『运筹OR帷幄』转载
求职招聘栏目
来自于运筹帷幄的招聘板块。一方面,我们将为大家精心挑选和整理全球与运筹学、数据科学、机器学习、人工智能等领域相关的招聘职位。另一方面,我们也将翻译和转载国内外在该领域相关的求职干货。
如果您有职位正在招人,如果您想推荐相关领域的职位,请扫描文末二维码,让我们助您一臂之力。
/转载来源/
本文经牛客网网友“牛妹”授权转载。
/原文作者/
牛客网网友“牛妹”,毕业于哈尔滨理工大学,牛客网第一网红,微博:迪公主dorothy。
-01-
知识点框架
![e0c22c2dcd11a1da43cd5c363ca33c02.png](https://i-blog.csdnimg.cn/blog_migrate/9d1316037217b709e50a99f69433102c.jpeg)
-02-
数学基础
1)微积分
- SGD,Momentum,Adagard,Adam原理;
- L1不可导的时候该怎么办;
- sigmoid函数特性。
2)统计学,概率论
- a,b~U[0,1],互相独立,求Max(a,b)期望;一个活动,n个女生手里拿着长短不一的玫瑰花,无序的排成一排,一个男生从头走到尾,试图拿更长的玫瑰花,一旦拿了一朵就不能再拿其他的,错过了就不能回头,问最好的策略?
- 问题:某大公司有这么一个规定:只要有一个员工过生日,当天所有员工全部放假一天。但在其余时候,所有员工都没有假期,必须正常上班。这个公司需要雇用多少员工,才能让公司一年内所有员工的总工作时间期望值最大?
- 切比雪夫不等式;
- 一根绳子,随机截成3段,可以组成一个三角形的概率有多大?
- 最大似然估计和最大后验概率的区别?
- 什么是共轭先验分布?
- 概率和似然的区别;
- 频率学派和贝叶斯学派的区别;
- 0~1均匀分布的随机器如何变化成均值为0,方差为1的随机器;
- Lasso的损失函数;
- Sfit特征提取和匹配的具体步骤。
3)线性代数
- 求mk矩阵A和nk矩阵的欧几里得距离;
- PCA中第一主成分是第一的原因;
- 欧拉公式;
- 矩阵正定性的判断,Hessian矩阵正定性在梯度下降中的应用;
- 概率题:抽蓝球红球,蓝结束红放回继续,平均结束游戏抽取次数;
- 讲一下PCA;
- 拟牛顿法的原理;
- 编辑距离。
![ec5e7a91479000b826bd6bafafbe2a77.png](https://i-blog.csdnimg.cn/blog_migrate/9559750d3d8261e49cfc90690087ab2e.jpeg)
图片来源:Gerd Altmann from Pixabay
-03-
机器学习算法
1)处理分类问题常用算法
- 交叉熵公式;
- LR公式;
- LR的推导,损失函数;
- 逻辑回归怎么实现多分类;
- SVM中什么时候用线性核什么时候用高斯核;
- 什么是支持向量机,SVM与LR的区别?
- 监督学习和无监督学习的区别;
- 机器学习中的距离计算方法?
- 问题:朴素贝叶斯(naive Bayes)法的要求是;
- 问题:训练集中类别不均衡,哪个参数最不准确?
- 问题:你用的模型,最有挑战性的项目?
- 问题:SVM的作用,基本实现原理?
- 问题:SVM的硬间隔,软间隔表达式?
- 问题:SVM使用对偶计算的目的是什么,如何推出来的,手写推导?
- 问题:SVM的物理意义是什么?
- 问题:如果给你一些数据集,你会如何分类(我是分情况答的,从数据的大小,特征,是否有缺失,分情况分别答的)
- 问题:如果数据有问题,怎么处理?
- 分层抽样的适用范围;
- LR的损失函数;
- LR和线性回归的区别;
- 生成模型和判别模型基本形式,有哪些?
- 核函数的种类和应用场景;
- 分类算法列一下有多少种,分别应用场景有哪些?
- 给你一个检测的项目,检测罐装的可口可乐,瓶装的可口可乐作为负样本,怎么弄?
- SVM核函数的选择;
- SVM的损失函数;
- 核函数的作用;
- SVM为什么使用对偶函数求解?
- ID3,C4.5和CART三种决策树的区别;
- SVM和全部数据有关还是和局部数据有关;
- 为什么高斯核能够拟合无穷维度?
- 第二面完整推导了svm一遍,还有强化学习问的很多,dqn的各种trick了解多少,怎么实现知不知道?
- SVM所有核函数的了解应用,SVM的损失函数;
- LR和SVM 区别;
- 朴素贝叶斯基本原理和预测过程;
- LR推导;
- 交叉熵;
- LR公式;
- 交叉熵公式。
2)处理回归问题常用算法
- L1和L2正则化的区别;
- 问题:Loss Function有哪些,怎么用?
- 问题:线性回归的表达式,损失函数;
- 线性回归的损失函数;
- 机器学习:知道哪些传统机器学习模型?
3)处理聚类问题常用算法
- 什么是DBSCAN?
- k-means算法流程;
- LDA的原理;
- 介绍几种机器学习的算法,我就结合我的项目经理介绍了些RF, k-means等算法;
- 讲讲,k-means有什么缺点,K怎么确定;
- DBSCAN原理和算法伪代码,与k-means,OPTICS区别。
4)推荐系统的常用算法
- 问推荐算法,fm,lr,embedding;
- 协同过滤的itemCF,userCF区别适用场景;
- 推荐系统的大概步骤,解决冷启动;
- 传统的机器学习算法了解吗?
- 用mapreduce实现10亿级以上数据的k-means;
- A/B test如何进行流量分流;
- 协同过滤中的算法怎么细分?
- FM公式。
5)模型融合和提升的算法
- bagging和boosting的区别;
- boosting和 bagging区别;
- XGBOOST和GDBT的区别;
- GDBT的原理,以及常用的调参参数;
- AdaBoost和GBDT的区别,AdaBoost和GBDT的区别;
- gbdt推导;
- boosting和bagging在不同情况下的选用;
- gbdt推导和适用场景;
- 说一下gbdt的全部算法过程;
- rf和gbdt基分类器区别,里面的决策树分别长啥样,怎么剪枝?
- 随机森林和 GBDT 的区别;
- xgboost的特征重要性计算;
- xgboost的正则项表达式;
- xgboost原理,怎么防过拟合;
- xgboost,rf,lr优缺点场景;
- xgboost特征并行化怎么做的?
- xgboost和lightgbm的区别和适用场景?
6)其他重要算法
- 问题:HMM隐马尔可夫模型的参数估计方法是;
- 问题:Bootstrap方法是什么?
- 问题:如何防止过拟合?
- EM算法推导,jensen不等式确定的下界。
![19af9d2fd810aed405d2abea92454bfb.png](https://i-blog.csdnimg.cn/blog_migrate/08447bfc3d8abb866fa5642b99606a4b.jpeg)
图片来源:Gerd Altmann from Pixabay
-04-
机器学习
1)Scikit-learn
- Focal Loss 介绍一下;
- 过拟合的解决方法;
- 方差偏差的分解公式;
- 问题:对应时间序列的数据集如何进行交叉验证;
- 问题:正负样本不平衡的解决办法?评价指标的参考价值?
- 迁移学习;
- 数据不平衡怎么办?
- AUC的理解;
- AUC的计算公式;
- 生成模型和判别模型的区别;
- 过拟合的解决方法;
- 特征选择怎么做?
- 怎么防止过拟合?
- L1和L2正则;
- ID3树用什么指标选择特征?
- 特征工程的问题;
- 给了个链接线上写代码,要求写读文本、文本预处理、特征提取和建模的基本过程,不过写到特征就没写了;
- softmax公式;
2)Libsvm
- 检测20类物体,多少张训练集,怎么训练?
- lightgbm优势。
3)Keras/tensorflow
- MXNet和Tensorflow的区别;
- Tensorflow的工作原理;
- Tensorflow中interactivesession和session的区别;
- 手写了tensorflow的图像分类代码,还有问之前线下笔试最后编程题的思路,算法复杂度,然后项目也问。
![0aef06efb6794c1fa6cd448632f9c45e.png](https://i-blog.csdnimg.cn/blog_migrate/dc2e7fb4eb55b00540123c3d23aa1f47.jpeg)
图片来源:Gerd Altmann from Pixabay
-05-
深度学习
- BatchNormalization的作用;
- 梯度消失;
- 循环神经网络,为什么好?
- 什么是GroupConvolution?
- 什么是RNN?
- 训练过程中,若一个模型不收敛,那么是否说明这个模型无效?导致模型不收敛的原因有哪些?
- 图像处理中锐化和平滑的操作;
- VGG使用3*3卷积核的优势是什么?
- Relu比Sigmoid的效果好在哪里?
- 问题:神经网络中权重共享的是什么?
- 问题:神经网络激活函数?
- 问题:在深度学习中,通常会finetuning已有的成熟模型,再基于新数据,修改最后几层神经网络权值,为什么?
- 问题:画GRU结构图;
- Attention机制的作用;
- Lstm和Gru的原理;
- 什么是dropout?
- LSTM每个门的计算公式;
- HOG算法原理;
- DropConnect的原理;
- 深度学习了解多少,有看过底层代码吗?caffe,tf
- 除了GMM-HMM,你了解深度学习在语音识别中的应用吗;
- 用过哪些移动端深度学习框架;
- Caffe:整体架构说一下,新加一个层需要哪些步骤,卷积是怎么实现的,多卡机制,数据并行还是模型并行;
- HOG算子是怎么求梯度的?
- BN层的作用,为什么要在后面加伽马和贝塔,不加可以吗?
- 梯度消失,梯度爆炸的问题;
- Adam;
- attention机制;
- RNN梯度消失问题,为什么LSTM和GRU可以解决此问题?
- GAN网络的思想;
- 1*1的卷积作用;
- 怎么提升网络的泛化能力;
- 什么是seq2seq model?
- 激活函数的作用;
- 为什么用relu就不用sigmoid了?
- 讲一下基于WFST的静态解码网络的语音识别流程?
- 目标检测了解吗,Faster RCNN跟RCNN有什么区别?
- SPP,YOLO了解吗?
- 梯度消失梯度爆炸怎么解决?
- RNN容易梯度消失,怎么解决?
- LSTM跟RNN有啥区别?
- 卷积层和池化层有什么区别?
- 防止过拟合有哪些方法?
- 介绍下dropout?
- relu?
- 神经网络为什么用交叉熵?
- 注意力公式;
- 论文flow情况;
- Flappy.Bird开发者,怎么利用DNQ方法强化学习你的游戏AI?
- LeNet-5结构;
- 推导LSTM正向传播和单向传播过程;
- LSTM原理,与GRU区别;
- DNN的梯度更新方式;
- CNN为什么比DNN在图像识别上更好;
- 现场用collabedit写代码,一个怪异的归并算法,之前没遇到过,直接把归并写出来,但是说复杂度太高,优化了三遍还不行,最后说出用小顶堆解决了;
- LSTM和Naive RNN的区别;
- 神经网络为啥用交叉熵?
- 注意力公式;
- Inception Score 评价指标介绍;
- 使用的 CNN 模型权重之间有关联吗?
- CycleGAN 原理介绍一下;
- 训练 GAN 的时候有没有遇到什么问题;
- 百度实习:CPM 模型压缩怎么做的?有压过 OpenPose 吗?
- 用过哪些 Optimizer,效果如何;
- 图像基础:传统图像处理方法知道哪些,图像对比度增强说一下;
- 介绍一下图像的高频、低频部分,知道哪些图像补全的方法;百度实习:模型压缩的大方向。CPM 模型怎么压缩的,做了哪些工作;
- Depthwise 卷积实际速度与理论速度差距较大,解释原因;
- RetinaNet 的大致结构画一下;
- RetinaNet为什么比SSD效果好;
![eb6616794eb5374d15efc7c01606d661.png](https://i-blog.csdnimg.cn/blog_migrate/75e85072040051b5d9db1b363ff24c2e.jpeg)
图片来源:Gerd Altmann from Pixabay
-06-
数据结构与算法
1)查找
- 手写二分查找;
- 算法题,单调函数求零点 (简单的二分法);
- 特别大的数据量,实现查找,排序。
2)哈希
- Hash表处理冲突的方法;
- 一致性哈希;
- Hash表处理冲突的方法;
- apriori;
- KM算法。
3)表达式、字符串
- 中缀表达式转后缀表达式;
- 算法题:翻转中间由各种符号隔开的字符串;
- 问题:A+B∗(C−D)/E的后缀表达式。
4)栈与堆
- 大顶堆怎么插入删除;
- 堆栈区别;
- 栈溢出有哪些情况。
5)树
- 问题:手撕代码,根据前序,中序创建二叉树;
- 算法题:从右边看被遮挡的二叉树,求露出的node;
- 算法题,给前序和中序,求出二叉树;
- 算法题,trim二叉搜索树;
- 红黑树。
6)排序
- 对一千万个整数排序,整数范围在[-1000,1000]间,用什么排序最快;
- 堆排序的思想;
- 冒泡排序;
- 快速排序的最优情况;
- 抽了两道面试题目两道:8个球,1个比较重,天平,几步找到重的;
- 算法题:topK给出3种解法 ;
- 快排;
- 说一下小顶堆的调整过程;
- 算法题:2sum,3sum。
7)高级算法
- 手撕代码:以概率p生成1、概率1-p生成0的rand函数,得到0-1等概率的rand函数,计算新的rand函数中:调用一次,while循环的期望次数;
- Kruskal算法的基本过程;
- BFS和DFS的实现思想;
- 关联规则具体有哪两种算法,它们之间的区别;
- 贪婪算法;
- 模拟退火,蚁群对比;
- 算法题:名人问题,给出最优解法;
- 代码题:股票最大值;
- 编辑距离。
8)链表
- 如何判断单链表是否是循环链表;
- 反转链表;
- 算法题,反转链表;
- 算法题,单链表判断是否有环 (leetcode easy),以及判断环入口。
9)数组
- 找出数组中只出现1次的数,其余数均出现2次,扩展,其余数出现2次以上。
10)动态规划
- 最短描述数,10的最短描述数是3^2+1^2所以是2,求一个数的最短描述数;
- 跳台阶问题,每次只能跳1个台阶或者2个台阶,n个台阶共有多少种方式;
- 动态规划和带记忆递归的区别;
- 手撕代码:0-1矩阵的最大正方形。
11)遍历
- 代码题:股票最大值。
![2d22678f761899e402456b380d02089f.png](https://i-blog.csdnimg.cn/blog_migrate/450fb5ba98be2e64b642640961945c4c.jpeg)
图片来源:Elchinator from Pixabay
-07-
编程语言,工具和环境
1)编程语言
- 什么是python的生成器;
- Java抽象类和接口的区别;
- python中is和==的区别;
- python方法解析顺序;
- strcpy函数;
- Ctrl+C程序挂掉还是抛出异常,如何判断两个dict是否一样,list头上删除元素,字符串拼接;
- pytorch中cuda()作用,两个Tensor,一个加了cuda(),一个没加,相加后怎样;
- python中dict和list的区别,dict的内部实现;
- C++析构函数;
- C++的delete, delete[]的区别;
- C++相关的问题虚函数;
- 如何写多线程的代码;
- 是否关注过caffe和pytorch是怎么写的吗?pytorch调用多GPU函数内核;
- Java虚拟机内存的划分;
- python dict按照value进行排序;
- C++中static关键字的作用;
- 虚函数和纯虚函数的区别;
- Python多进程;
- 深拷贝,浅拷贝,写一个出来(写了个自己认为对的版本);
- 在程序里面智能指针的名字是啥?
- new,malloc区别;
- 纯虚函数怎么定义,写一个出来;
- 函数后面接const是什么意思?
- 写一个函数指针;
- 抽象类和接口的区别;
- 有看过c++的一些库吗?
- c++你看的最久的一章是哪一章,c++primer最熟哪一章?
- 开发环境、语言的掌握;
- Python 多进程;
- Python 锁。
2)大数据相关
- Spark性能如何调优;
- map reduce实现笛卡尔乘积;
- 是否写过udf,问udaf,udtf区别和一些细节。
-08-
自然语言处理
1)Word2vec
- Word2Vec中skip-gram是什么,Negative Sampling怎么做;
- FastText和Glovec原理;
- word2vec实施过程;
- softmax的原理了解;
- Wod2vec公式;
- 使用gensim的word similar方法预测句子。
![3581be8439a2bdedddc3e4d3aa554cd0.png](https://i-blog.csdnimg.cn/blog_migrate/35e88f58f37122c0d4202eff5e632595.jpeg)
图片来源:Gerd Altmann from Pixabay
-09-
计算机基础
1)linux
- ELF的bss段;
2)计算机网络
- IP报文经过一个路由器改变哪些字段?
- TCP/IP算法,IP寻址。
3)操作系统
- 如何将小端存储模式转为大端存储模式;
- Python 锁。
4)数据库
- count(*),count(1)和count(列名)的区别。
-10-
场景题
- 如何对10亿个词语进行排序,找出频率最高的100个?
- 算法题,10亿个32位正整数,求不同值,只给1GB内存 ?
- AI能用在游戏的哪些方面?
- 如果让我用AI技术怎么加入AI元素?
- 你觉得你的构想能实际实现吗?
- 那这个技术加进去有什么实际上的意义?
-11-
项目
- 自我介绍;
- 项目介绍;
- 项目中涉及的算法有了解情况;
- 模型的搭建,后处理,数据中发现的特征,发现的亮点;
- 数据量和涉及的算法,效果;
- 你是怎么处理数据中经常存在的数据不平衡的问题;
- 考察项目中的roi-pooling;
- 描述一个算法项目从kickoff-落地的全过程;
- 扣项目,问简历,其中涉及的算法和上面差不多;
- 对项目中一些技术选型产生质疑,并友好的一起讨论了这个问题;
- 扣简历,问得太细了,每个项目都要回答如果再做一次,有什么改进的地方,both算法上和模型选择上;
- 聊简历项目,对搜索推荐算法的了解;
- 简历上聚类项目用到的ISODATA算法比kmeans有哪些改进;
- 然后让我说一下自己最印象深刻的项目。问我项目的最终成果,分析失败的原因;
- 看过的论文,讨论论文;
- 针对岗位需求和我简历里的内容进行提问;
- 项目中遇到的最大困难;
- 你的C/C++怎么样;
- 谈谈实习项目;
- 项目难点;
- 说一下你简历里的图像识别的项目;
- 项目经历详细介绍:两种预测方式区别,pair的预测方式,整体项目有哪些可以提升的,遇到的困难之类的,整个项目用了哪些库;
- 看过的论文,讨论论文;
- 论文flow情况;
- 英特尔实习:项目介绍:台球识别和分类使用的方法,Hough 变换原理、后处理;
- Kaggle 比赛:背景介绍,数据清洗、数据增强、类别平衡,最终成绩,与前几名差距在哪,有没有尝试集成的方法;
- GAN 小论文,做了哪些工作,详细公式推一下,对 GAN 的具体应用有了解吗;
- 简历上项目为何适用xgboost和lr,对比其他分类算法的场景优势 ;
- GAN小论文,你做了什么,有哪些改进,在哪些数据集上做过实验,分辨率是多少;
- 英特尔实习:1)项目背景。台球检测和分类方法,球杆检测方法,球杆遮挡问题怎么处理,不用分类器,直接分割或计算图像差值会怎样;
- 有什么问题想了解一下。
![8005401a873cf926724cf0ff52852276.png](https://i-blog.csdnimg.cn/blog_migrate/3549246634ae513020626a67644d4380.jpeg)
图片来源:Wolfgang Claussen from Pixabay
-12-
hr面
- 自我介绍;
- 几点过来的;
- 你有什么跟别人不一样的;
- 你的缺点是什么;
- 家里几口人;
- 搞技术的你怎么很能说啊;
- 为什么喜欢杭州;
- 为什么喜欢菜鸟;
- 如果你面试失败,你会怎么办?
- 菜鸟跟你相关的部门;
- 有女朋友吗?
- 在哪里工作?
- 从事什么行业?
- 如果你的岗位有冲突,你会怎么处理?
- 实习时间,具体什么时候可以开始?
- 你有什么想问的吗?
- 有没有男朋友呀,意向地点是哪?
- 对公司有哪些了解?
- 兴趣爱好、意向地点?
- hr面就是常见的问题,城市啊,薪资待遇啊,对部门的评价,对总监的评价;
- 自我评价优缺点,怎么改进 ;
- hr抠了简历细节,问了笔试试卷相关的问题,还有自己的职业规划等;
- 想去的工作城市;
- 考研还是保研,为什么考到这个学校;
- 研究生期间最大的改变是什么?
- 四六级成绩;
- 讨论下工作地点和期望薪资;
- 你三年的职业规划是什么?
- 你和周围的人比你的优势在哪?举个例子;
- 考研的还是保研的?为什么没有保研?
- 家庭成员?家里人对你的工作地点有要求吗?
- 平时喜欢运动吗?
- 设计模式会吗?
- 转岗吗?
- 平时刷题吗?你刷过最有意思的题是哪个,介绍一下?
- 我看你之前还做过销售,聊一下 ?
-13-
学习与发展
- 如果有同学要学机器学习,你会建议他们从哪里做起?
- 个人发展,以及对自己项目的深入思考,还有深度学习的发展之类的。
- 讲很多关于深度学习以及机器学习的具体应用与实现,也谈到了自己在实际工作中遇到的困难。
- 之后面试官问了些我对人工智能的看法,以及相关竞赛的情况;
- 为什么选择实习,而不是在学校做研究?
E