大厂算法岗机器学习深度学习面试题
文章平均质量分 90
专门针对互联网大厂的算法岗面试题,理解和准备
冰露可乐
勤能补拙
展开
-
复盘:躺懂XGBoost/GBDT,学不会来打我!史上最强大的机器学习算法:BGDT……
b站老弓,一绝的博主,绝对是宝藏男孩!原创 2022-09-05 21:58:48 · 747 阅读 · 2 评论 -
复盘:手推SVM支持向量机二分类超平面,求解目标函数原问题,kkt条件,对偶问题求q,核函数、hinge loss损失函数,硬间隔,软间隔,最后得到w和b
求解目标函数原问题,kkt条件,对偶问题求q,核函数、hinge loss损失函数,硬间隔,软间隔,最后得到w和b原创 2022-09-03 14:42:35 · 1583 阅读 · 0 评论 -
复盘:手推LR(逻辑回归logistics regression),它和线性回归linear regression的区别是啥
LR是线性回归用sigmoid激活之后的概率,线性回归是线性回归问题,而逻辑回归是二分类问题,sigmoid求到很重要,另外,LR的最大似然函数求到很重要原创 2022-09-01 23:02:38 · 1404 阅读 · 0 评论 -
复盘:统计学派(频率学派)跟贝叶斯学派(贝叶斯公式、朴素贝叶斯)的定义和区别,奥卡姆剃刀和最大似然跟谁更接近
记住贝叶斯公式,面试时候,知道它是求逆向概率后验概率,而不是正向概率,非统计学派贝叶斯公式求的就是最大似然原创 2022-08-31 23:53:09 · 1066 阅读 · 0 评论 -
复盘:auc是怎么计算的?auc怎么快速计算?
1)auc的物理含义是正样本排在负样本前面的概率,公式自然就是排列组合了,分子正样本的排序和-多出来的部分3)笔试求AC,可以不考虑空间复杂度,但是面试既要考虑时间复杂度最优,也要考虑空间复杂度最优。...原创 2022-08-31 13:27:57 · 932 阅读 · 0 评论 -
一文看懂推荐系统:谷歌YouTubeDNN(Deep Neural Networks for YouTube Recommendations),这适合召回,专门搞user embedding的,配合
youtubeNet已经很古老了,适合召回,反正就是搞清楚usr embedding的过程呗,配合item embedding,就可以做双塔模型召回了,另外,独特的场景,考虑独特的特征,很重要,视频推荐,图文推荐,美食推荐,各有不同的场景的...原创 2022-08-28 10:45:45 · 2542 阅读 · 1 评论 -
一文看懂推荐系统:Gate网络2:百度GemNN(Gating-Enhanced Multi-Task Neural Networks)
Gate网络2:百度GemNN(Gating-Enhanced Multi-Task Neural Networks)原创 2022-08-28 10:29:20 · 1236 阅读 · 0 评论 -
一文看懂推荐系统:Gate网络(一):新浪微博GateNet,GateNet就是想用attention的方法去搞,和SENet一样,都是张俊林的杰作
新浪微博GateNet,GateNet就是想用attention的方法去搞,和SENet一样,都是张俊林的杰作原创 2022-08-28 10:22:15 · 2596 阅读 · 0 评论 -
一文看懂推荐系统:排序16:Dual Augmented Two-tower Model和张俊林的SENet,都是为了加入特征交叉想,增强重要特征,去掉噪声,类似于attention的骚操作
一文看懂推荐系统:排序16:Dual Augmented Two-tower Model和张俊林的SENet,都是为了加入特征交叉想,增强重要特征,去掉噪声,类似于attention的骚操作原创 2022-08-28 10:01:40 · 1101 阅读 · 0 评论 -
一文看懂推荐系统:经典双塔模型:微软DSSM模型(Deep Structured Semantic Models),无特征交互,后来美团改进了
经典双塔模型:微软DSSM模型(Deep Structured Semantic Models),无特征交互,后来美团改进了原创 2022-08-28 09:34:46 · 2092 阅读 · 0 评论 -
一文看懂推荐系统:排序15:DeepFM模型(Factorization-Machine),xDeepFM可不是对DeepFM的改编哦,而是对DCN的改编
xDeepFM可不是对DeepFM的改编哦,而是对DCN的改编原创 2022-08-28 08:49:04 · 1341 阅读 · 2 评论 -
一文看懂推荐系统:排序14:PNN模型(Product-based Neural Networks),和FNN一个作者,干掉FM,加上LR+Product
PNN模型(Product-based Neural Networks),和FNN一个作者,干掉FM,加上LR+Product原创 2022-08-28 08:34:31 · 812 阅读 · 0 评论 -
一文看懂推荐系统:排序13:FNN模型(FM+MLP=FNN),与PNN同属上海交大张楠的作品
两阶段FM+MLP原创 2022-08-28 08:20:38 · 1014 阅读 · 0 评论 -
一文看懂推荐系统:排序12:xDeepFM模型,并不是对DeepFM的改进,而是对DCN的改进哦
xDeepFM模型,并不是对DeepFM的改进,而是对DCN的改进哦,但是复杂度过于高了,不玩原创 2022-08-28 08:09:51 · 902 阅读 · 0 评论 -
一文看懂推荐系统:排序11:Deep & Cross Network(DCN)
DCN是对wide&deep网络中wide部分做了改进为cross network原创 2022-08-27 18:00:18 · 2014 阅读 · 0 评论 -
一文看懂推荐系统:排序10:wide&deep模型,wide就是LR负责记忆,deep负责高阶特征交叉而泛化
一文看懂推荐系统:排序10:wide&deep模型,wide就是LR负责记忆,deep负责高阶特征交叉而泛化原创 2022-08-27 09:46:20 · 1512 阅读 · 0 评论 -
一文看懂推荐系统:排序09:Field-aware Factorization Machines(FFM),从FM改进来的,效果不咋地
从FM改进来的,效果不咋地原创 2022-08-27 09:30:49 · 833 阅读 · 0 评论 -
互联网大厂面试官:推荐系统最经典的 排序模型 有哪些?你了解多少?
下一篇文章开始,我会仔细一个个把精排模型梳理清楚都有哪些?他们有啥特点?面试官很在乎你的基础功底的,所以你务必自己理解透了原创 2022-08-27 08:13:14 · 3579 阅读 · 0 评论 -
LR多分类与softmax多少分类,他们的目标函数是什么?他们的区别是?他们分别适用于什么场景?
1)LR的损失函数,就是释然函数,关键在理解给定x判定为y的概率这个函数,就好办了,LR当然还可以做多分类,只是训练多个二分类模型,共同投票2)softmax每个类别是互斥的,就是推导概率为1的情况,当k=2时,就是LR二分类3)笔试求AC,可以不考虑空间复杂度,但是面试既要考虑时间复杂度最优,也要考虑空间复杂度最优。...原创 2022-08-26 16:38:00 · 477 阅读 · 0 评论 -
复盘:GBDT,梯度提升决策树,Gradient Boosting Decision Tree,堪称最好的算法之一
1)GBDT,用弱鸡模型CART,通过预测上一个模型的残差ri=损失函数的负梯度值,不断累加和最后得到一个强模型的预测结果2)boosting的想法,就是多个弱分类器不断串联最后得到强分类器的结果。3)笔试求AC,可以不考虑空间复杂度,但是面试既要考虑时间复杂度最优,也要考虑空间复杂度最优。...原创 2022-08-25 23:08:06 · 793 阅读 · 0 评论 -
一文看懂推荐系统:物品冷启06:冷启的AB测试
这是因为冷启至少有两个目标,一个是激励作者发布,另一个是让用户满意。原创 2022-08-24 09:47:13 · 1154 阅读 · 2 评论 -
一文看懂推荐系统:物品冷启05:流量调控
:这节介绍的动态提权,保量和差异化保量算不上业界的顶尖技术,但也算是比较先进的技术。根据业界的经验,如果能把保量的基础做好,对发布的指标会有非常大的提升。原创 2022-08-24 08:46:50 · 3221 阅读 · 0 评论 -
一文看懂推荐系统:物品冷启04:Look-Alike 召回,Look-Alike人群扩散
我们用种子用户向量的平均表征新笔记,去跟右边用户求相似度,实际上就是求右边用户对新笔记的喜好,也是右边用户跟种子用户的相似计算原创 2022-08-24 07:49:28 · 2153 阅读 · 0 评论 -
一文看懂推荐系统:物品冷启03:聚类召回
基本思想是根据用户的点赞、收藏、转发、记录推荐内容相似的笔记原创 2022-08-23 22:56:18 · 1404 阅读 · 0 评论 -
一文看懂推荐系统:物品冷启02:简单的召回通道
双塔模型召回和类目关键词召回原创 2022-08-23 17:16:17 · 1856 阅读 · 0 评论 -
一文看懂推荐系统:物品冷启01:优化目标 & 评价指标
我介绍冷启动的评价指标分为作者侧指标,用户侧指标和内容侧指标,原创 2022-08-23 11:26:15 · 2205 阅读 · 0 评论 -
一文看懂推荐系统:特征交叉01:Factorized Machine (FM) 因式分解机
现在FM在工业界推荐系统中已经过时了原创 2022-08-23 09:31:17 · 1561 阅读 · 0 评论 -
一文看懂推荐系统:排序06:粗排三塔模型,性能介于双塔模型和精排模型之间
这节介绍了粗排的三叉模型,它介于双塔模型和精排牌模型之间。原创 2022-08-22 19:33:50 · 5261 阅读 · 1 评论 -
一文看懂推荐系统:排序05:排序模型的特征
用户画像、物品画像、统计特征,还有场景特征原创 2022-08-22 10:58:44 · 1985 阅读 · 0 评论 -
一文看懂推荐系统:排序04:视频播放建模
我详细解释了如何对播放时长和完播率做建模原创 2022-08-22 10:23:40 · 3668 阅读 · 0 评论 -
一文看懂推荐系统:排序03:预估分数融合
这节简要介绍了工业界排序的几种融分公式,加权、排序加权、转化率连乘等原创 2022-08-22 09:31:54 · 2803 阅读 · 0 评论 -
一文看懂推荐系统:排序02:Multi-gate Mixture-of-Experts (MMoE)
如果你们公司没有用MMOE,很可能是尝试之后发现没有提升。原创 2022-08-22 09:11:30 · 2370 阅读 · 0 评论 -
一文看懂推荐系统:排序01:多目标模型
今日推荐系统学习经验:这节介绍了排序的多目标模型,用于估计点击率、点赞率等指标,做完预估之后要跟预估值进行校准原创 2022-08-22 08:46:25 · 2947 阅读 · 0 评论 -
一文看懂推荐系统:召回09:地理位置召回、作者召回、缓存召回
(1)找工作投简历的话,你要将招聘单位的岗位需求和你的研究方向和工作内容对应起来,这样才能契合公司招聘需求,否则它直接把简历给你挂了(2)你到底是要进公司做推荐系统方向?还是纯cv方向?还是NLP方向?还是语音方向?还是深度学习机器学习技术中台?还是硬件?还是前端开发?后端开发?测试开发?产品?人力?行政?这些你不可能啥都会,你需要找准一个方向,自己有积累,才能去投递,否则面试官跟你聊什么呢?(3)今日推荐系统学习经验:地理、同城、交互关注相似的作者,缓存机制,都是实际用的工业推荐系统的技巧原创 2022-08-22 08:10:31 · 1602 阅读 · 0 评论 -
复盘:c++中64位和32位操作系统内存中,指针类型占用多少内存空间
1)在32位操作系统下,指针是占4个字节空间大小2)在64位操作系统下,指针是占8个字节空间大小3)笔试求AC,可以不考虑空间复杂度,但是面试既要考虑时间复杂度最优,也要考虑空间复杂度最优。...原创 2022-08-18 22:43:26 · 2461 阅读 · 2 评论 -
复盘:1*1卷积的作用详解
1)所以1*1卷积核既可以降维也可以升维2)增加非线性3)笔试求AC,可以不考虑空间复杂度,但是面试既要考虑时间复杂度最优,也要考虑空间复杂度最优。原创 2022-08-18 22:35:42 · 1353 阅读 · 0 评论 -
复盘:大厂面试题:线程和进程区别
1)这是大厂面试常考的东西,得熟悉2)说白了进程就是一个软件应用程序,但是你可以同时播放好几个视频,每个播放都是一个线程3)笔试求AC,可以不考虑空间复杂度,但是面试既要考虑时间复杂度最优,也要考虑空间复杂度最优。...原创 2022-08-18 14:27:34 · 202 阅读 · 0 评论 -
复盘:Jetson AGX Xavier部署YOLOv5结合ROS小车实现对目标的检测跟踪
1)面试官可能很在乎你的动手能力,所以做过相关的东西,可以考虑写简历,体现自己兴趣和实际动手能力3)笔试求AC,可以不考虑空间复杂度,但是面试既要考虑时间复杂度最优,也要考虑空间复杂度最优。...原创 2022-08-14 12:11:43 · 1853 阅读 · 3 评论 -
复盘:基于attention的多任务多模态情绪情感识别,基于BERT实现文本情感分类(pytorch实战)
基于attention的多任务多模态实情绪情感识别原创 2022-08-13 22:11:13 · 4254 阅读 · 6 评论 -
复盘:什么是秋招提前批?什么是普通秋招?都是招聘,为啥要设置这两个招聘时间段
1)提前批就是大佬中的大佬,立马可以上手给老板干活赚钱的人,这种人就是高薪高福利待遇了2)普通秋招就是能力微弱一点,但是培养一段时间还可以上手的人,这种工薪自然低3)笔试求AC,可以不考虑空间复杂度,但是面试既要考虑时间复杂度最优,也要考虑空间复杂度最优。...原创 2022-08-08 09:49:44 · 2146 阅读 · 0 评论