算法工程师常见面经问题

机器学习基础题

  1. LSTM的公式

  2. RNN为什么出现梯度消失及BPTT的推导

  1. DQN的基本原理么

  2. GBDT和随机森林有什么区别

  3. GBDT的原理,如何做分类和回归

  4. 随机森林的随机体现在哪方面

  5. Wide &Deep的原理

  6. GBDT+LR是怎么做的?

  7. DQN模型为什么要做经验回放

  8. 数据之间如果不是独立同分布的会怎样

  9. AUC的原理介绍一下

  10. XGBOOst和GBDT的区别。

  11. 强化学习和监督学习的区别

  12. 神经网络里面的损失函数有哪些

  13. 机器学习中常见的激活函数有哪些?为什么通常需要零均值?

  14. DeepFM介绍

  15. FM推导

  16. boosting和bagging的区别?

  17. bagging为什么能减小方差?

  18. 交叉熵损失函数,0-1分类的交叉熵损失函数的形式。什么是凸函数?0-1分类为什么用交叉熵而不是平方损失?

  19. L1和L2有什么区别,从数学角度解释L2为什么能提升模型的泛化能力。

  20. 深度学习中,L2和dropout有哪些区别?

  21. L1正则化有哪些好处

  22. 如果有一万个地理坐标,转换成1-10000的数,可以用决策树么?

  23. CART分类树和ID3以及C4.5有什么区别?

  24. 树集成模型有哪几种实现方式:Bagging和Boosting,随即森林的随机体现在哪些方面,AdaBoost是如何改变样本权重,GBDT分类树拟合的是什么?

  25. Dueling DQN和DQN有什么区别

  26. early stop对参数有什么影响?

  27. 梯度消失为什么会出现?如何解决?

    • 预训练加微调
    • 梯度剪切、权重正则(针对梯度爆炸)
    • 使用不同的激活函数(ReLU)
    • 使用batchnorm
    • 使用残差结构
    • 使用LSTM网络
  28. 如何防止过拟合? - early stopping - 数据集扩增(Data augmentation) - 正则化(Regularization) - Dropout

数据结构算法题

  1. K个有序数组,找一个长度最小的区间,在这个区间里至少包含每个数组各一个数

  2. n个[0,n)的数,求每个数的出现次数(不能开辟额外空间)

  3. 数组的全排列(空间复杂度O(1))

  4. 一堆钞票,尽可能均分(利用背包问题的思想)

  5. 无向无环图中,最短路径的最大值(Floyd算法)

  6. 层次遍历二叉树

  7. 字符串的最长公共子序列(动态规划)

  8. 树的前序遍历和zigzag遍历(非递归)

  9. 一个数组,所有数组都出现了两次,只有一个数出现了一次,返回这个数(位运算)

  10. 一个数组,一个数出现了超过一半次数,返回这个数

  11. 将除法的结果用字符串返回,如果能够除尽,则返回相除的结果,如果不能除尽,则无限循环部分用[]标记。

  12. 数组排序,假设数组排序后的位次和排序前的位次绝对值差值小于K,有什么比快排好的算法?

  13. 树中两个节点的第一个的公共祖先。

  14. 判断是否是回文链表

  15. 判断两个链表中是否有相同节点

  16. 堆和栈的介绍以及它们之间有什么区别?

编程语言题

介绍一下构造函数,析构函数,函数重载(面向对象这一块的知识)

Python

  1. Python的匿名函数是什么吗?简单介绍一下并且举一个例子说明一下。
  2. Python中一个*和两个**有什么区别?

实践题

  1. 如果你想往模型中加入一个特征,如何判定这个特征是否有效?

  2. LR和FM的区别?FM需要进行交叉特征的选择么?如果在LR选了一部分特征做交叉之后,取得了比FM更好的效果,这是为什么?如果FM变成DeepFM之后,效果超过了LR,这又是为什么?

  3. 如果逻辑回归的所有样本的都是正样本, 那么它学出来的超平面是怎样的?

  4. 哪些场景下的分类问题不适用于交叉熵损失函数?

  5. 推荐系统中你认为最重要的环节是什么?

  6. 多臂老虎机中,有许多方法,比如e-greedy,timponson采样,UCB,这些方法都有哪些适用场景?

  7. 如何预测一家店分品类的销量

  8. 信息流采样,有n份数据,但是n的长度并不知道,设计一个采样算法,使得每份被选择的概率是相同的。

  9. 模型在线下评估和线上使用时,往往出现线上实际效果不如线下效果的情况,请分析可能的原因。

References:

  1. tmdp|牛客网
  2. 2018校招算法岗面试题汇总
  3. 【2019年秋招计算机类面经】
  4. 我在美团的这两年,想和你分享