![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
算法岗面试总结
文章平均质量分 69
总结一些算法岗面试可能会考的内容
起昵称要随意
这个作者很懒,什么都没留下…
展开
-
【算法面试知识点】SVM
SVM原理SVM是一个分类模型,基本思想是在特征空间中求一个使两类点分布在超平面两侧且间隔最大化的平面。可分为线性可分SVM、线性SVM和非线性SVM。(1)线性可分SVM:当训练样本线性可分时,通过硬间隔最大化,学习一个线性分类器(2)线性SVM:当训练数据近似线性可分,引入松弛变量,通过软间隔最大化,学习一个分类器(3)非线性SVM:当数据不可分时,通过核技巧和软间隔最大化,学习非线性分类器公式推导硬间隔SVM的目标(硬间隔)有两个目标:第一个是使间隔最大化,第二个是使样原创 2021-01-10 10:41:21 · 1050 阅读 · 1 评论 -
【算法岗校招面试】面试流程总览
0 简历基本信息应聘岗位教育背景(期间获得的奖项三好学生,奖学金等)项目经历(包括实习):项目内容,负责内容,成果实践经历:学生活动、志愿活动等掌握技能:英语,计算机能力(python,sql,tensorflow/pytorch框架)自我评价注意:描述项目时尽可能用到领域内的关键词,有些公司会根据关键词搜索简历比如机器学习,深度学习,迁移学习,推荐算法等1 自我介绍(提前准备)开场白:面试官您好,我叫**,是**大学**学院**专业**届...原创 2021-01-07 19:15:19 · 735 阅读 · 0 评论 -
【算法岗校招面试】有用链接
AI算法工程师手册 http://www.huaxiaozhuan.com/算法题讲解 https://github.com/labuladong/fucking-algorithm牛客网 算法面试宝典 https://www.nowcoder.com/tutorial/95/3cefbe4d0e914256b1271fe3417dded8《剑指Offer》面试题: Python实现 GitHub - JushuangQiao/Python-Offer: 《剑指Offer》面试题Python实现原创 2021-01-07 19:12:20 · 138 阅读 · 0 评论 -
【算法岗面试-算法题】LeetCode 169 多数元素 python
题目:给定一个大小为 n 的数组,找到其中的多数元素。多数元素是指在数组中出现次数大于 ⌊ n/2 ⌋ 的元素。思路一:排序取中间如果将数组 nums 中的所有元素按照单调递增或单调递减的顺序排序,那么下标为n/2的元素(下标从 0 开始)一定是众数。Class Solution: def majorityRlement(self,nums:List[int]): nums.sort() return nums[len(nums)//2]时间复杂度为原创 2020-08-19 14:56:49 · 276 阅读 · 0 评论 -
【算法岗面试知识点】CNN、梯度下降、损失函数、过拟合
CNN1 卷积神经网络与传统多层神经网络对比传统意义上的多层神经网络是只有输入层、隐藏层、输出层。卷积神经网络CNN,在原来多层神经网络的基础上,加入了更加有效的特征学习部分,具体操作就是在原来的全连接的层前面加入了部分连接的卷积层与池化层。卷积神经网络出现,使得神经网络层数得以加深,深度学习才能实现。通常所说的深度学习,一般指的是这些CNN等新的结构以及一些新的方法(比如新的激活函数Relu等),解决了传统多层神经网络的一些难以解决的问题神经网络(neural networks)的基原创 2020-08-19 09:13:42 · 7585 阅读 · 0 评论 -
【算法岗面试知识点】逻辑回归LR
1.LR介绍逻辑回归(Logistic Regression)是一种广义线性回归。线性回归解决的是回归问题,预测值是实数范围,逻辑回归则相反,解决的是分类问题,预测值是[0,1]范围。逻辑回归名为回归,实为分类。用一句话来概括逻辑回归(LR):逻辑回归假设数据服从伯努利分布,通过极大化似然函数的方法,运用梯度下降求解参数,来达到将数据二分类的目的。2.LR假设两个假设:(1)假设数...原创 2020-08-18 15:46:04 · 740 阅读 · 1 评论 -
【算法岗面试知识点】决策树(ID3,C4.5,CART)
决策树决策树模型是描述对样本进行分类的树形结构,主要特征选择,决策树生成以及决策树剪枝三个步骤。决策树生成:将所有训练数据放到根节点,选择一个最优特征,根据这个特征将训练数据分割成子集,使每个子集在当前条件下最好的分类,然后递归直到所有样本,都基本正确分类或者没有合适的特征为止。决策树生成对应着模型的局部最优,容易发生过拟合...原创 2020-08-11 09:09:54 · 1520 阅读 · 0 评论 -
【算法岗面试知识点】过拟合,欠拟合,L1,L2正则
过拟合与欠拟合1. 概念经验误差:模型对训练集数据的误差泛化误差:模型对测试集数据的误差泛化能力:模型对训练集以外样本的预测能力就称为模型的泛化能力,追求这种泛化能力始终是机器学习的目标。过拟合:常常是模型学习能力太强,以至于将训练集单个样本自身的特点都捕捉到,并将其认为是“一般规律”,导致模型泛化能力下降。欠拟合:常常是模型学习能力较弱,而数据复杂度较高的情况出现,此时模型由于学习能力不足,无法学习到数据集中的一般规律,因而导致泛化能力弱。2. 过拟合与欠拟合区别欠拟合在训原创 2020-08-05 11:25:32 · 366 阅读 · 0 评论 -
【算法岗面试知识点】模型评估(混淆矩阵,准确率,精准率,召回率,ROC,AUC)
1. 混淆矩阵混淆矩阵 真实类别1 真实类别0 预测类别1 TP(True Positive)真阳 FP(False Positive) 伪阳 预测类别0 FN(False Negative)伪阴 TN(True Negative)真阴 2. 各种率准确率:Accuracy = (TP+TN)/(TP+FP+FN+TN) 精准率:Precision = TP/(TP+FP) #预测为正样本,有多少是真实的正样本 召回率:R..原创 2020-08-03 15:16:59 · 608 阅读 · 0 评论