《顺丰机器学习》专题

sift步骤和公式 #面经# #校招# #面试# canny步骤和公式 交叉验证原理 hsv和rgb转换公式 pca原理步骤 为什么要降维 怎么特征现选择，卡方检验是什么 kmeans原理步骤，k值怎么确定 决策树怎么预测值 adaboost原理 xgboost原理 皮尔逊系数 在手机上部署大模型要怎么做 python内存清除机制 roc曲线是什么，怎么计算 最后一道lc medium 因为简历上

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😂

9.6一面 (30min) 面试官先说流程，一共考察两部分：一，简历上的项目提问+基础知识；二，个人综合素质与沟通交流能力。感觉更注重模型和特征的解释方面，说是因为要经常跟学统计的人打交道和合作。 自我介绍 项目提问，并穿插着问基础，比如讲一下特征选择的方法，特征重要性等等 问懂数理统计吗？讲一下假设检验的流程。特征选择的卡方检验。 碰到给客户解释不清的东西，或者他听不懂，怎么解决? IT领域裁员

一面： 自我介绍 说一下卡方检验 树的剪枝 GBDT 随机过程 ADASYN（我简历里面写了这个所以才问的） SVM常用核函数 问项目 反问 二面： 自我介绍 GBDT（问的巨细，包括为什么可以用负梯度拟合残差、如果换个loss function还可以用负梯度拟合吗） 拉格朗日插值法具体怎么算的（我简历里面写了这个所以才问的） 回归树用什么损失函数（我回答了一堆分类树的，傻杯了哈哈哈哈） 用三个词

#面经#顺丰科技# 面试体验感挺好的，只是我太菜了，我不配 1.事务如何开启？注解加在哪一层？ 2.了解多线程吗说一说 3.线程池的主要参数 4.SpringMVC三层架构，每一层的作用，为什么要这样分层 5.redis使用场景 6.消息队列使用场景 7.mysql中的数据更新了，如何同步到redis中 8.垃圾回收算法 9.JVM内存模型 10.项目为什么用springcloud ps：还有几个

广州线下面试 一面+二面 二面完就说可以回去等通知，佬们是继续等hr面，估计鼠鼠我又寄了 总的来说，面试官认为我测试思维不行，还需要去学习。开发转测开or测试的佬们，有什么学习资料or路线吗 —————————— 一面（40min） 自我介绍+项目问答+职业规划+反问 逮着鼠鼠我在网上学的项目一直问，能问的全问了 —————————— 二面（20min） 这个体验不是很好，没问太多技术，现场就感觉

自我介绍 Java虚拟机的内存模型 程序计数器 HashMap和ConcurrentHashMap的对比和区别 ConcurrentHashMap是通过什么手段保证线程安全的 Spring框架有哪些比较经典的设计模式（单例、工厂、代理）。 Spring中的后置处理器的作用是什么？（自定义实例化的逻辑，进行一些Bean实例的定制操作）。 SpringBoot和SpringMVC的区别 基于Nacos

分享一下顺丰一面攒人品 9.12 数据挖掘岗 1.自我介绍 2.项目 业务深挖 3.随机森林随机性体现在哪 4.决策树特征选择原理 几种决策树优缺点对比 5.窗口函数和聚合函数的区别 优缺点 还有一个问题我说不会忘记题目了 面试官人很好 是我太菜了 求好运求好运

一面面试官移动端，挺好的不问我不会的，问的都是一些通用的常规的八股。 1、自我介绍 2、高通平台冷启动流程，java阶段怎么启动。 3、为什么会有分页机制，解决了什么问题。 4、为什么会出现死锁问题，怎么解决死锁问题。 5、了解哪些网络协议。 6、应用层数据包是怎么一步一步往下传的。 7、怎么用udp实现可靠连接。 8、说一下websocket是干什么的。 9、说一下设计模式(说了两种单例模式)

问了大量vue2的相关知识以及原生js的知识，希望可以接到二面通知

自我介绍 介绍实习经历 这几段实习给你带来了什么成长？ 如何平衡学业和实习？ 实习中遇到的最大困难是什么？你是如何解决的？ 你觉得为什么自己适合产品岗？ 你的优缺点 反问 然后是测评和笔试，测评不用开摄像头#非技术面试记录#

1.自我介绍 2.介绍项目的逻辑，各个模块 3.项目难点，你是怎么解决的 4.讲讲永生永世土木人的心路历程，怎么跨到这里的，开始讲故事 5.那你压力很大的时候是如何解决的？我现在就压力很大，顺带讲讲爱好 6.对工作地点的看法 7.理想的工作状态是什么样子的？ 8.父母怎么看你未来的规划？ 9.反问 10.想起来还问如果你被挂了是什么原因？当然是我菜了。。那你为什么菜呢？菜在哪里？ 顺丰的hr真的太

Python 有着海量的可用于数据分析、统计以及机器学习的库，这使得 Python 成为很多数据科学家所选择的语言。 下面我们列出了一些被广泛使用的机器学习及其他数据科学应用的 Python 包。 Scipy 技术栈 Scipy 技术栈由一大批在数据科学中被广泛使用的核心辅助包构成，可用于统计分析与数据可视化。由于其丰富的功能和简单易用的特性，这一技术栈已经被视作实现大多数数据科学应用的必备品了。

主要内容 前言 课程列表 推荐学习路线 数学基础初级 程序语言能力 机器学习课程初级 数学基础中级 机器学习课程中级 推荐书籍列表 机器学习专项领域学习 致谢 前言 我们要求把这些课程的所有Notes,Slides以及作者强烈推荐的论文看懂看明白，并完成所有的老师布置的习题，而推荐的书籍是不做要求的，如果有些书籍是需要看完的，我们会进行额外的说明。 课程列表 课程 机构 参考书 Notes等其他资

机器学习与人工智能学习笔记，包括机器学习、深度学习以及常用开源框架（Tensorflow、PyTorch）等。 机器学习算法 _图片来自scikit-learn_。 机器学习全景图 _图片来自http://www.shivonzilis.com/_。