关于下阶段的安排

这几天忙着面试,终究因为身份问题死在了hr的流程关。下面打算继续写blog!

前两周一直在写关于weka源码的文章。这个当然还要继续,但是想让blog更加多元化,毕竟我兴趣的本身是model,而不是develop。

先说说面试吧

面试总场数也有差不多20+了,感觉基本都一样,代码+机器学习/数据挖掘+统计优化+算法+大数据工具(hadoop、spark)+具体应用场景+项目实习。

代码:主要问熟悉哪些语言吧,然后是各种内存管理、操作系统之类也会问问(数学系的表示从来没答上过)。

机器学习/数据挖掘:问的比较多的有LR, GBDT, SVM, Decision Tree, Neural Network。这几个分类算法问得很多,聚类很少问,很奇怪。回归也会问一些(L1和L2)。

然后还有一个几乎所有面试都问的问题。 dimension reduction! 所以,我打算在6月底之前,好好地总结一下,特征选择、特征提取的东西。

统计优化:统计方面被问的不多,主要就是问问线性回归之类的东西,假设检验啊,置信度啊。优化主要是梯度下降、拟牛顿、共轭梯度、LBFGS,还有SMO。

算法:这个只能靠刷题了,反正7月份开始,每天3题,雷打不动!

大数据工具:这个真心难办,虽然用过hadoop和spark,但是都是太简单的应用了。基本打算还是主要读别人的代码为主(各种机器学习算法的实现)

具体应用场景:这个问题也是每次都被问到,算是考察是不是书呆子吧? 对于如何准备这种问题,我的想法是kaggle! 把kaggle的比赛,总结一下即可。


所以近期和远期打算如下:

1. weka继续,预计一周出产1 - 2个算法。

2. 7月之前,写完feature extraction和feature selection的总结博文。

3. 每周总结分析一个kaggle案例。

4. 7月开始后,每天3道算法题!

5. 剩下的时间看看dl和semi的东西~

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
对于学习计算机算法的计划安排,可以分为以下几个阶段: 1. 基础知识学习阶段: 在这个阶段,你需要掌握计算机科学的基础知识,包括数据结构、算法分析和复杂性理论等。可以从学习基本的数据结构(如数组、链表、栈、队列等)开始,然后逐渐深入学习高级数据结构(如树、图、堆等)。同时,了解算法的时间复杂度和空间复杂度,并学习如何进行算法分析。 2. 算法设计与实现阶段: 在这个阶段,你需要学习常用的算法设计方法,如贪心算法、动态规划、分治法等,并掌握它们的原理和实现方式。可以通过刷题来提高自己的算法设计能力,比如LeetCode等在线平台提供了大量的算法题目供练习。 3. 算法优化与应用阶段: 在这个阶段,你可以学习一些常见的算法优化技巧,如剪枝、动态规划的优化、使用空间换时间等。同时,了解一些常见的算法应用领域,如图像处理、自然语言处理、机器学习等,可以选择一些相关的项目进行实践。 4. 深入学习与拓展阶段: 在掌握了基础的算法知识后,可以选择深入学习一些经典算法和高级算法,如排序算法、图算法、字符串算法等。同时,可以了解一些新兴的算法领域,如量子计算、并行算法等,以拓宽自己的知识面。 在每个阶段,建议结合理论学习和实践练习,通过阅读经典的算法教材、参加算法竞赛、解决实际问题等方式来提高自己的算法能力。同时,与其他人进行交流和讨论,加入相关的学习社群或论坛,可以获得更多的学习资源和互动机会。
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