微软最新面试题(

10.21 约了两面

一面:

1. 自我介绍

2. 撕代码: 暂时没有在leetcode上面找到,只能口述了

中文字符串转成数字 比如输入 一亿一千一百零一万一千一百零一 输出 111011101          (微软老题)

面试官人很好 因为c++处理中文不方便,就给我简化了一下, 亿用字母y代替, 万:w , 千:q,大概就是这个意思吧

 

二面:

1. 英文自我介绍

2. 撕代码:leetcode 22 , 297

两轮的面试官都很好,讲话都很温柔

55555 希望微软能给个机会,求求了 😭


 

连着约了两面

 

一面(时长约70min)

面试官是一个很温柔的小姐姐,对方没开视频

1、上来自我介绍 最好英文 本人没准备 用中文自我介绍的

2、介绍一个你比较拿手的项目

3、白板手撕算法

    ① 修改bug后会更新产品版本号,比如1.0.0,1.0.1,2.1.0等,设计一个算法向用户中还没有更新到当前版本号的用户发送推送提示其更新。

    ② 给一个schedulelist里面有n个时间信息,每个时间信息包含dayofweek星期几、hour几时、min几分,表示系统在list里的这些时间会定时更新升级,返回下一次的更新时间是哪一天哪个时间。

    第二题因为时间不够没写代码只是沟通了下思路。

算法写的不对什么的面试官小姐姐会提醒你,一点点引导你,让你想更优的思路。

 

二面(时长约60min)

面试官是一个挺年轻的小哥,对方也没开视频

1、自我介绍

2、介绍一个项目

3、你这个项目最终投入使用了吗?

4、平时怎么学习android的?(因为自己项目经历里有android开发)

5、觉得自己的android开发能力怎么样?是有系统学习过还是只是学习了项目中运用到的?

6、你常用java,了解java的数据结构吗?介绍一下

7、什么是堆?向堆里添加一个元素具体过程是怎么调整的?调整的时间复杂度多少?

8、Java底层的像JVM、GC等了解吗?介绍一下

9、英语怎么样?用英文问了几个问题,英文回答

    ① 你用过什么微软的产品? 有什么反馈?

    ② 请说出你想要加入微软的三个理由?

10、白板手撕代码

    给一个山脉数组,前k个元素是递增的,后面是递减的,求中位数。(最优时间复杂度是O(logn))

 


 

首先是英文自我介绍。

然后撕算法,题目是:给定一个先升序后降序的数组和一个目标数字,找到这个数字在数组中的位置。

面试官先让我说思路,发现我说的思路并不是很行,就给我画了个图给我讲思路(面试官蛮好的循循善诱的,但是感觉自己十分ruozhi),讲了半天我终于get了可以用二分查找+递归来做,然后就开始写代码了。写完了给他看(没来得及测试),代码整体逻辑应该没有大问题(我认为?),但是还是有蛮多影响效率的点,面试官也一一跟我讲了。最后,还指出了其他问题,包括我没有考虑目标数字可能在数组的波峰的两边都出现的情况,以及数组中有连续相等元素的情况。
 

三面是和一个Senior,首先介绍了项目,然后问我简历上aws与redis,数据库相关的东西

做题:深拷贝一个带有随机pointer的链表

我一开始用hashmap秒了,后来问不准用hashmap怎么办,没答上来(其实就是各种指针之间的变换)(剑指offer原题)

看来以后刷题,不能光做出来就行(懒),还得多试试一题多解。

我问的问题:微软如何评价员工

 

面完当天没有收到预约下一场的邮件,不知道大家面完三面等了多久?

 

许愿四面!!!

 

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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