《顺丰机器学习》专题

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

总共28min，HR面 *自我介绍 *总结一面答得好的地方和答得不好的地方 *为什么不在本行业继续读博或者工作？为什么转码？ *为什么研究生不去读计算机，现在转计算机，前后矛盾了，压力我 *听你的意思是想投开发，为什么投了测试 *你的项目都是实验室项目，我看其他人都有做测试开发相关项目，你没有做吗？ *现在研究最困难的部分，如何解决的，用到AI了吗 *最近在读什么书？印象最深刻的部分 *你对测试开

测评做完第二天约的三面，三面是hr面，主要是对项目经历，重难点还有学生工作相关经历提问。感觉很看中表达，回答问题的时候思路要清晰。 几个问题感觉可以提前准备一下： 1.选择机会的时候看中什么，这些因素怎么排序 2.薪资待遇期待多少 建议提前了解一下往年的平均薪资水平，我就没了解，不知道喊高了还是低了 不知道给不给过，等结果啦 #顺丰# #前端# #秋招# #牛客创作赏金赛#

1.选择题（单选和多选共30道）（60分）：涉及机器学习、高等数学。概率论、数据结构等 2.编程题（2道）（40分） 1）函数命名法（73%）：根据要求判断是否是题目中的函数，不是的话转换一下。没有样例不知道哪里有问题索性交了 2）房屋排列（100%）：排列n个房屋相邻的是倍数，输出方案数

面试的面试官很和蔼，比较注重项目和基础，全程八股 + 项目，无算法。 1. 自我介绍 2. 介绍项目（让我说一个已经落地的项目，emm，我的项目上线一年就下线了） 3. 项目难点以及如何解决的 4. ES6新特性 √ 5. axios封装中用到了哪些ES6特性 √ 6. 闭包，闭包会有什么问题（答了内存泄漏），引发了垃圾回收机制，介绍垃圾回收机制怎么回收的。√ 7. 说一下HTTP2.0 √ 8.

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。

入门文章 一文读懂机器学习，大数据/自然语言处理/算法全有了