《机器学习》专题

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

#美团求职进展汇总# #你收到了团子的OC了吗# 美团履约平台技术部，配送时间策略组 自我介绍，问了我学校和清华什么关系 1、上来一道算法题：找最长的回文串。用动态规划dp秒了。然后问怎么优化空间复杂度，想到从两遍同时找最长回文串来做。 2、然后根据简历来问，没想到简历拿错了，没拿我最新更新的简历。让我讲最拿手的项目。我共享屏幕展示了我最新的简历，讲我的SCI科研项目讲了半个小时。 3、问我ten

【一面】 1. word2vec的原理，skip-gram训练的具体流程，使用的损失函数，是怎么选择正负样本的，选择样本上有哪些优化算法，负采样的原理，还有哪些优化方法 2. 贝叶斯调优，机器学习中有哪些优化参数的方法，为什么交叉熵会作为softmax结果的损失函数？梯度下降为什么有效，关于损失求一阶导数为什么有效？刚你提到了泰勒一阶展开，泰勒二阶展开有哪些相关的优化方法呢？ 3. SGD的原理，

全程50分钟，这次是女面试官，人很好，不怎么拷打，开始时先介绍了面试流程 1.自我介绍 2.介绍第一个项目，我的是一个RAG的项目，吟唱完让我说一下项目的两个亮点，我就介绍了语义感知的文本切分和缓解幻觉的两个点，又提问了一些问题 3.介绍第二个项目，我的是一个论文项目，我直接共享桌面对着模型图讲了一遍，当然中间也穿插着提问，殊不知这次共享有几率让我寄掉 4.问一个基础问题，面试官问了我transf

本文向大家介绍用Python从零实现贝叶斯分类器的机器学习的教程，包括了用Python从零实现贝叶斯分类器的机器学习的教程的使用技巧和注意事项，需要的朋友参考一下 朴素贝叶斯算法简单高效，在处理分类问题上，是应该首先考虑的方法之一。 通过本教程，你将学到朴素贝叶斯算法的原理和Python版本的逐步实现。 更新：查看后续的关于朴素贝叶斯使用技巧的文章“Better Naive Bayes: 12 T

参考文献：http://www.zilhua.com/629.html http://www.tuicool.com/articles/JvMJve http://blog.sina.com.cn/s/blog_573085f70101ivj5.html 我的数据挖掘算法：https://github.com/linyiqun/DataMiningAlgorithm 我的算法库：https://g

如果我做:Math.random() * 4-2 这会让我得到一个范围（-2,2），2是排他性的吗？我认为这是正确的，但我很少得到正数（是的，我知道这是一个随机算法，我们必须无限随机地生成它才能感觉到，但我只是想确保） 新问题 如果我想要所有从-1到1的随机有理数，两个边界都包括在内，那么这条线是否有效：Math.random（） * 2.00000000000000001 - 1; 我查了一下，

本文向大家介绍机器学习中有哪些不同的梯度下降算法？，包括了机器学习中有哪些不同的梯度下降算法？的使用技巧和注意事项，需要的朋友参考一下 使用梯度下降的背后思想是在各种机器学习算法中将损失降至最低。从数学上讲，可以获得函数的局部最小值。 为了实现这一点，定义了一组参数，并且需要将它们最小化。给参数分配系数后，就可以计算误差或损失。接下来，权重被更新以确保误差最小化。除了参数，弱学习者可以是用户，例如

本文向大家介绍简要说说一个完整机器学习项目的流程？相关面试题，主要包含被问及简要说说一个完整机器学习项目的流程？时的应答技巧和注意事项，需要的朋友参考一下 抽象成数学问题（确定是一个分类问题、回归问题还是聚类问题，明确可以获得什么样的数据） 获取数据（数据要具有代表性，对数据的量级也要有一个评估，多少样本，多少特征，对内存的消耗，考虑内存是否能放得下，如果放不下考虑降维或者改进算法，如果数据量太大

本文向大家介绍哪些机器学习算法不需要做归一化处理？相关面试题，主要包含被问及哪些机器学习算法不需要做归一化处理？时的应答技巧和注意事项，需要的朋友参考一下 概率模型不需要归一化，因为他们不关心变量的值，而是关心变量的分布和变量之间的条件概率，如决策树、RF。而像Adaboost、GBDT、SVM、LR、KNN、KMeans之类的最优化问题就需要归一化

本文向大家介绍在机器学习中，为何要经常对数据归一化？相关面试题，主要包含被问及在机器学习中，为何要经常对数据归一化？时的应答技巧和注意事项，需要的朋友参考一下 归一化可以： 归一化后加快了梯度下降求最优解的速度（两个特征量纲不同，差距较大时，等高线较尖，根据梯度下降可能走之字形，而归一化后比较圆走直线） 归一化有可能提高精度 （一些分类器需要计算样本之间的距离，如果一个特征值域范围非常大，那么距离

我在Azure machine Learning上创建了一个虚拟机，我正在运行一个简单的jupyter笔记本。我想安装jupyter扩展，因为我真的需要可折叠的标题，但它似乎不起作用。我尝试了pip安装，它已经安装，但菜单没有出现。。。

昨天，我从Azure机器学习工作室（经典版）的iPython笔记本安装了tensorflow模块。使用（！pip install tensorflow）安装模块后，导入工作正常。但是今天，当我尝试导入这个模块时，出现了“缺少模块”错误，当我尝试重新安装模块时，它运行良好。我有什么遗漏吗？在使用之前，我是否每天都需要安装模块？有人能解释一下吗？

惯例：自我介绍+讲项目 考察问题： 介绍下transformer（语言组织不好，虽然知道原理但是讲的很乱） 为什么需要multi head attention 介绍下layernorm和batchnorm 为什么layernorm在NLP下有效，batchnorm则不是？ pytorch的model.train()和model.eval()的区别 介绍一下集成学习 算法题：二维网格求左上到右下的最