未通过内推的，所以直接进入面试。分两轮，第一轮技术面，一些基础的算法题，分别和两个考官进行45分钟左右的面试，难度不大，第一个问了我一些二叉树的题目，第二个问了一题比较综合的，不管有没有做完都会问你时间、空间复杂度之类的。这次面试至少拿到一个pass，才有机会进到第二轮，如果名额少的话会要两个人都通过。
第二轮综合面试，首先还是会来一道算法题，我做的是二叉树的序列化和重建（很经典的题），再根据简历，问了项目的具体经历。总的来说，题目不难，虽然是机器学习的岗位，但是考的题目还是算法，项目经历应该是作为参考。
...查看更多
1759
面试了职位：机器学习
感觉没戏
【机器学习】面经分享
—BAT机器学习面试1000题系列（第1~10题）
1.请简要介绍下SVMSVM，全称是support vector machine，中文名叫支持向量机。SVM是一个面向数据的分类算法，它的目标是为确定一个分类超平面，从而将不同的数据分隔开。扩展：这里有篇文章详尽介绍了SVM的原理、推导，《支持向量机通俗导论（理解SVM的三层境界）》。此外，这里有个视频也是关于SVM的推导：《纯白板手推SVM》
2.请简要介绍下tensorflow的计算图
@寒小阳：Tensorflow是一个通过计算图的形式来表述计算的编程系统，计算图也叫数据流图，可以把计算图看做是一种有向图，Tensorflow中的每一个计算都是计算图上的一个节点，而节点之间的边描述了计算之间的依赖关系。
3.请问GBDT和XGBoost的区别是什么？
@Xijun LI：xgboost类似于gbdt的优化版，不论是精度还是效率上都有了提升。与gbdt相比，具体的优点有：
1.损失函数是用泰勒展式二项逼近，而不是像gbdt里的就是一阶导数
2.对树的结构进行了正则化约束，防止模型过度复杂，降低了过拟合的可能性
3.节点分裂的方式不同，gbdt是用的gini系数，xgboost是经过优化推导后的更多详见
- 在k-means或kNN，我们是用欧氏距离来计算最近的邻居之间的距离。为什么不用曼哈顿距离？曼哈顿距离只计算水平或垂直距离，有维度的限制。另一方面，欧氏距离可用于任何空间的距离计算问题。因为，数据点可以存在于任何空间，欧氏距离是更可行的选择。例如：想象一下国际象棋棋盘，象或车所做的移动是由曼哈顿距离计算的，因为它们是在各自的水平和垂直方向做的运动。
全称support相关推荐
感觉靠谱
确定通过
进入微信小程序
前往微信小程序，查看更多结果
立即前往
正在招聘开发工程师等 200 个岗位