《机器学习面试》专题

前言 大家好，我是鬼仔。今天带来《机器学习高频面试题详解》专栏的第一章监督学习的第一节：感知机，接下来鬼仔将每周更新1～2篇文章，希望每篇文章能够将一个知识点讲透、讲深，也希望读者能从鬼仔的文章中有所收获。 欢迎大家订阅该专栏，可以先看看专栏介绍。如果对文章内容或者排版有任何意见，可以直接在讨论区提出来，鬼仔一定虚心接受！ 一、原理 1. 感知机模型 感知机模型是一个最经典古老的分类方法，现在基本

本来三十分钟的面试，我直接十四分钟完事，面试官不问具体项目做了啥，就从你做的项目里面挖知识点，基本问的都是纯八股，很基础的问题，但是我太菜了(我答的很不好，可能还没到问项目呢😅)，面试官人很好，你说不会，他就说那咱换一个，反问之后还给我提建议来着。 总结，体验还可以，问题在自己太菜😂

7.27一面 面试官人很好，问到我不会的就换别的问了，全程一个小时。 先自我介绍，再根据自我介绍里的内容进行提问，关于研究方向的问题，想了解我的研究方向大致是怎样的，让我大概就研究任务和主要方法还有数据集方面做介绍。 关于语言情况，我说我主要是用Python，她说他们C++用得多，我说本科用过，但是研究生期间没用了。她说他们Python只是拿来实验一下算法，主要还是用C++做底层的开发和改进优化。

百度2024秋招机器学习一面面经 岗位：机器学习/数据挖掘/NLP-T联合 部门：百度地图 地点：北京 一面 自我介绍 对项目和实习的大概询问，没有去深挖，只是对一些问题进行询问 询问对大模型的了解，讲了 RLHF 的原理 RLHF是一种新的训练范式，通过使用强化学习方式根据人类反馈来优化语言模型。一共包括三个步骤： 预训练一个语言模型（LM） 收集数据并训练奖励模型 (Reward Model，

自我介绍到一半打断了，直接问八股…… 关注的点和一面一样有点奇怪，特别喜欢问我记不记得base模型的d_models和seq_len以及各种各样的参数…… 项目里一直纠结我训的1.5B模型，我跟她说我还训了3.8B和72B版本，没让我讲下去，说1.5B已经很大，可以满足我们项目需求了…… 代码题做了lc. 236的变体最近公共子节点，和lc. 15三数之和，手撕的没什么问题，但这三数之和在一面已经

前段时间投算法实习一直没回应，当时觉得连简历都过不了很焦虑，还发了一条动态挺多人回我的。后来陆陆续续也有企业找我笔试，目前做的两个都过了。周中收到了百度的面试通知。 人生中第一次求职面试，不出意外地凉了。细问了项目，有一个强化学习相关的项目面试官相关知识应该挺熟悉，但是我主要做的是数据分析方面的工作，所以对核心算法的实现回答得牛头不对马嘴另一个项目浅问了一下。 然后就手搓代码了。一道搓出来了另一道

全程35分钟，是个女面试官，感觉气场上应该是个部门主管；无手撕算法 1.先介绍了部门情况，第一次见面试官先自我介绍的，感觉确实是个领导，有亲和力 2.自我介绍 3.拷打第一个项目，我本来想共享屏幕对着模型图讲，结果面试官说不用，我就直接讲；这个面试官理解能力很强，我讲的她基本直接就懂了，之前有的面试官要问我好几遍；然后提了一些问题 4.拷打第二个项目，主要介绍了项目整体以及一些亮点，然后问了我幻觉

全程50分钟，这次是女面试官，人很好，不怎么拷打，开始时先介绍了面试流程 1.自我介绍 2.介绍第一个项目，我的是一个RAG的项目，吟唱完让我说一下项目的两个亮点，我就介绍了语义感知的文本切分和缓解幻觉的两个点，又提问了一些问题 3.介绍第二个项目，我的是一个论文项目，我直接共享桌面对着模型图讲了一遍，当然中间也穿插着提问，殊不知这次共享有几率让我寄掉 4.问一个基础问题，面试官问了我transf

支持向量机（SVM）是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面，可以将问题化为一个求解凸二次规划的问题。与逻辑回归和神经网络相比，支持向量机，在学习复杂的非线性方程时提供了一种更为清晰，更加强大的方式。

感知机可以理解为几何中的线性方程：w*x+b=0 对应于特征空间 R^n 中的一个超平面 S ，其中 w 是超平面法向量，b 是超平面的截距。这个超平面将特征空间划分为两个部分。位于两部分的点（特征向量）分别被分为正、负两类。

本文向大家介绍关于机器学习中的强化学习，什么是Q学习？，包括了关于机器学习中的强化学习，什么是Q学习？的使用技巧和注意事项，需要的朋友参考一下 Q学习是一种强化学习算法，其中包含一个“代理”，它采取达到最佳解决方案所需的行动。 强化学习是“半监督”机器学习算法的一部分。将输入数据集提供给强化学习算法时，它会从此类数据集学习，否则会从其经验和环境中学习。 当“强化代理人”执行某项操作时，将根据其是否

主要内容：Python,NumPy,Pandas ,Scikit-Learn常言道“工欲善其事，必先利其器”，在学习机器学习算法之前，我们需要做一些准备工作，首先要检查自己的知识体系是否完备，其次是要搭建机器学习的开发环境。本教程以讲解算法为主，不会涉及太复杂的应用案例，在讲解过程中会穿插一些示例代码，这样不仅能够帮助你理解算法原理，同时又能让你体会到算法的应用过程。 机器学习的研究方向有很多，比如图像识别、语音识别、自然语言处理、以及深度学习等，因此它是一门较为复杂的技

主要内容：机器学习术语,假设函数&损失函数,拟合&过拟合&欠拟合机器学习是一门专业性很强的技术，它大量地应用了数学、统计学上的知识，因此总会有一些蹩脚的词汇，这些词汇就像“拦路虎”一样阻碍着我们前进，甚至把我们吓跑。因此认识，并理解这些词汇是首当其冲的任务。本节将介绍机器学习中常用的基本概念，为后续的知识学习打下坚实的基础。 机器学习术语 1) 模型 模型这一词语将会贯穿整个教程的始末，它是机器学习中的核心概念。你可以把它看做一个“魔法盒”，你向它许愿（输入数

从零开始 让 TX2 动起来 安装OpenCV 安装TensorFlow

这个章节介绍scikit-learn 所提供之机器学习资料集，最常用的主要有: 手写数字辨识 鸢尾花资料集 Ex 1: The digits 手写数字辨识 Ex 3: The iris 鸢尾花资料集