面试算法实习生

昨天刚开始是笔试，完事后两面技术面，最后hr面。第一次面试算法实习生，在此做下笔记，记录面试问题与自己的不足。

笔试：

回来看牛客网，居然发现大部分都有，但可惜我还没刷。

回忆下知识点从网上搜出这套题好多都有（2,5,6,7,8,9,21,42,46,48,49,53,55）

一、选择题

    1. 某超市研究销售纪录数据后发现，买啤酒的人很大概率也会购买尿布，这种属于数据挖掘的哪类问题？(A)

      A. 关联规则发现 B. 聚类

      C. 分类 D. 自然语言处理

      2. 以下两种描述分别对应哪两种对分类算法的评价标准？ (A)

      (a)警察抓小偷，描述警察抓的人中有多少个是小偷的标准。

      (b)描述有多少比例的小偷给警察抓了的标准。

      A. Precision, Recall B. Recall, Precision

      A. Precision, ROC D. Recall, ROC

      3. 将原始数据进行集成、变换、维度规约、数值规约是在以下哪个步骤的任务？(C)

      A. 频繁模式挖掘 B. 分类和预测 C. 数据预处理 D. 数据流挖掘

      4. 当不知道数据所带标签时，可以使用哪种技术促使带同类标签的数据与带其他标签的数据相分离？(B)

      A. 分类 B. 聚类 C. 关联分析 D. 隐马尔可夫链

      5. 什么是KDD？ (A)

      A. 数据挖掘与知识发现 B. 领域知识发现

      C. 文档知识发现 D. 动态知识发现

      6. 使用交互式的和可视化的技术，对数据进行探索属于数据挖掘的哪一类任务？（A）

      A. 探索性数据分析 B. 建模描述

      C. 预测建模 D. 寻找模式和规则

      7. 为数据的总体分布建模；把多维空间划分成组等问题属于数据挖掘的哪一类任务？(B)

      A. 探索性数据分析 B. 建模描述

      C. 预测建模 D. 寻找模式和规则

      8. 建立一个模型，通过这个模型根据已知的变量值来预测其他某个变量值属于数据挖掘的哪一类任务？(C)

      A. 根据内容检索 B. 建模描述

      C. 预测建模 D. 寻找模式和规则

      9. 用户有一种感兴趣的模式并且希望在数据集中找到相似的模式，属于数据挖掘哪一类任务？(A)

      A. 根据内容检索 B. 建模描述

      C. 预测建模 D. 寻找模式和规则

      11.下面哪种不属于数据预处理的方法？ (D)

      A变量代换 B离散化 C 聚集 D 估计遗漏值

      12. 假设12个销售价格记录组已经排序如下：5, 10, 11, 13, 15,35, 50, 55, 72, 92, 204, 215 使用如下每种方法将它们划分成四个箱。等频（等深）划分时，15在第几个箱子内？ (B)

      A 第一个 B 第二个 C 第三个 D 第四个

      13.上题中，等宽划分时（宽度为50），15又在哪个箱子里？ (A)

      A 第一个 B 第二个 C 第三个 D 第四个

      14.下面哪个不属于数据的属性类型：(D)

      A 标称 B 序数 C 区间 D相异

      15. 在上题中，属于定量的属性类型是：(C)

      A 标称 B 序数 C区间 D 相异

      16. 只有非零值才重要的二元属性被称作：( C )

      A 计数属性 B 离散属性 C非对称的二元属性 D 对称属性

      17. 以下哪种方法不属于特征选择的标准方法： (D)

      A嵌入 B 过滤 C 包装 D 抽样

      18.下面不属于创建新属性的相关方法的是： (B)

      A特征提取 B特征修改 C映射数据到新的空间 D特征构造

      19. 考虑值集{1、2、3、4、5、90}，其截断均值（p=20%）是 (C)

      A 2 B 3 C 3.5 D 5

      20. 下面哪个属于映射数据到新的空间的方法？ (A)

      A 傅立叶变换 B特征加权 C 渐进抽样 D维归约

      21. 熵是为消除不确定性所需要获得的信息量，投掷均匀正六面体骰子的熵是： (B)

      A 1比特 B 2.6比特 C 3.2比特 D 3.8比特

      22. 假设属性income的最大最小值分别是12000元和98000元。利用最大最小规范化的方法将属性的值映射到0至1的范围内。对属性income的73600元将被转化为：(D)

      A 0.821 B 1.224 C 1.458 D 0.716

      23.假定用于分析的数据包含属性age。数据元组中age的值如下（按递增序）：13，15，16，16，19，20，20，21，22，22，25，25，25，30，33，33，35，35，36，40，45，46，52，70, 问题：使用按箱平均值平滑方法对上述数据进行平滑，箱的深度为3。第二个箱子值为：(A)

      A 18.3 B 22.6 C 26.8 D 27.9

      24. 考虑值集{12 24 332 4 55 68 26}，其四分位数极差是：(A)

      A 31 B 24 C 55 D 3

      25. 一所大学内的各年纪人数分别为：一年级200人，二年级160人，三年级130人，四年级110人。则年级属性的众数是： (A)

      A 一年级 B二年级 C 三年级 D 四年级

      26. 下列哪个不是专门用于可视化时间空间数据的技术： (B)

      A 等高线图 B饼图 C 曲面图 D 矢量场图

      27. 在抽样方法中，当合适的样本容量很难确定时，可以使用的抽样方法是： (D)

      A 有放回的简单随机抽样 B无放回的简单随机抽样 C分层抽样 D 渐进抽样

      28. 数据仓库是随着时间变化的,下面的描述不正确的是 (C)

      A. 数据仓库随时间的变化不断增加新的数据内容;

      B. 捕捉到的新数据会覆盖原来的快照;

      C. 数据仓库随事件变化不断删去旧的数据内容;

      D. 数据仓库中包含大量的综合数据,这些综合数据会随着时间的变化不断地进行重新综合.

      29. 关于基本数据的元数据是指:(D)

      A. 基本元数据与数据源,数据仓库,数据集市和应用程序等结构相关的信息;

      B. 基本元数据包括与企业相关的管理方面的数据和信息;

      C. 基本元数据包括日志文件和简历执行处理的时序调度信息;

      D. 基本元数据包括关于装载和更新处理,分析处理以及管理方面的信息.

      30. 下面关于数据粒度的描述不正确的是: (C)

      A. 粒度是指数据仓库小数据单元的详细程度和级别;

      B. 数据越详细,粒度就越小,级别也就越高;

      C. 数据综合度越高,粒度也就越大,级别也就越高;

      D. 粒度的具体划分将直接影响数据仓库中的数据量以及查询质量.

      31. 有关数据仓库的开发特点,不正确的描述是: (A)

      A. 数据仓库开发要从数据出发;

      B. 数据仓库使用的需求在开发出去就要明确;

      C. 数据仓库的开发是一个不断循环的过程,是启发式的开发;

      D. 在数据仓库环境中,并不存在操作型环境中所固定的和较确切的处理流,数据仓库中数据分析和处理更灵活,且没有固定的模式

      32. 在有关数据仓库测试,下列说法不正确的是: (D)

      A. 在完成数据仓库的实施过程中,需要对数据仓库进行各种测试.测试工作中要包括单元测试和系统测试.

      B. 当数据仓库的每个单独组件完成后,就需要对他们进行单元测试.

      C. 系统的集成测试需要对数据仓库的所有组件进行大量的功能测试和回归测试.

      D. 在测试之前没必要制定详细的测试计划.

      33. OLAP技术的核心是: (D)

      A. 在线性;

      B. 对用户的快速响应;

      C. 互操作性.

      D. 多维分析;

      34. 关于OLAP的特性,下面正确的是: (D)

      (1)快速性 (2)可分析性 (3)多维性 (4)信息性 (5)共享性

      A. (1) (2) (3)

      B. (2) (3) (4)

      C. (1) (2) (3) (4)

      D. (1) (2) (3) (4) (5)

      35. 关于OLAP和OLTP的区别描述,不正确的是: (C)

      A. OLAP主要是关于如何理解聚集的大量不同的数据.它与OTAP应用程序不同.

      B. 与OLAP应用程序不同,OLTP应用程序包含大量相对简单的事务.

      C. OLAP的特点在于事务量大,但事务内容比较简单且重复率高.

      D. OLAP是以数据仓库为基础的,但其最终数据来源与OLTP一样均来自底层的数据库系统,两者面对的用户是相同的.

      36. OLAM技术一般简称为”数据联机分析挖掘”,下面说法正确的是: (D)

      A. OLAP和OLAM都基于客户机/服务器模式,只有后者有与用户的交互性;

      B. 由于OLAM的立方体和用于OLAP的立方体有本质的区别.

      C. 基于WEB的OLAM是WEB技术与OLAM技术的结合.

      D. OLAM服务器通过用户图形借口接收用户的分析指令,在元数据的知道下,对超级立方体作一定的操作.

      37. 关于OLAP和OLTP的说法,下列不正确的是: (A)

      A. OLAP事务量大,但事务内容比较简单且重复率高.

      B. OLAP的最终数据来源与OLTP不一样.

      C. OLTP面对的是决策人员和高层管理人员.

      D. OLTP以应用为核心,是应用驱动的.

      38. 设X={1，2，3}是频繁项集，则可由X产生__(C)__个关联规则。

      A、4 B、5 C、6 D、7

      40. 概念分层图是__(B)__图。

      A、无向无环 B、有向无环 C、有向有环 D、无向有环

      41. 频繁项集、频繁闭项集、最大频繁项集之间的关系是： (C)

      A、频繁项集 频繁闭项集 =最大频繁项集

      B、频繁项集 = 频繁闭项集 最大频繁项集

      C、频繁项集 频繁闭项集最大频繁项集

      D、频繁项集 = 频繁闭项集 = 最大频繁项集

      42. 考虑下面的频繁3-项集的集合：{1，2，3}，{1，2，4}，{1，2，5}，{1，3，4}，{1，3，5}，{2，3，4}，{2，3，5}，{3，4，5}假定数据集中只有5个项，采用 合并策略，由候选产生过程得到4-项集不包含（C）

      A、1，2，3，4 B、1，2，3，5 C、1，2，4，5 D、1，3，4，5

      43.下面选项中t不是s的子序列的是 ( C )

      A、s=<{2,4},{3,5,6},{8}>t=<{2},{3,6},{8}>

      B、s=<{2,4},{3,5,6},{8}>t=<{2},{8}>

      C、s=<{1,2},{3,4}>t=<{1},{2}>

      D、s=<{2,4},{2,4}>t=<{2},{4}>

      44. 在图集合中发现一组公共子结构，这样的任务称为 ( B )

      A、频繁子集挖掘 B、频繁子图挖掘 C、频繁数据项挖掘 D、频繁模式挖掘

      45. 下列度量不具有反演性的是(D)

      A、 系数 B、几率 C、Cohen度量 D、兴趣因子

      46. 下列__(A)__不是将主观信息加入到模式发现任务中的方法。

      A、与同一时期其他数据对比

      B、可视化

      C、基于模板的方法

      D、主观兴趣度量

      47. 下面购物篮能够提取的3-项集的最大数量是多少（C）

      ID 购买项

      1 牛奶，啤酒，尿布

      2 面包，黄油，牛奶

      3 牛奶，尿布，饼干

      4 面包，黄油，饼干

      5 啤酒，饼干，尿布

      6 牛奶，尿布，面包，黄油

      7 面包，黄油，尿布

      8 啤酒，尿布

      9 牛奶，尿布，面包，黄油

      10 啤酒，饼干

      A、1 B、2 C、3 D、4

      48. 以下哪些算法是分类算法，A，DBSCAN B，C4.5 C,K-Mean D,EM （B）

      49. 以下哪些分类方法可以较好地避免样本的不平衡问题， A，KNN B，SVM C，Bayes D，神经网络 （A）

      50. 决策树中不包含一下哪种结点，A,根结点（root node) B,内部结点（internal node） C,外部结点（external node） D,叶结点（leaf node） (C)

      51. 不纯性度量中Gini计算公式为（其中c是类的个数） (A)

      A, B, C, D, （A）

      53. 以下哪项关于决策树的说法是错误的 (C)

      A. 冗余属性不会对决策树的准确率造成不利的影响

      B. 子树可能在决策树中重复多次

      C. 决策树算法对于噪声的干扰非常敏感

      D. 寻找最佳决策树是NP完全问题

      54. 在基于规则分类器的中，依据规则质量的某种度量对规则排序，保证每一个测试记录都是由覆盖它的“最好的”规格来分类，这种方案称为 (B)

      A. 基于类的排序方案

      B. 基于规则的排序方案

      C. 基于度量的排序方案

      D. 基于规格的排序方案。

      55. 以下哪些算法是基于规则的分类器 (A)

      A. C4.5 B. KNN C. Na?ve Bayes D. ANN

      56. 如果规则集R中不存在两条规则被同一条记录触发，则称规则集R中的规则为

      （C）；

      A, 无序规则 B，穷举规则 C， 互斥规则 D，有序规则

      57. 如果对属性值的任一组合，R中都存在一条规则加以覆盖，则称规则集R中的规则为(B)

      A, 无序规则 B，穷举规则 C，互斥规则 D，有序规则

      58. 如果规则集中的规则按照优先级降序排列，则称规则集是 (D)

      A, 无序规则 B，穷举规则 C， 互斥规则 D，有序规则

      59. 如果允许一条记录触发多条分类规则，把每条被触发规则的后件看作是对相应类的一次投票，然后计票确定测试记录的类标号，称为（A）

      A, 无序规则 B，穷举规则 C， 互斥规则 D，有序规则

      60. 考虑两队之间的足球比赛：队0和队1。假设65%的比赛队0胜出，剩余的比赛队1获胜。队0获胜的比赛中只有30%是在队1的主场，而队1取胜的比赛中75%是主场获胜。如果下一场比赛在队1的主场进行队1获胜的概率为 (C)

      A，0.75 B,0.35 C,0.4678 D, 0.5738

      61. 以下关于人工神经网络（ANN）的描述错误的有 (A)

      A，神经网络对训练数据中的噪声非常鲁棒 B，可以处理冗余特征 C，训练ANN是一个很耗时的过程 D，至少含有一个隐藏层的多层神经网络

      62. 通过聚集多个分类器的预测来提高分类准确率的技术称为 (A)

      A,组合(ensemble) B,聚集(aggregate) C，合并(combination) D，投票(voting)

      63. 简单地将数据对象集划分成不重叠的子集，使得每个数据对象恰在一个子集中，这种聚类类型称作（ B ）

      A、层次聚类 B、划分聚类 C、非互斥聚类 D、模糊聚类

      64. 在基本K均值算法里，当邻近度函数采用（ A ）的时候，合适的质心是簇中各点的中位数。

      A、曼哈顿距离 B、平方欧几里德距离 C、余弦距离 D、Bregman散

 

二、简答题

1、漏报和误报的重要性判别标准以及分别在哪种场景可以允许

2、BI、数据分析、机器学习、数据挖掘的联系与区别

三、编程题

1、10万行日志，里面包含新增用户信息，输出新增了多少用户（没读懂）

2、给定一个字符串，和一个字符列表，输出全部包含这个字符列表的最短连续序列

 

总体而言笔试答的不太好，最后一个编程题有很多小细节没想到，编程格式不规范，忘记写函数了。习惯不好，没有写注解。

 

面试：

一面：

仔细按照简历上的点问的，实习经历以及项目经验。

（1）是不是用过word2vec，调参哪些，什么影响，讲word2vec的实现原理，是否看过源码，是否自己实现了

（2）fasttext有没有什么问题，怎么去优化（权重，tf-idf）

（3）自然语言处理方向还接触哪些技术（降维：pca，svd），讲原理

（4）看过哪些书，怎么自学

（5）根据项目问爬虫，针对反爬怎么办

（6）着重强调java高级语言的重要性以及大数据平台，公司环境需要

（7）最后问编程能力怎么样，写了个快排

二面：

二面技术总监，问了大体的实习经历，具体实习做的事情以及怎么解决的。二面不太好。

 

hr聊了下薪资待遇。

项目应用和实习这块得准备好，这是短板。