👨💻作者简介: CSDN、阿里云人工智能领域博客专家,新星计划计算机视觉导师,百度飞桨PPDE,专注大数据与AI知识分享。✨公众号:GoAI的学习小屋 ,免费分享书籍、简历、导图等,更有交流群分享宝藏资料,关注公众号回复“加群”或➡️点击链接 加群。
🎉AI学习星球推荐: GoAI的学习社区 知识星球是一个致力于提供《机器学习 | 深度学习 | CV | NLP | 大模型 | 多模态 | AIGC 》各个最新AI方向综述、论文等成体系的学习资料,配有全面而有深度的专栏内容,包括不限于 前沿论文解读、资料共享、行业最新动态以、实践教程、求职相关(简历撰写技巧、面经资料与心得)多方面综合学习平台,强烈推荐AI小白及AI爱好者学习,性价比非常高!
扫码加入星球:
💚AI面经专栏总结: 本专栏主要为总结各小中大厂的面经系列总结,内容涵盖了多个热门技术领域,包括但不限于算法、机器学习、CV、NLP、大模型、测开、大数据、数分等,内容包括问题及详细答案,此外金邀请了行业内经验丰富的技术专家和面试官,分享面试经验和技巧,帮助求职者顺利通关各类技术面试。
算法工程师面经系列
阿里智能互联算法工程师 机器学习 一面
-
详细介绍实习项目
-
介绍决策树和gbdt以及它们之间的关系
决策树可以被看作是GBDT中的基本学习器之一。在GBDT中,每棵树都是通过迭代学习而来的,每一棵树都试图纠正前一棵树的预测误差。通常,GBDT使用回归树(Regression Tree)作为基学习器。GBDT通过将多棵决策树组合在一起来构建一个更强大的模型,这些树相互协作,纠正前一棵树的不足,从而提高整体性能。GBDT的目标是最小化损失函数。
推荐:
【机器学习】决策树(上)——ID3、C4.5、CART(非常详细) - 知乎
【机器学习】决策树(中)——Random Forest、Adaboost、GBDT (非常详细) -…
【机器学习】决策树(下)——XGBoost、LightGBM(非常详细) - 知乎
我认为这几篇博客写得挺好的,可以好好看看深入学习。 -
常见的深度学习的优化方法有哪些
(1) 随机梯度下降 SGD
(2) 动量 Momentum
(3) Adam 算法
(4) Adamw算法
不同的优化器实质上只是定义了不同的一阶动量和二阶动量公式。
详见: 深度学习基础-优化算法详解 - 知乎 -
介绍C++的左值右值
左值是是通常可以放在等号左边的表达式,右值是是通常只能放在等号右边的表达式。
左值是有标识符、可以取地址的表达式,最常见的情况有:变量、函数或数据成员的名字返回左值引用的表达式,如 ++x、x = 1、cout << ’ '字符串字面量如 "hello world"在函数调用时,左值可以绑定到左值引用的参数,如 T&。 一个常量只能绑定到常左值引用,如 const T&。
右值是没有标识符、不可以取地址的表达式,一般也称之为“临时对象”。最常见的情况有:返回非引用类型的表达式,如 x++、x + 1、make_shared(42)除字符串字面量之外的字面量,如 42、true
详见: C 左值与右值_c 左值和右值-CSDN博客 -
指针与引用的区别
(1)引用访问一个变量是直接访问,而指针是间接访问。
(2)引用是一个变量的别名,不额外占用内存空间,而指针是一个变量,有自己的内存空间。
(3)引用定义的时候必须赋值,并且赋值之后不可以改变,指针定义的时候可以不赋值,赋值后可以改变其所指的值。
(4)引用不可以为空,但是指针可以指向空值。
(5)引用是类型安全的,一般不会引起内存泄露的问题,指针可能会,一般尽可能用引用代替指针。 -
各种设计模型
(1) 单例模式: 确保一个类只有一个实例,并提供一个全局访问点。
(2) 抽象工厂模式: 提供一个接口,用于创建一系列相关或相互依赖的对象,而不需要指定其具体类。
(3) 适配器模式: 将一个接口转换成另一个接口,以适应不同的客户端需求。
(4) 观察者模式: 定义对象间的一对多依赖关系,使得一个对象的状态发生变化时,其所有依赖对象都会收到通知并自动更新。
(5) 策略模式: 定义一系列算法,将每个算法封装起来,并使它们可以 访问者模式: 允许在不改变元素类的前提下定义作用于元素的新操作。 -
python生成器、装饰器
生成器: 函数中包含yield关键字的语句将被视为生成器函数。当调用生成器函数时,它会立即返回一个生成器对象,但不执行函数体内的代码。yield用于生成下一个值,同时保存函数的状态,以便在下一次调用时从上一次暂停的位置继续执行。
装饰器是Python中的一种高级编程特性,用于修改函数或类的行为,而不需要对其本身进行修改。装饰器通常是函数,它可以接受一个函数或类作为参数,并返回一个新的函数或类,从而增加或修改它们的功能。装饰器通常用于代码重用、AOP(面向切面编程)和功能增强。 -
介绍模型量化
模型量化(Model Quantization)是一种用于减小深度学习模型的存储空间和加速推理速度的技术。它通过减少模型权重和激活值的精度,通常将它们从浮点数转换为较低位的整数或定点数,来实现这一目标。 -
对Transformer的了解