算法面经:应届生如何通过四大金刚拿到年薪30万


我是机器学习集训营的学员,硕士某211。说来自己进入机器学习这个领域也是机缘巧合,本科是电气行业,但在硕士期间跟随实验室做一些数据挖掘的项目,算是踏入了这个领域。在校学习期间,自己也从知乎等其他平台找到了一些视频、书籍,但终归不够系统,而且实验室项目数量有限,始终觉得自己在机器学习的入门槛徘徊,后来偶然接触到了七月在线的视频,觉得老师讲课很生动,于是就在七月平台上购买了其他课程进行学习,但人毕竟有惰性,视频看着看着也就搁置了。

在研二接近结束的时候,了解到了七月的机器学习训练营,线上线下的模式让我很心动,再加上秋招的压力,自己还是狠了心报了班来参加,尽管后来因为种种原因没有完成最终的课程,但也收获了不少东西,简单总结一下就是一下几点:
首先就是校长经常强调的四大金刚(小编注,四大金刚指的就是:“课程 题库 OJ 竞赛”哦),个人觉得这个是一个算法工程师需要一直坚持的事情;
其次,在机器学习的过程中要注重理论的推导和实践的结合,公式要反复推,项目要亲自实践,实践中会发现很多新的问题

当然希望以后有机会可以去七月回炉重造,哈哈~

秋招当时由于家里有些事,所以面试经历不多,现在就简要回顾一下实习和秋招的经历,时间太久,有些问题已经记不清楚了。
实习:
A. 某互联网找房平台
算法题(关于二分查找的),对简历上的项目进行介绍,接着面试官根据项目用到的算法进行提问,当时项目经历主要跟xgboost相关,因此面试官从决策树的相关问题开始提问,面试问题如下:
1. 决策树的主要类别
2. 决策树的减枝
3. GBDT和xgboost的区别
4. GBDT的基本原理
5. L1、L2正则化
6. 概率题(主持人问选手选了是否改选的问题,记不清了,七月概率课上有讲)
B. 某出行公司
面试主要两部分,项目经历以及算法题,算法题一道剑指offer上的原理和一道动态规划的题目。
1. 偏差与方差的区别
2. 什么是过拟合和欠拟合,如何判断模型欠拟合
3. K均值算法的优缺点以及如何进行调优
4. Xgboost的算法原理

秋招:
C. 某互联网银行
一共有三面,一面是技术面,后两面是群面:
一面:面试官一对一面试,介绍简历项目
问题:
1. 常见的CNN的结构
2. LSTM梯度消失爆炸,LSTM的结构
3. Xgboost的调参细节
4. Xgboost相比于GBDT的优势
D. 某大厂
简历项目介绍,关注项目中的细节问题
问题:
1. 机器学习中的采样方法,现场实现
2. 给定业务场景,写一段代码

总结:对于在校生的建议,大家有精力的一定要先去实习,实习经历对秋招有很大的加分,而且实习转正的机会要比秋招容易得多;对于秋招,面试官考察的是大家的基础,所以要多刷题,对于数据结构中的图、二叉树以及各种排序都要能熟练的写出来,算法题是否能够熟练的写出来往往决定最后面试的成败,毕竟大家进去公司还是要做项目,要有工程实现的能力。

另外,学习中对于一些算法建议手动实现,一是加深理解,二是锻炼coding能力。对于一个项目要了解透彻,了解为什么要用这个算法。机器学习的过程是一个长期积累的过程,github上也有很多项目代码,大家多多学习,不断积累,有时间也多阅读一些顶会的文章,了解机器学习的最新动态。最后预祝大家都能找到一份满意的工作!
已邀请:

要回复问题请先登录注册

收藏七月在线,一起向大牛进阶

ctrl+D或command+D可以快速收藏哦~