去哪儿网2015校园招聘笔试面试经历分享

对去哪儿网的印象是家在线旅行方案提供商,旅游界的淘宝。 笔试之前上网百度了一下,去哪儿是中国领先的旅游搜索引擎,一家创新的技术公司,去哪儿网致力于为中国旅游消费者提供全面、准确的旅游信息服务。投了简历很长时间没有消息,后来收到笔试通知。


笔试一共算道题,第一题是10进制整型转16进制,比较简单;
第二题感觉题目描述不是很清楚,数以万计文件中找出任意重复出现字母次数最多的三个文件,不是很理解题意,就采取了分批导入内存,hash统计实时更新的方法;


第三题是给出校园所有人的信息,找出最有可能是情侣的10对男女,当时认为这是道无导师的聚类算法,准备K邻域算法,但一时无法编写完整程序,就退而取其次选择用男生建立自动机然后用女生来查找,拥有最长公共节点的男女对就是该男生最有可能的情侣,然后转换为topK问题,建个堆即可解决,不过后来证明这是现缺考虑的。


之后就收到面试通知,一面面试官对腾讯实习经历比较感兴趣,问了实习期间的一些事:字典树与hashmap的性能对比,对了字典树比较纠结,问了字典树的不足,我说空间消耗大,然后问了改进,我说适当压缩等等;参与QQWifi项目中widget与设备位置算法类的设计与实现,见到画了画图; 利用7-zip算法编程实现安装包解压释放并对指定.exe文件完成MD5计算,我说7-zip算法用的是网上开源代码,面试官笑而不语。接着问了问define和inline的区别,堆和栈的区别以及衍生出来的栈的效率为什么比堆高。还有问了ACM刷了多少道题,感觉面试官对ACM还是比较了解的,数据库索引,我说B+树、hash、多级索引等等,然后问了TCP断开连接的四次握手协议,最后问了问笔试最后一道题的想法,我说了下模式识别课上接触到的一些简单的聚类算法,面试官说本科也学那吗。


紧接着就是二面,二面也问了字典树,问我会double array字典树吗?当时真不会。然后问了操作系统的内存分配方式,首次适应、最佳适应、最坏适应算法。然后问了读过什么书没有,我说主要学习资料从网上获得,然后又问了红黑树(关于红黑树,我之前所过一些了解, 红黑树的读书笔记)与平衡二叉树的区别以及是否有序,中序遍历不就有序的,以及黑红树在操作系统中的应用,期间我也说了自己了解的相关平衡二叉树知识,如AVL树、红黑树、Treap、伸展树等。


然后问了问我会什么算法,其实感觉面试中最怕的就是这个问题了,其实我了解数据结构和动态规划以及其他ACM模块中的大部分算法,很多也写过代码,但每次被问到的时候都不敢轻易说会,因为我认为的会是可以直接写代码的,但有些只记得思想,那种情况下无法完整写出代码,就挑自己比较熟悉的线段树、字典树、后缀数组等,结果就问到后缀数组,我讲了讲2倍增算法,面试官点点头。


真的很奇怪,真的面试过程中第一次没有要求纸上写代码。最后就是HR面,HR是个很漂亮的MM。聊了家庭和愿不愿意去北京以及为什么不读研,然后就问了手里的offer情况,感觉HR阅人无数就得真诚相待,于是告诉了我手里的那几个offer情况。最终给了个小骆驼,收到了offer。
深度学习是机器学习的一个子领域,它基于人工神经络的研究,特别是利用多层次的神经络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经络(Neural Networks)**:深度学习的基础是人工神经络,它是由多个层组成的络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经络(Feedforward Neural Networks)**:这是最常见的神经络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经络(Convolutional Neural Networks, CNNs)**:这种络特别适合处理具有格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经络(Recurrent Neural Networks, RNNs)**:这种络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据的时间依赖性。 5. **长短期记忆络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗络(Generative Adversarial Networks, GANs)**:由两个络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经用于添加非线性,使得络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值