data mining engineer 研发工程师 —— 数据挖掘与机器学习面试

通过猎头参加面试的，约好下午2点面试，结果等到3点打电话催之后，前台小姐姐那一份不完整的笔试题要在半小时之内完成。结果做了不到10分钟，下来两个面试官，去个小黑屋面试了大概半个小时。这两个面试官估计是临时接到任务，简历也没怎么看。之后又让我写题目，十分钟之后，下来一个技术负责人来面试，全程没有谈什么技术方面，都是一些有的没得得说，半小时后就结束了，期间总是让我不停得问他问题。...查看更多

技术面试官很友好，因为专业不是很相关，先聊了学校学习内容，成绩等等。然后是项目、实习内容。还把笔试题答得不完善的题目拿出来重新讨论了一下。面试官介绍了工作内容，交流了想法。体验不错。 hr面前半程很平常，自我介绍，遇到的困难，对工作的期待等等。中间我问了一句团队规模，然后hr就激动了，强调公司是很有技术实力的，有专家坐镇的，诸如此类，还行吧。之前不是很了解，以为图像算法优化比图像算法更重要，所以报了这个，结果发现并不是，工资也低，就算了吧。 ...查看更多

上午9点开始。自己选择想要讲的内容，向面试官展示自己。 1. 本科哪里？成绩排名是多少？ 2. 选择简历上的内容介绍下（展示自己的机会，选择最好最有把握的说） 3. 面试官提问： 1) 超分辨率的训练数据和label是怎么准备的？ 2) 医学影像一般都是序列图片，有没有使用3D网络结构？ （囿于自己的硬件资源，暂时未施行） 3) 有调研过其他使用3D网络的方法吗？（此处没有太明白面试官的意思，回答的比较笼统） 4) 开放问题：有没有考虑过使用无监督的方法？无监督的话要怎么做？（卡壳……） 4. 继续介绍下一个（依然是选择简历上最熟最有把握的继续介绍） 5. 面试官提问： 1) 课程学习的一般公式是什么？有没有拓展调研过？（这里指的是Loss函数）（没有回答上来） 2) 对于噪声数据的处理，有没有考虑过特征提取和数据集划分本身有一定的矛盾？也就是说，数据集划分的好坏，本身就已经包含了特征提取质量高低的因素，那么如果数据集划分的足够好，说明特征提取的也已经相当充分，足以区分不同类别，那也就可以直接用以分类而不需要划分数据集摒除噪声的影响。反过来，如果数据集划分的不够好，说明特征提取的也不到位，这个时候即使是按照噪声的程度划分数据集，分别进行训练，那效果应当也是不好的。对于这个问题，你是怎么看的或者打算怎么解决？（之前没考虑到这些，很懵） 3) 开放问题：对于有噪声的数据，应该要怎么处理？或者有什么方法能够使得网络模型在有噪声数据上也能够有好的表现？（没有回答上来） 6. 前面好多回答不好，估计面试官已经没有太多心思继续提问了，所以直接让我提问。因为面试官在两个内容的介绍和提问上都有提到开放性的问题，所以就着最后一个问题向面试官作了如下提问：刚才开放问题有提到噪声数据的处理，请问您或者公司部门里面对噪声数据处理这一块比较偏重吗？ 7. 面试官答：并不是我们公司或者我这个部门对这一块有要求，而是说在实际研究和应用上，噪声数据算是普遍存在的，很多数据都或多或少会涉及到这部分内容，所以对噪声数据的处理可以说是目前很多工作都不可避免的。结束。 ...查看更多