百度机器学习算法春招一二三面面经

最新推荐文章于 2024-09-04 15:30:21 发布
最新推荐文章于 2024-09-04 15:30:21 发布
阅读量1.1k 收藏 14
点赞数 18
分类专栏： 深度学习 搜广推算法实战&面试 文章标签： 机器学习 算法 架构 人工智能 transformer 面试 大模型
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_59596990/article/details/137568406
版权

节前，我们星球组织了一场算法岗技术&面试讨论会，邀请了一些互联网大厂朋友、参加社招和校招面试的同学，针对算法岗技术趋势、大模型落地项目经验分享、新手如何入门算法岗、该如何准备、面试常考点分享等热门话题进行了深入的讨论。

汇总合集

《大模型面试宝典》(2024版) 发布！

《搜广推算法指南》(2024版) 重磅发布！

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，计算公式是什么，
  4. 在图的那个项目中担任了什么角色，做出了哪些贡献
  5. 介绍一下LSTM，seq2seq和transformer，介绍一下attention的原理
  6. Linux，bash这些有用过吗
  7. auc的计算方式（使用(FPR,TPR)算，排序公式去算），为什么这两种都可以计算出auc呢？它们之间有什么联系？然后就是使用sql写出auc的计算公式
  8. 有1000部电影，想要给人推荐，你有什么思路
  9. 手撕：接雨水，使用sql写auc

二面

  1. cnn做bn的方式，rnn是怎么做的，bn的好处
  2. gpt和transformer的区别
  3. 机器学习中方差和偏差的理解
  4. bagging和boosting的区别
  5. 位置编码的理解，attention的理解
  6. transformer和rnn的区别
  7. lstm为什么可以缓解梯度消失
  8. 异构图，GCN，word2vec，fasttext，
  9. SGD和adam的区别，在DNN中分别适用于什么样的情形
  10. 用过哪些DNN模型，
  11. 贝叶斯在推荐中的应用
  12. bagging和boosting的方法有哪些
  13. 手撕：三数之和，柱状图中的最大矩形面积

三面

  1. 会C和C++吗
  2. 数据结构的掌握程度
  3. 平常使用的技术栈有哪些
  4. 对推荐的了解
  5. 有哪些召回算法
  6. 对于推荐中排序的理解
  7. 排序算法，稳定性和时间复杂度
  8. 互联网每天都有很多用户搜索数据，在一天的日志中找到搜索频次最高的10个query，怎么实现（topk问题，使用堆）
  9. 堆排序稳定吗，时间复杂度（刚才在回答排序算法的时候，没有说到堆排序）
  10. 搜索的词条补全 是根据什么数据结构实现
  11. 现有的春招推进情况
  12. base地点倾向

技术交流

前沿技术资讯、算法交流、求职内推、算法竞赛、面试交流(校招、社招、实习)等、与 10000+来自港科大、北大、清华、中科院、CMU、腾讯、百度等名校名企开发者互动交流~

我们建了算法岗面试与技术交流群， 想要进交流群、需要源码&资料、提升技术的同学，可以直接加微信号：mlc2040。加的时候备注一下：研究方向 +学校/公司+CSDN，即可。然后就可以拉你进群了。

方式①、微信搜索公众号：机器学习社区，后台回复：技术交流
方式②、添加微信号：mlc2040，备注：技术交流+CSDN

用通俗易懂的方式讲解系列

机器学习社区
关注
专栏目录
机器学习算法面经（阿里京东拼多多百度等）
bella_IT的博客
08-09 2880
面试职位：机器学习/数据挖掘算法工程师 在网上得到很多宝贵的面试经验 现我也来开帖，分享一下到目前为止的面试经验~~~ 本人会一直写到秋招结束，记录下参加的每场面试 如果回答上有什么错误，请不吝赐教哈！！！ 谢谢~~~~ 目前内推面了：阿里（一面跪）、京东（offer）、拼多多（offer）、美丽联合（一面跪）、链家（offer）、美团点评（三面跪） 目前校招面了：360（一面跪）、百度（一面跪）...
关于找工作，说点对后人有用的话（内附机器学习算法岗面经）
好想去看海
09-17 3369
作者：理性思考 链接：https://www.nowcoder.com/discuss/123128?type=post&order=time&pos=&page=4&channel=1009&source_id=search_post 来源：牛客网 0、写在前面 大家好，相信大家对于我这个ID并不陌生了，这个ID其实是我硕士论文的题目。过去一年一直在牛客网上看到了很多高质量的面经和一些对自己有用的帖子，受益很多，在这里也要特别感谢下叶神创立的牛客网（这是一件非常有意
阿里机器学习算法面经（已offer）
abcdefg90876的博客
03-29 2469
作者|Ivyoake整理|NewBeeNLP面试锦囊之面经分享系列，持续更新中可以后台回复"面试"加入交流讨论组噢今天上午已...
机器学习面试题目分享面试经验分享 机器学习算法工程师深度学习 经典问题
最新发布
qq_46187594的博客
09-04 1518
1.precision和recall的定义和公式； 2.不平衡数据集的适用指标有哪些； 3.AUC、ROC的定义、实际意义、画法； 4.画ROC曲线，依照曲线上某点解释意义； 5.除了修改mercy，还可以用哪些方法来处理不平衡数据集； 6.写贝叶斯公式，解释先验、似然、后验； 7.写vc dimension的公式，解释其意义、作用； 8.简单介绍神经网络和CNN，介绍一下CNN对NN的改进之处； 9.介绍inception、VGG、Resnet； 10.为什么VGG要使用小的kernel代替大kernel
常见机器学习算法思想简单梳理
栖客
11-09 883
转载自：http://blog.jobbole.com/74438/ 前言： 找工作时（IT行业），除了常见的软件开发以外，机器学习岗位也可以当作是一个选择，不少计算机方向的研究生都会接触这个，如果你的研究方向是机器学习/数据挖掘之类，且又对其非常感兴趣的话，可以考虑考虑该岗位，毕竟在机器智能没达到人类水平之前，机器学习可以作为一种重要手段，而随着科技的不断发展，相信这方面的人才需
机器学习面经二、机器学习算法
yanglee0
05-23 255
二、机器学习算法 1、处理分类问题常用算法 1、交叉熵公式 2、LR公式 3 LR的推导，损失函数 4、逻辑回归怎么实现多分类 5 、SVM中什么时候用线性核什么时候用高斯核? 6、什么是支持向量机,SVM与LR的区别? 7.监督学习和无监督学习的区别 8.机器学习中的距离计算方法? 9、问题：朴素贝叶斯（naive Bayes）法的要求是？ 10、问题：训练集中类别不均衡，哪个参数最不准确？ 11、问题：你用的模型，最有挑战性的项目 12、问题：SVM的作用，基本实现原理； 13、问题：SVM的硬间隔，软
【机器学习】面试常见问题1 LR、过拟合，欠拟合、损失函数、激活函数
学无止境
06-26 728
过拟合的处理方法、常见的损失函数、常见的激活函数、分类问题为什么不用MSE，而是要用交叉熵、逻辑回归是一个分类算法，那么它是在回归什么呢？ Sigmoid，ReLU,Softmax . 用了MSE后非凸，不好求全局最小值 >2. 对于错误分类的惩罚很小，即使完全分错 >3. 梯度消失
秋招末尾收到飞猪意向，一二三面面经回忆，算法岗
2301_79125431的博客
11-15 171
上一次面试，三面都过了，说面试结果3-5天出来，第三天问的时候说因为隔了周末，第五天再问，第五天问了一下，说是待定，还。emm这场其实挺好拿牌的，三题手速铜就行了，队友很快开了两题，但是我做的那个签到想复杂了，一直想去分类讨论找性质，（下次一定要记得看数据范围），100的范围找个。迟到10分钟不说，哥们答的是正确思路，上来一顿质疑，反问面试官有何高见，给的思路如出一辙，趾高气昂，触电狂抖，真不知道哪来的优越感，哥们说写个伪代码，问我伪代码。上海落户比较容易，而且给的比较足，直接签下，秋招结束，开。
2021年春招首发！阿里云云原生实习一二三面面经，看完的都进阿里了！
欢迎您访问我的公众号【前程有光】
02-22 5359
前言 不得不说时间是越过越快，依稀记得去年的金九银十招聘季就在昨天，一转眼金三银四就来到了眼前。之前在和粉丝聊天的时候都在催我出一期阿里的面经。我联系了在阿里面试的朋友拿到了第一手资料熬夜帮大家整理好了，满满的都是细节，建议反复观看！ 云原生k8s一面 自我介绍 读研还是直接工作?工作 开局做算法题,两数之和,哈希表轻松解决 Arrays.sort使用了什么排序算法 解释下快排的过程 快排的空间复杂度+推导 除了快排还有哪些排序算法 排序算法的稳定性(如果本身有序,是否会打乱原来的相对位置,这个我答错了,
【面经】此处收集各厂 算法岗 面经/经验分享 （持续更新~/已更新2020届）
(｡◕‿◕｡)
10-03 2496
2019： 腾讯机器学习面经 2018： 招商局 金融科技 NLP算法面经 百度算法三面面经 科大，百度，华为，阿里，网易，360，银联七家面经 百度三面拿到offer 百度-机器学习（已offer-手百推荐feed流） 秋招面试–百度机器学习面经 ...
算法面经总结（15）机器学习常见知识
qq_43250450的博客
08-16 743
1、正负样本不均衡的处理方法 （1）上采样：通过将小众类样本复制多份，来得到多个不同数据集，每个数据集训练一个模型 缺点：反复出现一些样本，容易过拟合 解决：生成新数据时加入随机扰动 （2）下采样：从大众类中选取部分样本 缺点：丢失部分信息，只学到了总体的一部分 解决：boosting和bagging （3）数据合成 （4）加权，对不同类别分错的代价不同，采用Focal loss 2、学习到某层loss为0，梯度消失怎么办 产生原因：随着层数的加深，激...
机器学习面试算法总结 手写
04-22
在自己学习过程中，详细整理了数据挖掘领域常用的算法模型的数学推导，及其关键代码，可供面试前参阅
2017百度美团滴滴等机器学习岗面试笔试经验
03-17
美团重基础，和搜狗两个风格。不过项目归根到底还是基础，只是搜狗更注重问题的解决方案。任何岗位都要手写一两个代码，不过都不难，一面字符串转浮点数。二面排序二叉树建树，如果是后台开发，手写2+个代码。讲一点项目，开始问基础，一面差点手推SVM，后来讲基本原理，延伸。二面问LR为何是sigmod，理论推导出sigmod，弱分类器组合成强分类器的理论证明，这个真心没看过，感觉美团不仅需要熟悉单个模型，还要融会贯通，多问为什么。我答得不太好，各位面机器学习的加油！
机器学习-面经(part2)
qq_40102160的博客
03-01 1520
机器学习面试题目中，关于过拟合、欠拟合、交叉验证、网格搜索、随即搜索、贝叶斯优化、评价指标等面试问题的解答如上所示。
[面经整理]（机器/深度学习篇）
weixin_38800498的博客
04-30 4881
文章目录特征工程为什么需要做特征归一化、标准化？常用的归一化和标准化的方法有哪些？模型评估欠拟合、过拟合及如何防止过拟合 陆续更新。。。 特征工程 为什么需要做特征归一化、标准化？ 参考链接 多维情况下可以分解成多个维度上分别下降，参数W为向量，但学习率只有1个，即所有参数维度共用同一个学习率（暂不考虑为每个维度都分配单独学习率的算法）。收敛意味着在每个参数维度上都取得极小值，每个参数维度上的偏导数都为0，但是每个参数维度上的下降速度是不同的，为了每个维度上都能收敛，学习率应取所有维度在当前位置合适步长
机器学习面试题面经
别说话写代码的博客
05-05 8192
KNN：特点是完全跟着数据走，没有数学模型可言。适用：需要一个容易解释的模型的时候，比如需要向用户解释原因的推荐算法。 感知机 贝叶斯：核心是根据条件概率计算待判断点的类型。适用：易解释，而且不同维度之间相关性较小的模型。可以处理高维数据，虽然效果一般。 逻辑回归 决策树：适用：它能生成清晰的基于特征选择不同预测结果的树状结构，数据分析师希望更好的理解手...
百度机器学习面试
studyvcmfc的专栏
03-25 159
https://blog.csdn.net/qq_38646470/article/details/104719949?depth_1-utm_source=distribute.pc_relevant.none-task&utm_source=distribute.pc_relevant.none-task
实习｜百度2019机器学习实习三面 估计凉凉 但是发出来吧 给后面的同学参考
weixin_41524411的博客
04-18 426
做完比试觉得自己没戏了，没想到收到面试短信。 一面： 很温和的小哥哥。 1、xgboost和gbdt的区别？这方面问的很细，比如说xgboost可以并行加速是怎么进行的，每次分裂叶子节点是怎么决定特征和分裂点的。 2、LR手推，包括极大似然的概念，为什么极大似然的时候可以相乘，满足独立同分布？然后梯度下降更新权值，这里我自己自作主张的说了下mini-batch 梯度下降，SGD等，说手写过...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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