《算法工程师》专题

3.15 估计凉了，感觉面试官很nice，但我面得不行。28分钟电话面。约面的时候说要准备钉钉写代码，但结果并没有。 1.大概3分钟自我介绍+简历介绍 2.挖了几分钟的项目 3.问了几个跨模态识别模型的原理（whisper和easyocr还有video-llama） 4.XGBoost原理，训练过程，损失函数。 5.各类回归、分类模型的损失函数、评价指标，以及它们是怎么计算的 6.二分类任务是否可

到这里为止，所有流程都走完了。 9月8日 一面，当天出结果 9月12日 二面，当天出结果 9月14日 三面，次日出结果 9月19日 hr面 1. hr上来先介绍了一下这个岗位未来具体做的事情，介绍的很详细。 2. 让我自己讲讲对这个岗位的理解 3. 自我介绍 4. 聊天 ①职业规划 ②你说你是美团的忠实用户，你可以聊聊你自己对美团的印象吗 （本人是究极吃货+旅游爱好者，出去旅游几乎全靠美团订酒店+

9月8日 一面，当天出结果 9月12日 二面，当天出结果 1. 自我介绍 2. 项目介绍，围绕项目出发询问一些相关的问题。这个过程在15分钟左右。 3. ：你前面写题了吗 我：一面写了，二面没写 4. 在我以为要出题的时候，没有了……进入反问环节 我：啊！怎么这么快 ：因为我们这个三轮的技术面是一个综合的评估，有些问题前两面面过了，就没必要再问了 后续流程：说本次面试的结果很快就会出。还剩最后一轮

9月8日 一面，当天出结果 9月12日 二面 1. 自我介绍 2. 项目介绍，围绕项目出发询问一些相关的问题，一定量的八股，还有这个模型为什么不能用在这方面，以及有什么优化方案之类的想法 3. 学校问题 ：我看你这个是两年制的啊 答：其实是三年制的，一般是第一二年上课，第三年做论文。我第一年就把课全上完了所以可以直接进入论文阶段了 ：哦？那你这样时间不会很赶吗 答：对比三年的同学可能是有点吧，但我

说在前面：感谢团子面试官帮我缓解了面试焦虑症。团子面试官人很好，很亲切，还让我不要紧张谢谢团子，可惜人太菜了 8月7日 笔试 4道a了3道 8月22日 收到了 （一志愿）到店-自然语言处理算法工程师 的面试邀请，无奈当时那周实在是太太太忙了，又要搬家又要坐高铁，实在是抽不出时间。于是反馈希望可以安排到下一周，结果上官网一看流程，直接挂了 9月5日 接到 （二志愿）机器学习/数据挖掘算法工程师 电话

这个是在猎聘上投递的 能收到面试属实是意外之喜 面试官是nlp方向的，主要是问nlp相关 首先自我介绍 说一个在上段实习中的项目 这里说了一个搭建智能客服对话助手 我说了一下思路 面试官很快get到了 又问了一些细节（比如我用了DPR文本检索模型 面试官顺带问了对比学习的方法和流程） 看我做的是机器学习和优化算法比较多 问了遗传算法 如何找全局最优解和局部最优解 遗传算法为什么能找到全局最优 它的

大概为了照顾双非本同学的提前批参与感，滴滴给了面试机会 一面40分钟： 计算iou，大概是笔试中比较舒服的哪一种，并不是为了考察思维能力这些，大概就是经典题目慢慢优化，在优化中判断你的工程能力之类的。 项目：讲讲实习中做了什么，一问一答，大概就是这样。 表现比上次好一些，这次至少把实习做的东西将清楚了。不过感觉一直没有聊到面试官擅长的领域，挂的概率80%#提前批面试##如何判断面试是否凉了#

9.20下午技术一面 1. 问实习 15mins 2. 问项目问论文 15mins 3. 最后说没有时间了，然后问我会不会C++，我说本科学过。 （无手撕） 访问： 1. 后续还有几轮面试？答：还有一轮或者两轮，也有可能后续直接HR面试 9.21 下午收到HR面通知 9.22 HR面试 攒人品，许愿offer #vivo##校招##秋招#

刚面完，人工智能与智慧运营中心， AI 算法工程师岗 -机器学习模型有哪些挑一个说说原理介绍一个--简历里的项目或论文，然后顺着这条线问了很多 -数据不平衡时有哪些解决方案 -又问项目论文 -PyTorch 基本操作，怎么构建一个网络，优化器有哪些一般你用哪个，梯度清零的方法名叫啥 很多都没有回答好．.. 他们感觉很在意要面够20分钟这个点，最后几分钟说了好几次“到20分钟了吧”。面试的是两个小姐

这次又没准备好，或者说没准备就来面试了，真的很难受。 面试前就是准备好挨揍的感觉，非常难受，明知道自己没准备，还非要参加这个面试找虐。 我再也不想体验这种感觉了，下次一定把简历背熟，题刷好，基础知识掌握牢再投简历！！绝不裸面，裸面就是自己找不痛快。 -----以上为面试前的感受---------------- ddd面试8分钟就结束了 面试官还是挺和蔼的，看我以前的经历主要做开发的，简历上只有北航

地狱一样的理论问询，今年秋招最难的一场…… 数学问了中心极限定理，大数定理，Γ分布和κ分布关系…… 机器学习问了特征选择，特征归一化，马尔科夫链，gibbs采样，集成学习，选择性偏差，决策树并行计算，xgboost和adaboost样本权重…… 深度学习问了卷积原理，梯度传播稳定性，BN本质，torch和tensorflow的图理论…… 大模型问了很多工程上的问题，出现loss spike啦，波峰

1.旅游完所有景点需要的时间 第一行，一个整数N，表示有N个景点。第二行开始是景点信息，有三个整数，分别是优先级P（数字越小，优先级越高），首次预约日期X，允许再次前往的天数间隔D天（也就是预约时间变成：d+x*1/2/3）。输出要求，一个整数，表示完成旅游计划的天数。 Input 1: 3 3 2 3 1 3 2 2 2 2 output 1: 5 Input 2: 2 1 2 2 2 1 3

自我介绍 自己从简历上选一个与数据分析、建模有关的项目讲 （第一个项目：） 刚刚说到这是一个比赛，是kaggle的比赛吗 为什么选用XGBoost（隐含考察点：模型的使用场景） 提到样本倾斜的问题，应该怎么解决样本不均匀 （第二个项目：） 是直接用数据集里的特征进行建模（应该是想问有没有特征筛选） 有哪些特征筛选的方法 （实习）两份实习分别做什么 （知识点）有没有学过因果推断的课程或做过相关项目

主要内容：爬山算法的特点,爬山的国家空间图,状态的不同区域,爬山类型算法：,爬山算法存在的问题爬山(Hill Climbing)算法是一种局部搜索算法，它在增加高度/值的方向上连续移动，以找到山峰或最佳解决问题的方法。它在达到峰值时终止，其中没有邻居具有更高的值。 爬山算法是一种用于优化数学问题的技术。其中一个广泛讨论的爬山算法的例子是旅行商问题，其中我们需要最小化推销员的行进距离。 它也称为贪婪的本地搜索，因为它只关注其良好的直接邻居状态而不是超越它。爬山算法的节点有两个组成部分，即状态

主要内容：解决问题的代理,搜索算法术语,搜索算法的属性,搜索算法的类型搜索算法是人工智能最重要的领域之一。本主题将解释有关AI中搜索算法的所有信息。 解决问题的代理 在人工智能中，搜索技术是普遍的问题解决方法。AI中的合理代理或问题解决代理主要使用这些搜索策略或算法来解决特定问题并提供最佳结果。解决问题的代理是基于目标的代理并使用原子表示。在本主题中，我们将学习各种解决问题的搜索算法。 搜索算法术语 搜索：搜索是一个一步一步的过程，用于解决给定搜索空间中的搜索问题。