|
未经同意，禁止转载
美团到店一面凉经
- bagging，boosting对比，举例
- auc，precision，recall，acc含义
- 过拟合怎么办
- 深度学习优势
- 深挖项目
- 正则表达式
- 推荐模型通常由哪几部分组成，item的id如何embedding，word2vec做法，从word2vec出发，该怎么做id的embedding
- 常用推荐算法模型有哪些
- 算法题，问的有问题，这边就不提了
字节跳动音乐一面，二面（暂时到二面）
- 一面
- 实习项目和论文，论文中的方法相对于传统方法有什么优势
- lgb相对于xgboost的优势
- 由于本人读研期间是做不平衡方向的，所以问了常用的处理不平衡数据的方法
- 算法题，二叉树搜索中，两个节点互换了位置，找到这两个节点；用rand3实现rand7（这题可以参考leetcode中的rand7实现rand10，之前做过，但是面试的时候忘了。。是在没想起来。）还好面试官人好给了我二面。
- 二面
- 上来先是算法题，整数数组无序，是否存在下标i<j<k，并且值ai<aj<ak。写了dp的思路，问了时间空间复杂度，接着让我改进，讲了一个归并排序的思路，不过面试官希望我用o(n)的方式实现，没想出来，最后给了我提示双指针，这题貌似leetcode上也有类似的题目
- 问项目和论文
b站一面，二面（暂时二面）
- 一面
- 实习项目，问的比较细，会和你探讨
- 训练推荐模型的时候，有时候会负采样，分布发生变化后，如何校准
- 用于分类的损失函数有哪些，写一下具体公式
- hingeloss的含义，写一下公式
- 对推荐算法了解哪些
- 算法题，0,1组成的矩阵，从左上走到右下，不同的走法数，1是障碍
- 二面
- 实习项目，深挖
- xgboost的参数有哪些，过拟合后如何调参
- 常用的正则项有哪些
- l1,l2正则项适用场景，特征稀疏的时候用哪个比较好
- auc高是否一定说明auc高的模型排序能力更强，不一定，需要考虑测试数据的正负样本分布
- 树模型介绍，树模型和逻辑回归的区别，哪个模型能考虑特征交叉（树），哪个非线性性更好，逻辑回归如何做特征交叉
- 不平衡数据的处理方式
- 算法题，二叉树的层次遍历，平方根
- 反问
百度提前批一面，二面（大概率凉了）
- 一面，三道算法题，具体记不清了，主要是考研二分搜索，递归，dp
- 二面，算法题还是二分搜索，1到n的数字，组成二叉搜索树的个数，用递归解了，不过可以用dp优化，但是当时没想出来。。
- 考了一个开放题，文本纠错。。没接触过，就自己瞎编。
总结
首先对于写到简历上的内容一定是自己熟悉的，并且对于简历上涉及的知识点需要熟悉，并且可能的扩展需要自己先预想一下，然后准备一下。其次，最好有一个实习，一般面试官都是对实习感兴趣，我这几个面试，他们问的基本都是实习的项目，论文也会问。然后，基础知识得多背背，当然大佬直接理解了是最好的，我主要是看《百面机器学习》和《百面机器学习》以及“西瓜书”，再加上一些面经，就差不多了。最后，就是刷题，刷题很重要，并且需要理解，做不出来没关系，但是看题解的时候需要去理解他，并且隔一段时间再去做一做，就相当于错题集一样，如果有刚开始刷题的小伙伴，可以碰到一些觉得很好的题，有启发的题，或者易错的题就把他收藏了，这样到时候方面复习总结，我就是在做的时候会把一些题收藏，然后到后面就是主要去复习这些题，当然也可以去codetop.cc这个网站。后面我也会简单整理一下自己觉得不错的题，然后和大家分享。
简历，自我介绍也要提前准备好，然后多熟悉熟悉，读一读，背一背。
早做准备，早拿offer，早躺平休息。祝愿大家都能得偿所愿，收获offer。
后续有新的面经也会及时进行补充，不要吝啬你的三连哈！！
|