-
本专栏适合于Python已经入门的学生或人士,有一定的编程基础。
-
本专栏适合于算法、机器学习求职的学生或人士。
-
本专栏特点:
- 本专栏囊括了深度学习、机器学习、NLP、特征工程等一系列知识点的讲解,并且最后总结出了高频面试考点(附有答案)【共301道】,知识点讲解全面,事半功倍,为大家春秋招助力。不仅如此,教程还讲解了简历制作、笔试面试准备、面试技巧等内容。网址:机器学习面试题汇总与解析(蒋豆芽面试题总结)_牛客博客
之前本人的C++与嵌入式教程(详情请看这篇帖子:本人心血总结,为C++软件与嵌入式软件求职的同学助力!!!_笔经面经_牛客网 ) 知识点非常全面,适合非科班的同学,几个月以来广受好评。
作者介绍
湖南大学(985)硕士研究生(1%保研),国家奖学金、省优秀研究生称号获得者。校招面试过数十家公司,经验丰富,获得过华为、京东、顺丰科技等公司offer。个人面试经历写作为专刊文章,目前为牛客网专刊作者。擅长机器学习、C++后台开发、嵌入式软件开发。非科班研究生,立志进入互联网领域,最后通过自己的努力拿到大公司的offer,将自己的经历写入了《蒋豆芽的秋招打怪之旅》故事中,和大家分享春秋招的酸甜苦辣。
大纲
##机器学习面试题汇总与解析——损失函数
-
说一下你了解的损失函数?⭐⭐⭐⭐⭐
-
说说你平时都用过什么损失函数,各自什么特点?⭐⭐⭐⭐⭐
-
交叉熵函数与最大似然函数的联系和区别?⭐⭐⭐⭐⭐
-
在用sigmoid作为激活函数的时候,为什么要用交叉熵损失函数,而不用均方误差损失函数?⭐⭐⭐⭐⭐
-
关于交叉熵损失函数(Cross-entropy)和 平方损失(MSE)的区别?⭐⭐⭐⭐⭐
-
推导交叉熵损失函数?⭐⭐⭐⭐⭐
-
为什么交叉熵损失函数有log项?⭐⭐⭐⭐⭐
-
说说adaboost损失函数⭐⭐⭐⭐
-
说说SVM损失函数⭐⭐⭐⭐
-
简单的深度神经网络(DNN)的损失函数是什么?⭐⭐⭐⭐
-
说说KL散度⭐⭐⭐⭐
-
说说Yolo的损失函数⭐⭐⭐⭐⭐
-
交叉熵的设计思想是什么⭐⭐⭐⭐⭐
-
说说iou计算⭐⭐⭐⭐⭐
-
手写miou计算⭐⭐⭐⭐⭐
##机器学习面试题汇总与解析——激活函数
-
说一下你了解的激活函数?分别应用于什么场景?⭐⭐⭐⭐⭐
-
说说你平时都用过什么激活函数,各自什么特点?⭐⭐⭐⭐⭐
-
写一下leaky ReLU的公式,跟ReLU比有什么优势?⭐⭐⭐⭐⭐
-
了解ReLU6吗?⭐⭐⭐⭐⭐
-
sigmoid有什么缺点,有哪些解决办法?⭐⭐⭐⭐⭐
-
relu在零点可导吗,不可导如何进行反向传播?⭐⭐⭐⭐⭐
-
推导sigmoid求导公式⭐⭐⭐⭐⭐
-
Softmax公式,溢出怎么处理⭐⭐⭐⭐⭐
-
Softmax公式求导⭐⭐⭐⭐⭐
##机器学习面试题汇总与解析——优化函数
-
说一下你了解的优化函数?⭐⭐⭐⭐⭐
-
SGD和Adam谁收敛的比较快?谁能达到全局最优解?⭐⭐⭐⭐⭐
-
说说常见的优化器以及优化思路,写出他们的优化公式⭐⭐⭐⭐⭐
-
深度学习中的优化算法总结 Optimizer⭐⭐⭐⭐⭐
-
adam用到二阶矩的原理是什么⭐⭐⭐⭐⭐
-
Batch的大小如何选择,过大的batch和过小的batch分别有什么影响⭐⭐⭐⭐⭐
-
梯度下降的思想⭐⭐⭐⭐⭐
##机器学习面试题汇总与解析——正则化
-
解决模型训练过拟合有哪些思路?⭐⭐⭐⭐⭐
-
如何判断过拟合?⭐⭐⭐⭐⭐
-
正则化 l 1 l_1 l1(lasso)和 l 2 l_2 l2(ridge)的区别?⭐⭐⭐⭐⭐
-
L1有什么缺点?⭐⭐⭐⭐⭐
-
L1正则为什么可以达到模型的稀疏性⭐⭐⭐⭐⭐
-
说说BN(Batch Normolization)的原理⭐⭐⭐⭐⭐
-
知道BN吗?公式写一下,有什么作用与优势?BN的计算过程。⭐⭐⭐⭐⭐
-
BN训练和测试有什么不同?⭐⭐⭐⭐⭐
-
介绍一下BN和LN?有什么差异?LN是在哪个维度上进行归一化?⭐⭐⭐⭐⭐
-
要同时使用BN和dropout该如何使用?⭐⭐⭐⭐⭐
-
BN的gama labada意义⭐⭐⭐⭐⭐
-
数据增强的方法⭐⭐⭐⭐⭐
-
两个正则化的参数分布⭐⭐⭐⭐⭐
-
在预测的时候,是使用dropout训练出的权重还是要乘以keep-prib呢,为什么?⭐⭐⭐⭐⭐
-
为什么Lasso可以筛选变量?⭐⭐⭐⭐⭐
-
L1正则化为什么能缓解过拟合⭐⭐⭐⭐⭐
-
BN+CONV融合公式及作用⭐⭐⭐⭐⭐
##机器学习面试题汇总与解析——初始化方法
-
说说初始化方法有哪些?⭐⭐⭐⭐⭐
-
理想的参数初始化方法是什么?⭐⭐⭐⭐⭐
-
说说你用过的初始化方法,都有哪些优缺点⭐⭐⭐⭐⭐
-
网络参数初始化为0可以吗?⭐⭐⭐⭐⭐
-
随机初始化参数有什么问题?⭐⭐⭐⭐⭐
-
手推梯度消失和梯度爆炸问题⭐⭐⭐⭐⭐
-
怎么缓解梯度消失⭐⭐⭐⭐⭐
-
梯度消失的根本原因⭐⭐⭐⭐⭐
-
说说归一化方法⭐⭐⭐⭐⭐
##机器学习面试题汇总与解析——卷积与池化
-
说说有哪些卷积⭐⭐⭐⭐⭐
-
卷积实现原理?⭐⭐⭐⭐⭐
-
卷积基本计算公式,padding⭐⭐⭐⭐⭐
-
卷积操作后的特征图大小⭐⭐⭐⭐⭐
-
常规卷积和深度可分离卷积的计算量⭐⭐⭐⭐⭐
-
反卷积是怎么做的, unpooling中maxPooling怎么实现?⭐⭐⭐⭐⭐
-
什么是空洞卷积?⭐⭐⭐⭐⭐
-
知道哪些卷积类型?请介绍一下⭐⭐⭐⭐⭐
-
为什么Depthwise卷积后还要进行pointwise卷积⭐⭐⭐⭐⭐
-
卷积的底层实现/加速技巧⭐⭐⭐⭐⭐
-
1x1卷积有什么作用⭐⭐⭐⭐⭐
-
CNN有什么特点和优势⭐⭐⭐⭐⭐
-
说说你了解的pooling方法⭐⭐⭐⭐⭐
-
pooling层的作用⭐⭐⭐⭐⭐
-
常用的pooling方法有哪些,那个更好?⭐⭐⭐⭐⭐
-
说一下ROI Pooling⭐⭐⭐⭐⭐
-
说一下maxpooling的反向传播怎么处理⭐⭐⭐⭐⭐
-
语义分割上采样的方法⭐⭐⭐⭐⭐
##机器学习面试题汇总与解析——技术发展
-
说说分类网络的发展⭐⭐⭐⭐
-
为什么要设计残差连接⭐⭐⭐⭐⭐
-
说说语义分割网络的发展⭐⭐⭐⭐
-
deeplabV3有什么改进,具体讲一下⭐⭐⭐⭐⭐
-
vgg16同期还有哪些网络,inception网络有什么特点⭐⭐⭐⭐⭐
-
什么是感受野?⭐⭐⭐⭐⭐
-
讲一下 mobileNet系列,ResNet系列⭐⭐⭐⭐⭐
-
说说目标检测的发展⭐⭐⭐⭐⭐
-
讲一下目标检测one stage, two stage,讲一下yoloV1⭐⭐⭐⭐⭐
-
yolo实现,损失函数⭐⭐⭐⭐⭐
-
Faster R-CNN 的具体流程⭐⭐⭐⭐⭐
-
Faster R-CNN 训练和测试的流程有什么不一样⭐⭐⭐⭐⭐
-
YOLOv3和Faster R-CNN 的差异⭐⭐⭐⭐⭐
-
YOLO系列有几个版本,YOLOv4 用到了哪优化方法⭐⭐⭐⭐⭐
-
除了聚类,还有哪些anchor的设计⭐⭐⭐⭐⭐
-
anchor的理解⭐⭐⭐⭐⭐
-
Anchor-free的优势在哪里⭐⭐⭐⭐⭐
-
介绍比赛中的有用的trick有哪些⭐⭐⭐⭐
-
手写nms⭐⭐⭐⭐⭐
##机器学习面试题汇总与解析——评价指标
-
说说机器学习评价指标⭐⭐⭐⭐⭐
-
AUC是什么?AUC是否对正负样本比例敏感?⭐⭐⭐⭐⭐
-
分类模型如何评价⭐⭐⭐⭐⭐
-
准确率与精准率的区别⭐⭐⭐⭐⭐
-
AUC的意义和两种计算方法⭐⭐⭐⭐⭐
-
讲讲分类,回归,推荐,搜索的评价指标⭐⭐⭐⭐⭐
-
AB test的原理⭐⭐⭐⭐⭐
##机器学习面试题汇总与解析——线性回归与逻辑回归
-
逻辑回归 LR 详细推导⭐⭐⭐⭐⭐
-
回归和分类的区别⭐⭐⭐⭐⭐
-
逻辑回归特征是否归一化⭐⭐⭐⭐⭐
-
什么样的模型需要特征归一化⭐⭐⭐⭐⭐
-
如何提升LR的模型性能?⭐⭐⭐⭐⭐
-
逻辑回归为啥要做特征离散化⭐⭐⭐⭐⭐
-
LR的详细过程,如何优化⭐⭐⭐⭐⭐
-
知道什么损失函数,lr公式推导⭐⭐⭐⭐⭐
-
最小二乘法在什么条件下与极大似然估计等价?⭐⭐⭐⭐⭐
-
逻辑回归为什么不用平方损失函数?⭐⭐⭐⭐⭐
##机器学习面试题汇总与解析——SVM
-
推导SVM⭐⭐⭐⭐⭐
-
LR 和 SVM 联系与区别⭐⭐⭐⭐⭐
-
svm介绍一下⭐⭐⭐⭐⭐
-
讲一下SVM的原理⭐⭐⭐⭐⭐
-
如果特征比较多,用LR还是SVM?⭐⭐⭐⭐⭐
-
介绍SVM⭐⭐⭐⭐⭐
-
SVM是否可以用随机梯度下降⭐⭐⭐⭐⭐
-
SVM优缺点⭐⭐⭐⭐⭐
-
为什么要将求解 SVM 的原始问题转换为其对偶问题⭐⭐⭐⭐⭐
-
为什么SVM对缺失数据敏感⭐⭐⭐⭐⭐
-
SVM怎么防止过拟合 ?⭐⭐⭐⭐⭐
##机器学习面试题汇总与解析——KNN
-
KNN介绍一下⭐⭐⭐⭐
-
KNN优缺点⭐⭐⭐⭐
-
KNN的K值怎么选⭐⭐⭐⭐
-
KNN数据需要归一化吗?⭐⭐⭐⭐
-
KNN三要素说一下⭐⭐⭐⭐
-
欧式距离与曼哈顿距离区别⭐⭐⭐⭐
-
knn的k设置的过大会有什么问题⭐⭐⭐⭐
##机器学习面试题汇总与解析——聚类
-
k-means介绍一下⭐⭐⭐⭐⭐
-
k-means优缺点⭐⭐⭐⭐⭐
-
k-means的簇怎么选⭐⭐⭐⭐⭐
-
k-means如何调优⭐⭐⭐⭐⭐
-
知道哪些聚类模型⭐⭐⭐⭐⭐
-
K-means的过程⭐⭐⭐⭐⭐
-
K-means如何选取K值⭐⭐⭐⭐⭐
-
kmeans聚类如何选择初始点⭐⭐⭐⭐⭐
-
kmeans聚类,聚的是特征还是样本?特征的距离如何计算?⭐⭐⭐⭐⭐
-
聚类算法知道哪些⭐⭐⭐⭐⭐
-
Kmeans算法和EM算法的关系⭐⭐⭐⭐⭐
-
写Kmeans代码⭐⭐⭐⭐⭐
##机器学习面试题汇总与解析——决策树
-
决策树介绍一下⭐⭐⭐⭐⭐
-
决策树优缺点⭐⭐⭐⭐⭐
-
决策树的划分标准是什么⭐⭐⭐⭐⭐
-
ID3和C4.5的区别⭐⭐⭐⭐⭐
-
树模型对离散特征怎么处理的⭐⭐⭐⭐⭐
-
树模型怎么决定一个叶子结点是否要分裂⭐⭐⭐⭐⭐
-
决策树出现过拟合的原因及解决办法⭐⭐⭐⭐⭐
-
如何对决策树进行剪枝?⭐⭐⭐⭐⭐
-
决策树需要进行归一化处理吗⭐⭐⭐⭐⭐
-
决策树与逻辑回归的区别⭐⭐⭐⭐⭐
-
说下决策树的损失函数⭐⭐⭐⭐⭐
##机器学习面试题汇总与解析——集成学习、Adaboost、随机森林、GBDT、xgBoost、LightGBM
-
LightGBM和xgBoost、GBDT的区别⭐⭐⭐⭐⭐
-
xgBoost和gbdt的区别⭐⭐⭐⭐⭐
-
xgBoost的block结构⭐⭐⭐⭐⭐
-
XGBoost的优缺点⭐⭐⭐⭐⭐
-
集成学习 Bagging Boosting⭐⭐⭐⭐⭐
-
RF和GBDT的区别⭐⭐⭐⭐⭐
-
GBDT是否适合于处理大规模的ID特征⭐⭐⭐⭐⭐
-
LightGBM的直方图 排序后会比xgboost的效果差吗,为什么⭐⭐⭐⭐⭐
-
xgboost正则化项和什么有关⭐⭐⭐⭐⭐
-
随机森林哪两个随机⭐⭐⭐⭐⭐
-
bootstrap怎么做的⭐⭐⭐⭐⭐
-
介绍GBDT的详细计算过程⭐⭐⭐⭐⭐
-
xgb的正则项是什么⭐⭐⭐⭐⭐
-
xgboost缺失值处理方法⭐⭐⭐⭐⭐
-
为什么xgboost要二阶展开?⭐⭐⭐⭐⭐
-
集成学习的方法有哪些⭐⭐⭐⭐⭐
-
泰勒公式求e的近似值⭐⭐⭐⭐⭐
-
XGBoost 如果损失函数没有二阶导,该怎么办⭐⭐⭐⭐⭐
-
GBDT的G梯度的向量长度为多少⭐⭐⭐⭐⭐
##机器学习面试题汇总与解析——NLP
-
LSTM与transform的区别⭐⭐⭐⭐⭐
-
讲一下Bert原理,Bert好在哪里?⭐⭐⭐⭐⭐
-
cbow 与 skip-gram 的区别和优缺点⭐⭐⭐⭐⭐
-
Bert的MLM预训练任务mask的目的是什么⭐⭐⭐⭐⭐
-
CRF原理⭐⭐⭐⭐
-
Bert 采用哪种Normalization结构,LayerNorm和BatchNorm区别,LayerNorm结构有参数吗,参数的作用?⭐⭐⭐⭐⭐
-
如何优化BERT效果⭐⭐⭐⭐⭐
-
BERT self-attention相比lstm优点是什么?⭐⭐⭐⭐⭐
-
说说循环神经网络⭐⭐⭐⭐⭐
-
说说LSTM⭐⭐⭐⭐⭐
-
LSTM的结构⭐⭐⭐⭐⭐
-
LSTM的三个门怎么运作的,写一下三个门的公式⭐⭐⭐⭐⭐
-
LSTM为什么可以解决长期依赖,LSTM会梯度消失吗⭐⭐⭐⭐⭐
-
LSTM相较于RNN的优势⭐⭐⭐⭐⭐
-
讲一下LSTM,LSTM相对于RNN有哪些改进?LSTM为什么可以解决长期问题,相对与RNN改进在哪
-
讲一下LSTM吧,门都是怎么迭代的⭐⭐⭐⭐⭐
-
RNN为什么难以训练,LSTM又做了什么改进⭐⭐⭐⭐⭐
-
wide & deep 模型 wide 部分和 deep 部分分别侧重学习什么信息⭐⭐⭐⭐⭐
-
deepfm 一定优于 wide & deep 吗⭐⭐⭐⭐⭐
-
Bert的输入是什么?⭐⭐⭐⭐⭐
-
Bert的词向量的embedding怎么训练得到的?⭐⭐⭐⭐⭐
-
self-attention理解和作用,为什么要除以根号dk?⭐⭐⭐⭐⭐
-
BERT中并行计算体现在哪儿⭐⭐⭐⭐⭐
-
翻译中Q\K\V对应的是什么⭐⭐⭐⭐⭐
-
attention和self attention的区别⭐⭐⭐⭐⭐
-
介绍transformer以及讲优势⭐⭐⭐⭐⭐
-
Transformer encoder和decoder的介绍⭐⭐⭐⭐⭐
-
BERT模型怎么做的?大致的网络架构是怎么样的?⭐⭐⭐⭐⭐
-
transformer的position embedding和BERT的position embedding的区别⭐⭐⭐⭐⭐
##机器学习面试题汇总与解析——模型优化
-
若CNN网络很庞大,在手机上运行效率不高,对应模型压缩方法有了解吗⭐⭐⭐⭐⭐
-
介绍一下模型压缩常用的方法?为什么用知识蒸馏?⭐⭐⭐⭐⭐
-
知道模型蒸馏吗?谈下原理⭐⭐⭐⭐⭐
-
做过模型优化吗?模型蒸馏和模型裁剪?⭐⭐⭐⭐⭐
-
squeezeNet的Fire Module有什么特点?⭐⭐⭐⭐
-
降低网络复杂度但不影响精度的方法⭐⭐⭐⭐⭐
-
如果让模型速度提高一倍,有什么解决方案?⭐⭐⭐⭐⭐
##机器学习面试题汇总与解析——朴素贝叶斯
-
朴素贝叶斯介绍一下⭐⭐⭐⭐⭐
-
朴素贝叶斯优缺点⭐⭐⭐⭐⭐
-
贝叶斯公式⭐⭐⭐⭐⭐
-
朴素贝叶斯中的“朴素”怎么理解?⭐⭐⭐⭐⭐
-
什么是拉普拉斯平滑法?⭐⭐⭐⭐⭐
-
朴素贝叶斯中有没有超参数可以调?⭐⭐⭐⭐⭐
-
你知道朴素贝叶斯有哪些应用吗?⭐⭐⭐⭐⭐
-
朴素贝叶斯对异常值敏不敏感?⭐⭐⭐⭐⭐
-
频率学派与贝叶斯学派的差别⭐⭐⭐⭐
-
概率与期望的公式⭐⭐⭐⭐
-
先验概率与后验概率⭐⭐⭐⭐
##机器学习面试题汇总与解析——PCA与LDA
-
PCA介绍一下⭐⭐⭐⭐⭐
-
PCA算法步骤⭐⭐⭐⭐⭐
-
PCA原理⭐⭐⭐⭐⭐
-
PCA降维之后的维度怎么确定⭐⭐⭐⭐⭐
-
说说PCA的优缺点⭐⭐⭐⭐⭐
-
推导一下PCA⭐⭐⭐⭐⭐
-
降维方法有哪些?⭐⭐⭐⭐⭐
-
LDA介绍一下⭐⭐⭐⭐⭐
-
LDA的中心思想是什么⭐⭐⭐⭐⭐
-
LDA的优缺点⭐⭐⭐⭐⭐
-
说说LDA的步骤⭐⭐⭐⭐⭐
-
推导一下LDA⭐⭐⭐⭐⭐
-
PCA和LDA有什么区别⭐⭐⭐⭐⭐
-
偏差与方差⭐⭐⭐⭐
-
SVD懂么⭐⭐⭐⭐⭐
-
方差和协方差的理解⭐⭐⭐⭐
-
伯努利分布和二项分布的区别⭐⭐⭐⭐
##机器学习面试题汇总与解析——GAN
-
GAN是用来干什么的,怎么用的,介绍一下⭐⭐⭐⭐⭐
-
GANs的优缺点是什么?⭐⭐⭐⭐⭐
-
GAN为什么不好收敛⭐⭐⭐⭐⭐
-
为什么GAN中的优化器不常用SGD⭐⭐⭐⭐⭐
-
生成对抗网络在哪里用到的,起什么作用,损失函数是什么⭐⭐⭐⭐⭐
-
训练GAN的一些技巧⭐⭐⭐⭐⭐
-
说说GAN的训练过程⭐⭐⭐⭐⭐
-
Pix2pix和cycleGan的区别⭐⭐⭐⭐⭐
##机器学习面试题汇总与解析——特征工程
-
特征工程有哪些⭐⭐⭐⭐⭐
-
遇到缺值的情况,有哪些处理方式⭐⭐⭐⭐⭐
-
样本不均衡的处理办法⭐⭐⭐⭐⭐
-
训练时样本不平衡问题如何解决;小样本问题如何解决⭐⭐⭐⭐⭐
-
常见的筛选特征的方法有哪些?⭐⭐⭐⭐⭐
-
数据怎么清洗,缺失值怎么填充⭐⭐⭐⭐⭐
-
出现Nan的原因⭐⭐⭐⭐⭐
-
特征筛选,怎么找出相似性高的特征并去掉⭐⭐⭐⭐⭐
-
对于不同场景机器学习和深度学习你怎么选择,你更习惯机器学习还是深度学习?⭐⭐⭐⭐⭐
-
包含百万、上亿特征的数据在深度学习中怎么处理⭐⭐⭐⭐⭐
-
类别型数据你是如何处理的?比如游戏品类,地域,设备⭐⭐⭐⭐
-
计算特征之间的相关性方法有哪些?⭐⭐⭐⭐
##机器学习面试题汇总与解析——传统算法
-
傅里叶变换公式及其推导⭐⭐⭐
-
边缘检测算法⭐⭐⭐
-
牛顿法的推导过程⭐⭐⭐
-
了解哪些插值算法⭐⭐⭐
-
SIFT的整个详细流程⭐⭐⭐
-
SIFT和SURF的区别⭐⭐⭐
-
牛顿法和拟牛顿法⭐⭐⭐
-
FFT和DFT的区别⭐⭐⭐
-
双线性差值的操作过程⭐⭐⭐
##机器学习面试题汇总与解析——Python
-
python 深拷贝与浅拷贝⭐⭐⭐⭐⭐
-
python多线程能用多个cpu么?⭐⭐⭐⭐⭐
-
python垃圾回收机制⭐⭐⭐⭐⭐
-
python里的生成器是什么⭐⭐⭐⭐⭐
-
迭代器和生成器的区别⭐⭐⭐⭐⭐
-
装饰器⭐⭐⭐⭐⭐
-
python有哪些数据类型⭐⭐⭐⭐⭐
-
Python 中列表( List )中的 del,remove,和 pop 等的用法和区别⭐⭐⭐⭐⭐
-
python yeild 和return的区别⭐⭐⭐⭐⭐
-
python set底层实现⭐⭐⭐⭐⭐
-
python字典和set()的区别⭐⭐⭐⭐⭐
-
怎么对字典的值进行排序?⭐⭐⭐⭐⭐
-
__init__和__new__和__call__的区别⭐⭐⭐⭐⭐
-
import常用库⭐⭐⭐
-
python的lamda函数⭐⭐⭐⭐⭐
-
Python内存管理⭐⭐⭐⭐⭐
-
python在内存上做了哪些优化?⭐⭐⭐⭐⭐
-
Python中类方法和静态方法的区别⭐⭐⭐⭐⭐
-
python多线程怎么实现⭐⭐⭐⭐⭐
-
点积和矩阵相乘的区别?⭐⭐⭐⭐
-
Python中错误和异常处理⭐⭐⭐⭐
-
Python 的传参是传值还是传址?⭐⭐⭐⭐
-
什么是猴子补丁?⭐⭐⭐⭐
-
当退出 Python 时是否释放所有内存分配?⭐⭐⭐⭐
-
Python 中的 is 和 == 有什么区别?⭐⭐⭐⭐
-
gbk和utf8的区别⭐⭐⭐⭐
-
遍历字典可以用什么方法⭐⭐⭐⭐
-
反转列表的方法⭐⭐⭐⭐
-
python 元组中元组转为字典⭐⭐⭐⭐
-
range在python2和python3里的区别⭐⭐⭐⭐
-
__init__.py
文件的作用以及意义⭐⭐⭐⭐
机器学习面试题汇总与解析——HR面
本章讲解知识点
- 1.1 HR心理复盘
- 1.2 HR常问问题——学校的表现怎么样啊?
- 1.3 HR常问问题——了解我们公司吗?
- 1.4 HR常问问题——个人情况
- 1.5 HR常问问题——业余生活
- 1.6 HR常问问题——薪资待遇
- 1.7 HR常问问题——人性考察