个人情况是双九小硕,一段AIGC强相关的项目,一段小厂实习,一篇2区一作 目前投了一些AIGC和多模态方面的算法岗,分享一下遇到的面经 不同厂之间有重复的问题我就不一一列举了 京东: 1. 围绕项目问了一些具体的技术路线和细节 2. DeepFloyd的结构+优势 3. classifer guidance和~-free guidance的区别&原理 聊的非常融洽,面完感觉比较match就给过了h
1. 三面 上来就是做题,一道二分查找,一道手撕nms,然后问了点nms的八股,我没答对,也没写完整 2.四面 hr面,就问了问之前的学习生活经历,啥时候入职 上上周三收到电话,到今天收到offer,然后周三让我入职,13天火速入职,然后干两天就过年😂。
一面(和我之后的mentor面的): 深扒了我的项目,问我的方向主要是做什么的。当时是去年12月份,一篇CVPR在投。 transformer中self-attention的复杂度,写一下self-attention的公式,为什么要除以根号dk,问的很深,mentor超级有水平。后来进组被疯狂碾压。 为什么用论文里面用了transformer 一道算法,忘记是啥了,什么最长的.......,暴力解
今天面试了豆瓣算法岗,我一番自我介绍完之后,最后说自己学习能力强。然后面试官就说:我们先写一个基础的算法题吧。然后就给出了一个算法题,无奈自己LeetCode刷的真的还不太够,写了半个小时都没有写出来。
#运筹优化# #实习# #OPPO# 1.自我介绍 2.单纯形法、分枝定界 3.单纯形法是不是能解所有凸优化(我说只能解线性规划,被质疑,让解释),机器学习优化过程为什么不用单纯形法、用什么方法、和单纯形法有什么区别(区别我没太搞懂,只说了一个是单纯形法是精确解,梯度下降不是) 4.整数规划是不是凸的(我说不是:整数规划的可行域不是凸集,被质疑?然后问凸集的概念) 5.机器学习,xgboost为什
第一次面试,记录一下。整个过程大概70分钟。 首先是自我介绍。 然后是对项目进行提问。 项目二是一个分割任务。 问deeplabv3+的网络结构,和unet的区别,为什么解码端设置的比较简单,在其中加了注意力,问为什么加,这个注意力用在某个特征层具体是怎么实现的。 项目一是一个多模态的任务。问我是怎么处理数据的,怎么输入进模型的,我做的改变具体在网络层是怎么实现的。说我做的其实不算是真正的多模态,
一共大概50min。 上来先手搓代码,binary search tree,写完再写它的中序遍历。(本地没法运行,有些细节有bug,面试官帮我debug)大概20min。 写完问项目。把前两个项目都问了一遍。并不是很深入细节。 然后问机器学习相关的:逻辑斯蒂回归,神经网络,激活函数,过拟合。 不知道过没过(感觉大概率🈚吧,面的时间好短),但是面试官人真的很好!在我回答不出来的问题上有提醒指导我。
(1)自我介绍 (2)项目:科研和比赛 (3)基础:lgb用的是信息增益还是? 随机森林呢? 随机森林的基本树模型 mae和rmse 训练losss和测试loss 高德打车开放问题 lgb处理缺失值 (4)coding:动态规划中的最小硬币数#牛客在线求职答疑中心##牛客解忧铺##投递实习岗位前的准备##实习,投递多份简历没人回复怎么办##我的实习求职记录#
我正在建立一个机器学习模型,其中一些列是物理地址(我可以将其转换为X / Y坐标),但我对ML算法如何处理这一点有点困惑。有没有一种特定的方法可以将地理位置转换成列,以便用于ML(分类和/或回归)中? 提前感谢!
本文向大家介绍python实现机器学习之多元线性回归,包括了python实现机器学习之多元线性回归的使用技巧和注意事项,需要的朋友参考一下 总体思路与一元线性回归思想一样,现在将数据以矩阵形式进行运算,更加方便。 一元线性回归实现代码 下面是多元线性回归用Python实现的代码: 特别需要注意的是要弄清:矩阵的形状 在梯度下降的时候,计算两个偏导值,这里面的矩阵形状变化需要注意。 梯度下降数学式子
本文向大家介绍机器学习和人工智能之间的区别,包括了机器学习和人工智能之间的区别的使用技巧和注意事项,需要的朋友参考一下 人工智能 人工智能是指可以使非自然元素变得智能的科学。简单来说,人造物体,人造物体可以自己理解和思考。 机器学习 机器学习是指机器无需编程即可学习的方式。简而言之,机器学习是数据驱动的应用程序,它可以基于变化的输入做出自己的决定,并且可以随着时间的推移改进其决定。 以下是机器学习
本文向大家介绍Python机器学习之K-Means聚类实现详解,包括了Python机器学习之K-Means聚类实现详解的使用技巧和注意事项,需要的朋友参考一下 本文为大家分享了Python机器学习之K-Means聚类的实现代码,供大家参考,具体内容如下 1.K-Means聚类原理 K-means算法是很典型的基于距离的聚类算法,采用距离作为相似性的评价指标,即认为两个对象的距离越近,其相似度就越大
我是Azure机器学习的新手。 我试图从Azure机器学习工作室经典中的数据集中打开一个笔记本。 但我得到了这个错误: 打开笔记本失败。笔记本id:ebb913d436ef45d4b1872b6e5d7167dc。 正如你在图片上看到的,我甚至不可能访问左侧菜单中的所有笔记本。
假设我有两组不同的特性A和B。我正在尝试确定哪一组特性是最好的。由于我的数据集很小,所以我使用了漏掉一个交叉验证作为最终指标。我正试图弄清楚我的实验装置,我在以下几种方式中做出选择: 1) 将特征集A赋予我的分类器(并可选地运行特征选择),将特征集B赋予同一分类器(也可选地运行特征选择),然后比较这两个分类器之间的LOOCV错误? 2) 将特征集A和B赋予分类器,然后明确地对其进行特征选择,然后根
我在新的Azure机器学习工作室工作,但我没有看到像Azure机器学习经典版那样转换为ARFF模块。是否有人知道此功能是否仍然存在以及如何访问它?