结尾
学习html5、css、javascript这些基础知识,学习的渠道很多,就不多说了,例如,一些其他的优秀博客。但是本人觉得看书也很必要,可以节省很多时间,常见的javascript的书,例如:javascript的高级程序设计,是每位前端工程师必不可少的一本书,边看边用,了解js的一些基本知识,基本上很全面了,如果有时间可以读一些,js性能相关的书籍,以及设计者模式,在实践中都会用的到。
开源分享:【大厂前端面试题解析+核心总结学习笔记+真实项目实战+最新讲解视频】
高级程序设计,是每位前端工程师必不可少的一本书,边看边用,了解js的一些基本知识,基本上很全面了,如果有时间可以读一些,js性能相关的书籍,以及设计者模式,在实践中都会用的到。
2. 数据清洗,比如异常数据过滤
df.replace(‘?’, np.nan, inplace=True)
datas = df.dropna(axis=1, how=‘any’)
3. 构建特征矩阵X和目标数据矩阵Y, 如果不是数值型的,需要转换为数值型的
X = datas.iloc[:, 0:2]
Y = datas[‘xx’]
4. 数据分割
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.2, random_state=0)
5. 特征工程(中间可以有多个),比如这里的进行数据的标准化
one_hot = OneHotEncoder() # 哑编码模型对象构建
one_hot.fit_transform(X_train, Y_train)
ss = StandardScaler() # 构建模型对象
ss.fit(X_train, Y_train) # 模型训练
X_train = ss.transform(X_train) # 使用训练好的模型对训练集数据进行转换操作
X_train = ss.fit_transform(X_train) # 即训练模型,同时又使用训练好的模型对训练集数据进行转换操作,等价于上面的两步#
6. 算法模型构建, 比如:这里是一个线性回归
lr = LinearRegression() # 算法模型对象构建
lr.fit(X_train, Y_train) # 模型训练
7. 使用训练集数据对算法模型的效果进行判断(要求测试集必须和训练集采用相同的操作)
7.1 对训练集进行特征工程转换
X_test = one_hot.transform(X_test)
X_test = ss.transform(X_test)
7.2 计算评估指标(模型自带的评估指标,比如:回归算法中是R^2,分类算法是准确率)
print(lr.score(X_test, Y_test))
7.3 计算其它评估指标(需要根据预测值和实际值进行计算)
y_hat = lr.predict(X_test) # 获取预测信息
print(“mse:”, end=‘’)
print(mean_squared_error(y_true=Y_test, y_pred=y_hat))
print(“mae:”, end=‘’)
print(mean_absolute_error(y_true=Y_test, y_pred=y_hat))
8. 如果模型效果不错,进行模型输出(“所有模型都需要输出的”)
joblib.dump(one_hot, “model/one_hot.m”)
joblib.dump(ss, “model/ss.m”)
joblib.dump(lr, “model/lr.m”)
9. 如果模型效果不好,进行模型的调整(特征工程、参数、算法重新选择)
专业技能
一般来说,面试官会根据你的简历内容去提问,但是技术基础还有需要自己去准备分类,形成自己的知识体系的。简单列一下我自己遇到的一些题
- HTML+CSS
- JavaScript
- 前端框架
- 前端性能优化
- 前端监控
- 模块化+项目构建
- 代码管理
- 信息安全
- 网络协议
- 浏览器
- 算法与数据结构
- 团队管理
- 开源分享:【大厂前端面试题解析+核心总结学习笔记+真实项目实战+最新讲解视频】
最近得空把之前遇到的面试题做了一个整理,包括我本人自己去面试遇到的,还有其他人员去面试遇到的,还有网上刷到的,我都统一的整理了一下,希望对大家有用。
其中包含HTML、CSS、JavaScript、服务端与网络、Vue、浏览器等等
由于文章篇幅有限,仅展示部分内容