《数据挖掘》专题

数据挖掘 18 大算法实现以及其他相关经典 DM 算法，BIRCH 算法本身上属于一种聚类算法，不过他克服了一些 K-Means 算法的缺点。

一位挖掘专家 tom khabaza 提出了挖掘九律，挺好的东西，特别是九这个数字，深得中华文化精髓，有点独孤九剑的意思： 第一，目标律。 数据挖掘是一个业务过程，必须得有业务目标。无目的，无过程。 第二，知识律。 业务知识贯穿在挖掘这个业务过程的各环节。 第三，准备律。 数据获取、数据准备等数据处理耗时占整个挖掘过程的一半。 第四，NFL律。 NFL，没有免费的午餐。没有一个固定的算法适用所有的

字节跳动 (1h) 1.自我面试 2.挑一个你认为比较成功的项目进行介绍？ 3.介绍你做过的特征工程 4.你都有过哪些算法？介绍下随机森林、XGB、GBDT的差异 5.对模型进行评估时候选取的方法 携程控股(45min) 1.自我介绍 2.选择一个项目进行介绍 3.你建模的时候都用到哪些方法 4.项目细节 5.模型评估 腾讯科技(1个小时) 1.自我介绍 2.直接问项目 3.解释下随机森林和GBD

硕士研究cv 可能和数据挖掘不是那么匹配~ 大华一面（1h）： 1、增量学习的科研项目（问了具体的细节 以及为什么） 2、语义分割的发展 3、UNet中的跳跃连接的作用 4、残差网络的shortcut连接的作用，数学方面证明残差网络可以避免梯度消失，并且问了一个关于残差网络的改进问题（面试官看最新的论文看到的，我没有理解他所说的问题） 5、宫颈肿瘤分割和pcr预测的项目（细节也问的很详细） 6、预

数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统（依靠过去的经验法则）和模式识别等诸多方法来实现上述目标。

1.1 KNN 1.1.1 思想 计算离待分类点距离最近的 K 个已分类点，K 个点中出现最多点种类为待分类点的种类。 1.1.2 距离 常见距离有欧式距离和余弦距离。余弦距离可以消除量纲的影响。相关系数 2. 聚类算法 2.1 K-means 2.1.1 思想 2.1.1.1 模型训练 根据类别个数 N，初始化 N 个点，作为该类别的中点。 遍历其他点，计算距离最近的中心点，该中心点的类别为当前

2道编程共40分，5道问答110分，共两个半小时，没做多久就退出来，哎。。。 有一道编程题用例过了，一提交通过0个用例，麻了 大佬给看看： 题目是车牌号识别准确率计算 输入N个车牌号，第一个字母是颜色，最后5个是号码，中间是地区号 每一行一个识别出的号码，一个真实标签 #我的秋招日记##网易雷火笔试##23届秋招笔面经#

时间过去有点久了，纯凭回忆，可能有些遗漏 一面 （1小时多吧） 机器学习基础知识 Bagging & Boosting 常用的聚类算法 Kmeans和DBSCAN的原理和区别 逻辑回归的原理 怎么处理离散数据 支持向量机原理 SVM怎么处理非线性 常用的回归模型 Attention原理 RNN和LSTM的区别 什么是梯度爆炸/梯度消失，什么情况下会出现 梯度渐进的原理 手撕算法 判断是否是回文 找

群面: 1.技术类抢答: lstm三层 xgb和gbdt的区别 决策树剪枝流程 逻辑回归原理 2.智慧园区项目自由讨论: 如何选人脸识别供应商 讨论智慧园区的人脸识别风险及解决 一面(过) 笔试挂，无二面

没看到cvte有什么产品岗，所以瞎投了数据挖掘，结果笔试都没有，早上忽然打电话要电话面试。 什么都没准备就这样去浪费hr时间了。 主要还是聊简历上的项目，很喜欢问xx和xx的区别，但项目不会全问，只问了我介绍的那个。 然后问了一些编程和数据库的基础知识，但我大脑一片空白，回答得稀烂，尴尬到脚趾抓地只想赶紧结束。 全程持续了二十六分钟，面试官人很nice，不会过度刁难，希望凉掉吧不要再有技术二面了?

机器学习树模型 GBDT与RF区别 XGB如何并行生成树 XGB优化方面对GBDT 深度学习 GRU通过什么方法保留前面时序的信息 GRU损失函数 word2vec cbow和skip-gram区别 cbow一个原理 交叉熵损失与kl散度 数据结构 单词表格，内存很大的表，运行内存很小，如何通过查询出现次数最多前100单词 python python内存管理机制 装饰器 pandas apply/

区块链的许多更广为人知的用途都涉及到加密货币的使用，我（非常有限）的理解是，挖掘被用作阻止一次生成过多硬币的工作证明，而且池越大，挖掘时间越长。 我也看到很多文章谈论区块链的其他用途，如医疗保健、抵押贷款、跟踪产品等。但我不明白的是，在这些情况下如何使用挖掘？当然，如果将其用于医疗记录，那么链的大小将快速增长，患者或医生不希望在访问时等待他们的新“块”被添加到链中的时间太长。 那么，在速度很重要的

联想 数据挖掘工程师 idg 武汉 7.26简历投递 7.27笔试+测评 8.3收到面试通知 8.8一面 联想的面试体验还是挺不错的，一开始面试官介绍了他们部门的一些情况😀，先自我介绍了一波，然后就让我自我介绍了一下，总结问题如下： 1. 围绕着简历上的项目，问了一些问题，不是很深入； 2. 面试官对我目前的实习内容比较感兴趣，因为背景和联想这个部门做的东西非常像，所以围绕这个问了许多。大部分是

1. 自我介绍＋之前的项目经历 2. xgboost怎么调参避免过拟合 3. app分类方面如何对未来的app进行分类 4. 如何避免模型上线之后psi降低 反问: 1. 岗位具体职责 2. 偏研发还是业务层面 3. 公司对于图算法的使用

选择： 假设检验 SQL视图 数字规律 欧氏距离、余弦距离 高斯分布 PCA&LDA 贝叶斯定理 SVM 泊松分布 降低过拟合&欠拟合 简答： K-means算法步骤 案例分析 [注]：静下心来都能做出来