面试百度的机器学习算法，也不过如此
本文已经收录至我的GitHub,欢迎大家踊跃star 和 issues。
https://github.com/midou-tech/articles
机器学习整体难度还是有点，不过这个岗位真的是很香，钱多，发展空间足未来可期啊。
本篇文章面经是三位大佬面试百度机器学习岗位的面试题，其中两位已经拿到offer，赶紧复习起来，下一个offer就是我。
更多的面经和内推信息，请微信搜索 龙跃十二 即可获取。
一面
- 询问简历上做过的项目，以及项目细节
- 算法题：
- 二叉树中序遍历（要非递归解法）
- 两个有序链表的归并。
- 快排
- lstm 详细讲讲解
- attetion 机制
- 混淆矩阵，F1等计算
- n个人进餐馆，都把帽子挂在门口，走的时候随手拿一顶，问拿到帽子恰好是自己的人数的期望
- ML 与 DL比较
- 实习的一些问题
二面
算法题：返回二叉树中路径和为某一值的所有路径、反转句子中单词顺序
区块链比赛和专利
我惊了个呆，大佬竟然还了解区块链，准确指出了我的区块链项目和专利的不靠谱处（我也知道啊，所以我转ML了啊）
项目
这个就随便聊了聊
AUC计算
很奇怪，我面试后看了看发现给出的是正确方法，但是面试官说不对。。。
进程和线程是为什么被提出的
线程间如何通信
快排复杂度的证明
特征筛选方法
三面
- 基础数据结构和算法有哪些
- 是的你没猜错，我把课本罗列了一下，顺序表 链表 哈希表 树系列 图系列，选择插入冒泡希尔堆快速基数外部排序，就过了。。。
- 推荐类算法比较
- 机器学习算法比较
- 聊了聊区块链
已经拿到offer
这是下一位同学的面经
一面
聊项目，聊的非常细，我的项目就是比赛，面试官甚至问了我提分的过程，一开始多少分，做了哪些工作之后升到了多少分之类的；
跟过拟合有关的一些问题，详细的内容已经记不清了；
聊xgboost；
聊deepFM；
项目中用到了LSTM，为什么可以用LSTM，它的主要用处是什么，以及LSTM的梯度消失问题；
算法题：二叉树中的最长路径；
算法题：x的平方根。
二面：
聊项目；
聊GBDT；
算法题：二分查找；
算法题：最大堆的插入；
聊deepFM；
不定长文本数据如何输入deepFM，如果不截断补齐又该如何输入；
项目中为什么使用LSTM；
项目中整个过程中都做过哪些优化。
三面：
n个数中等概率抽取m个数。
三面就问了一道概率题，剩下的基本上是聊天。 总的来说面试难度不高，感觉也是我运气好吧。
这是下一位同学的面经
一面
- 给一个数组，数组的数字代表股票价格，求一次买卖的最大股票收益
- 1-n的全排列
- lstm是什么的升级？解决了什么问题？
- 讲一讲各种激活函数
- attetion 机制
- embedding的深层含义是什么
- c 的const字段有什么意义
- RF和GBDT的区别
- 为什么GBDT可以提高准确率
- 矩阵分解
二面
- 自我介绍
- 讲区块链
- 区块链中51%攻击的经济学原理
- 求树两个节点的最低公共祖先
- 讲kaggle比赛
- xgboost比gbdt的优化都有哪些
- 为什么xgboost要求二阶导数
- 泰勒展开逼近残差，二阶比一阶精度高
- 通用性，所有二阶可导的loss function都可以用
- 有些函数梯度在一阶上变化小，二阶变化大，参考牛顿法
- 为什么gbdt没有正则
- 讲项目
- 计算一下项目中DNN的参数个数
- gbdt与lr区别
- 集成为什么会提高效果
- l1 l2正则
- xgb lgb调参怎么选参数
- 贪婪搜索呗？面试官觉得不行？难道是贝叶斯参数优化？
- 怎么样在没有得到未来数据的情况下提高模型对未来预测的效果
- 讲道理我觉得这个问的非常扯淡，不就是泛化性，然后我说了一些降低方差的方法，面试官说是对未来预测的准确性，没有get到他的点，最后被说对算法的追求不够。。。。
更多的面经和内推信息，请微信搜索 龙跃十二 即可获取。
