算法面经快手篇

已于 2022-10-17 11:32:22 修改
阅读量144 收藏
点赞数
分类专栏： 算法面经（20余中大厂） 文章标签： 机器学习 深度学习 自然语言处理 nlp 面经
于 2022-10-11 12:48:32 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43499457/article/details/127261314
版权
这篇博客分享了两段实习经历中的算法面试问题，涵盖了深度学习模型如deepfm、gbdt、transformer，自然语言处理中的w2v和Bert，以及数据处理技巧如SQL合并、LR损失函数推导、PCA降维和数据不平衡的应对策略。此外，还讨论了分词原理、聚类评估和动态规划在求解最短路径问题的应用。
摘要由CSDN通过智能技术生成

实习1
1.deepfm gbdt
2.transformer多头注意力的多头区别是啥
手撕：快排
手撕：sql 表a b；以id为联系合并ab表
手撕：lr目标函数 loss 推导

实习2
1.介绍下w2v
2.w2v的产出是啥
3.介绍下Bert transformer
4.Bert transformer输出是啥
5.降维方法 PCA
6.数据不均衡怎么处理
7.分词的原理了解吗
8.怎么评价聚类的好坏

手撕：给个矩阵，左上角到右下角求最小路径（每个点有权值）；动规

CxFt
关注
专栏目录
深度学习算法面试面经合集
01-13
一位算法工程师从30+场秋招面试中总结出的超强面经—语义分割篇（含答案）.pdf 深度学习三十问！一位算法工程师经历30+场CV面试后总结的常见问题合集（含答案）.pdf 深度学习六十问！一位算法工程师经历30+场CV面试...
快手面经
工科僧的博客
08-05 614
1自我介绍 项目 GAN 训练GAN RCNN发展史 YOLOv3 one-step和two-step的比较 IoU手写,python def calculateiod(rec1,rec2): """ rec1=[l1,r1,t1,b1] rec2类似 """ l=max(rec1[0],rec2[0]) r=min(rec1[1],rec2[1]) t=max(rec1[2],rec2[2]) b=min(rec1[3],rec2[3]) if r<l or b <t: reut
中科大&快手提出多模态交叉注意力模型：MMCA，促进图像-文本多模态匹配！
我爱计算机视觉
12-24 6584
关注公众号，发现CV技术之美本文分享论文『Multi-Modality Cross Attention Network for Image and Sentence Matching』，由...
快手sig3、sig、NStoken算法，附带测试用例
06-08
快手作为一款流行的短视频分享平台，其内部使用了特定的加密算法来确保用户数据的安全传输。本文将深入探讨标题中的"快手sig3、sig、NStoken算法"，并提供相关的Python实现及测试用例。 一、sig3算法 sig3是快手...
各大厂图像、视觉算法工程师面经
12-15
本篇将深入探讨各大厂对于图像、视觉算法工程师的面试重点，包括但不限于百度、腾讯、字节跳动、美团、阿里巴巴、拼多多、旷视科技、海康威视、小米和华为等知名公司。 首先，我们来看算法这个核心标签。在图像和...
快手开源数据集（推荐算法）
06-29
快手开源数据集（推荐算法）快手开源数据集（推荐算法）快手开源数据集（推荐算法）快手开源数据集（推荐算法）快手开源数据集（推荐算法）快手开源数据集（推荐算法）快手开源数据集（推荐算法）快手开源数据集...
2024京东 搜索算法岗 春招面经
07-30
2024京东 搜索算法岗 春招面经 一面 聊一个项目(自己挑) Deepspeed了解吗 介绍下熟悉的主流大模型(llama) 和transformer有什么区别/改进 旋转位置编码怎么做的 了解强化学习吗 算法题： 1.大小为k的滑动窗口扫描...
【交通标志识别系统】Python+卷积神经网络算法+人工智能+深度学习+机器学习+算法模型
子午的博客
10-12 739
交通标志识别系统。本系统使用Python作为主要编程语言，在交通标志图像识别功能实现中，基于TensorFlow搭建卷积神经网络算法模型，通过对收集到的58种常见的交通标志图像作为数据集，进行迭代训练最后得到一个识别精度较高的模型文件，然后保存为本地的h5格式文件。再使用Django开发Web网页端操作界面，实现用户上传一张交通标志图片，识别其名称。在本项目中，开发了一个基于人工智能的交通标志识别系统，旨在利用深度学习技术对常见的交通标志进行高效、准确的识别。
斯坦福 CS229 I 机器学习 I 构建大型语言模型 （LLMs）
qq_53795212的博客
10-09 1045
困惑度是基于验证损失计算的，用来衡量模型对数据的理解程度，反映模型在预测序列时的平均不确定性（模糊预测的 token 有多少）。通过让预训练好的模型生成类似人类标注的数据，可以快速地积累大规模的数据集，降低对人类标注的依赖。模型可以生成各种形式的答案，从健康建议到对编程任务的解答，这些生成的数据可以用来微调其他模型，提升它们在特定任务上的表现。这个向量经过线性变换，从初始维度。PPO 是一种常用的强化学习算法，它通过约束更新步骤，避免模型的过度优化（即防止模型产生非常激进的变化），保持训练的稳定性。
机器学习【金融风险与风口评估及其应用】
qq_201729558
10-13 1690
本文主要叙述机器学习【金融风险与风口评估及其应用】
【动物识别系统】Python+卷积神经网络算法+人工智能+深度学习+机器学习+计算机课设项目+Django网页界面
子午的博客
10-12 678
动物识别系统。本项目以Python作为主要编程语言，并基于TensorFlow搭建ResNet50卷积神经网络算法模型，通过收集4种常见的动物图像数据集（猫、狗、鸡、马）然后进行模型训练，得到一个识别精度较高的模型文件，然后保存为本地格式的H5格式文件。再基于Django开发Web网页端操作界面，实现用户上传一张动物图片，识别其名称。
基于机器学习的二手车价格因素识别与预测
最新发布
m0_53814833的博客
10-15 571
随着二手车市场的快速发展，消费者对二手车的需求逐渐增加，然而，由于二手车的定价涉及多种复杂因素，不同条件下的车辆价值差异较大，如何精准地评估二手车的市场价值成为了一个亟待解决的问题。本项目通过数据分析和机器学习建模，尝试识别并量化影响二手车价格的主要因素，并构建一个价格预测模型，为消费者和行业从业者提供数据支持。
【ShuQiHere】 K-means 聚类算法详解：公式、代码与实战
ShuQIHere的博客
10-09 2057
K-means 是一种常见的**无监督学习算法**（*Unsupervised Learning Algorithm*），用于解决**聚类**（*Clustering*）问题。该算法的目标是将数据集中的 \(n\) 个数据点分成 \(K\) 个簇（*Clusters*），使得同一簇内的数据点之间尽可能相似，而不同簇的数据点尽可能不同。🧑‍🏫 K-means 在市场细分、图像压缩、模式识别等领域得到了广泛应用。其因简单高效而受欢迎，但要充分利用它，理解其工作原理至关重要。
强化学习和QLearning及GAN到底是什么关系啊
weixin_37522117的博客
10-09 890
介绍强化学习和QLearning及GAN的区别和联系
VAE(与GAN)
qq_46143063的博客
10-09 999
VAE 是一种强大的工具，通过有效地学习数据的潜在表示，使得生成新样本变得可行。它结合了深度学习和概率图模型的优点。总的来说，VAE 和 GAN 都各有优缺点，选择哪个模型取决于具体的应用需求和目标。VAE 更适合需要稳健性和简单性的方法，而 GAN 则在生成高质量、细节丰富的样本方面表现更好。
机器学习四大框架详解及实战应用：PyTorch、TensorFlow、Keras、Scikit-learn
fudaihb的博客
10-10 1622
随着人工智能和机器学习的快速发展，越来越多的开发者和研究人员涌入这个领域。在此过程中，选择合适的机器学习框架至关重要。本文将深入分析四大主流框架——PyTorch、TensorFlow、Keras 和 Scikit-learn 的特点，帮助读者了解各自的优势及应用场景，并通过实战案例展示它们的具体用法。
闭着眼学机器学习——朴素贝叶斯分类
m0_64087341的博客
10-10 1283
机器学习之朴素贝叶斯分类
ML 系列：机器学习和深度学习的深层次总结(16) — 提高 KNN 效率-使用 KD 树和球树实现更快的算法
gongdiwudu的专栏
10-09 1502
在机器学习系列的第 16 节，我们重点介绍了提高 K 最近邻 （KNN） 算法的效率，这是一种广泛用于分类和回归任务的方法。虽然 KNN 简单有效，但对于大型数据集来说，其计算成本可能会令人望而却步。为了解决这个问题，我们引入了两种高级数据结构：KD 树和球树，它们显着提高了 KNN 搜索的速度。
ML 系列：机器学习和深度学习的深层次总结（ 15） — KNN — 第 1 部分
gongdiwudu的专栏
10-09 1318
K-最近邻 (KNN) 算法是一种流行的监督机器学习算法，用于分类和回归任务。它是非参数惰性学习算法的一个典型例子。KNN 被认为是一种惰性学习算法，因为它在训练阶段不对底层数据分布做出任何假设，也不从训练数据中学习特定模型。相反，它是一种“惰性”或“延迟”学习，它只是记住训练数据集。
2023ai算法面经
09-08
面经是指在求职面试中常见的问题和考察内容。2023年AI算法面经主要包括以下几个方面的内容。 首先，对于AI算法岗位来说，对于相关领域的知识和技能要求是非常重要的。在面试过程中，面试官可能会询问你对于机器学习、深度学习、自然语言处理、计算机视觉等领域的了解程度以及对于常见算法的掌握情况。应聘者需了解主流的机器学习算法，如线性回归、逻辑回归、决策树、支持向量机等以及深度学习算法，如卷积神经网络、循环神经网络等。 其次，应聘者需要具备编程和数据处理的能力。在面试中可能会遇到编程题目，如实现某个算法或者解决某个问题的代码实现。同时，对于数据处理的能力也是很重要的，面试官可能会要求应聘者解释如何处理数据、数据预处理等。 此外，对于AI算法岗位来说，解决问题的能力也是很重要的。面试官可能会以某个实际问题为背景，询问应聘者如何设计和实现一个AI算法模型来解决该问题，并让应聘者展示整个解决问题的过程和思路。 最后，沟通和团队合作能力也是衡量应聘者的重要指标。在面试过程中，可能会有相关问题考察应聘者的沟通能力、解释和表达能力，以及如何与团队合作来解决问题。 综上所述，2023年AI算法面经主要包括对于相关领域的知识和技能的考察、编程和数据处理能力的测试、解决问题的能力的展示和考察、以及沟通和团队合作能力的评估。应聘者需要在这些方面做好准备，以提高通过面试的机会。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

CxFt

很高兴可以帮到你

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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