函数及其求导。
  • 交叉熵与 softmax。
  • GDBT 与 RF 的区别。
  • GDBT 和 XGBoost 如何处理分类问题。
  • 误差分析(bagging 为了降低偏差,所以 RF 中决策树用较深的,boosting 为了降低方差,所以 GDBT 中决策树用较浅的)。
  • 加法模型,GDBT,XGBoost。
  • 泰勒公式 XGBoost 中为什么没有三阶导数(因为泰勒展开最高二阶,高阶都是零)。
  • SVM 损失函数(合页损失)。
  • LR 与 SVM 的区别。
  • 合页损失与 logloss 的区别。
  • 了解 bert 么?
  • DSSM
  • word2vec 的优化方法。
  • fastText
  • RNN/LSTM/GRU
  • 4~5 道 leetcode 题,记不太清了,重点考察算法复杂度优化。


滴滴

  • Seq2Seq
  • TextCNN
  • RNN/LSTM
  • XGBoost
  • RF
  • LDA topic model
  • GDBT


百度

  • 编码实现 TF-IDF。
  • SVM 与 LR 的区别。
  • wordcount


小厂1

  • 深度学习是否需要交叉验证。
  • 既然已经有准确率,召回率这样的更直观的评价指标,为何还需要 ROC、AUC?这样的指标意义何在?及其计算⽅方式。
  • 词向量的方法。
  • 不平衡类别的处理⽅式。
  • MAP 是什么?如何计算。
  • 数据扩充方法。
  • 深度学习调参经验。


小厂2

  • 给定⼀个集合,输出这个集合的所有⼦集。
  • elastic search 的存储机制。
  • 描述⼀下 EM 算法,并举⼀个例子。
  • Python 语法。
已邀请:

要回复问题请先登录注册

返回顶部