时长:30分钟 1. 自我介绍(约5分钟) 2. iOS基础 2.1 在启动一个App时,类的加载过程是什么样的? 2.2 在OC或者Swift中,调用一个类的方法时,具体的流程是什么样的?(OC走runtime机制,Swift则是四种不同的派发机制:直接派发、虚函数表派发、见证表派发、runtime动态派发) 2.3 一个App是如何被渲染的?(Vsync信号) 2.4 刚刚提到了离屏渲染,在什
具体就是问项目 项目中的难点 怎么解决的,知道是什么原因吗 useEffect useLayoutEffect useState同步异步,为什么 手撕一道leetcode 简单题 估计是来当分母的,凉凉 补个一面 闭包, 手撕代码 ,具体忘了 盒模型 垂直居中 给你代码问输出
刚刚面完,一开始以为是群面,结果进去面试官说要单面,问的比较常规,但是我感觉答得不好,大概率g了: 1.介绍自己 2.介绍自己的实习经历 3.说一下在实习经历中面临最大的困难以及如何解决 4.说一下物流运营岗位的职责(这个我说的不好) 5.说一下为什么选择顺丰而不是京东(面试官说我这个回答不够深入,说我的回答任何一个消费者也能说出来) 6.说一下顺丰和京东的区别 7.反问 💼公司岗位
抽象,太抽象了。 1. 自我介绍 2. 怎么学习的前端 3. 谈谈对CSS的理解,在学CSS过程有没有遇到过有意思的事情() 4. vue2和vue3学起来感觉有什么差别 5. setup函数的原理是什么? 6. 在印象中项目里最深刻的优化经历 7. 谈谈你对flex的认识 8. flex常用的属性 9. 谈谈你对three.js的认识
1. 学习前端的历程 2. 对闭包和执行上下文的理解 3. 闭包的应用场景 4. 断点续传和大文件上传 5. 如果上传大文件中用户刷新页面如何处理 6. webworker处理完之后如何和主线程通信 7. 自定义Hooks的封装理念 全程20分钟😂😂 #顺丰# #前端# #顺丰面试#
9.11 一面(30min) 纯八股: 介绍下hadoop(hdfs、mapreduce、yarn) 介绍下hbase 介绍下flink flink checkpoint、connect和union的区别、flink如何处理数据倾斜 介绍下kafka kafka如果有台机器挂掉会发生什么 链表反转 面试官全程表情和语气冷淡,体验不是很好..当然答得感觉也很一般
#运营人求职交流聚集地# 顺丰的面试流程不多,前前后后就一场线下群面+一场线上2v1面试(hr+业务)因为之前有了解过顺丰供应链做的很好,所以也还蛮期待能够了解顺丰供应链和物流体系,顺丰自己也有在做跨境电商物流和供应链,所以投递了顺丰供应链解决方案储备的岗位,应该是管培生项目 一面是线下群面,这是我秋招唯一参加的群面,全程约1小时,我们组有14个人,题目是继续开发冰墩墩吉祥物的ip价值(好像是不太
岗位:机器学习算法工程师 一面: 1.自我介绍 2.线程和进程的区别,什么时候用多进程,什么时候用多线程(这个属于给自挖坑了) 3.实习项目问题,项目目标是怎么定的,用的什么算法,算法原理是什么(这个算法偏控制论) 4.比赛问题:xgboost原理,特征怎么构造的,怎么选择的 5.有没有了解transform方面的(可惜我对nlp接触的太少) 6.课题问题:这个偏简单数据分析,都没啥建模,没说很多
6.1一面(22分钟) 自我介绍 介绍项目(背景以及整体情况) 产品1-100的过程中,1的阶段遇到了哪些问题 追问:具体解释用户容错率低的原因 追问:你是怎么去解决这些问题的 有考虑站票用户的点餐吗 自己接触的项目有不同场景的吗 对顺丰的哪块比较感兴趣 自己未来的职业规划 反问环节
第一层、了解SVM 支持向量机,因其英文名为support vector machine,故一般简称SVM,通俗来讲,它是一种二类分类模型,其基本模型定义为特征空间上的间隔最大的线性分类器,其学习策略便是间隔最大化,最终可转化为一个凸二次规划问题的求解。 1.1、线性分类 理解SVM,咱们必须先弄清楚一个概念:线性分类器。 1.1.1、分类标准 考虑一个二类的分类问题,数据点用x来表示,类别用y来
顺丰一面: 自我介绍 遇到什么困难的问题,怎么解决的? 互联网几大盈利模式 B站对你来说有什么痛点 顺丰你觉得有什么需要改进的? 你有什么要问的吗?
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
本文向大家介绍python机器学习库xgboost的使用,包括了python机器学习库xgboost的使用的使用技巧和注意事项,需要的朋友参考一下 1.数据读取 利用原生xgboost库读取libsvm数据 使用sklearn读取libsvm数据 使用pandas读取完数据后在转化为标准形式 2.模型训练过程 1.未调参基线模型 使用xgboost原生库进行训练 使用XGBClassifier进行
在机器学习中,灰度图像的特征提取是一个难题。 我有一个灰色的图像,是用这个从彩色图像转换而来的。 我实际上需要从这张灰色图片中提取特征,因为下一部分将训练一个具有该特征的模型,以预测图像的彩色形式。 我们不能使用任何深度学习库 有一些方法,如快速筛选球。。。但我真的不知道如何才能为我的目标提取特征。 以上代码的输出就是真的。 有什么解决方案或想法吗?我该怎么办?
我训练了一个模型,在测试集上的测试结果是可以的。现在,我已经将模型保存为“训练模型”,并将一个新的实验转化为一个新的数据集,以便在我没有实际值的情况下进行预测。 通常,训练过的模型给我一个每个实例的评分标签结果。但是现在,打分的标签结果是空的。另外,当我将得分结果转换为CSV时,得分标签列是空的。 更奇怪的是,当我查看score Visualize选项卡的统计数据时,我确实看到了得分值的统计数据。