面经详情

胡乱在各大内推网站发了封邮件后，莫名得到腾讯内推机会。刚接到深圳来电还有点迟疑，没有想到是腾讯。一面面试官人很好，问了很多基础知识。什么是自然语言处理（面的NLP方向）？优化的方法有哪些（建议看看凸优化数值优化的相关内容）我答了梯度下降还有模拟退火（可以看看牛顿法啥的）什么的。接着问题来了，梯度下降的优缺点（计算量大，对阿尔法敏感，还提到了正则化）。然后又推了SVM（从KKT条件，拉格朗日乘子到驻点再到表达式和核函数）。最后就问了下几个比赛经历。二面面试官比较严肃，嫌我项目太少了，问的细节我答得很好。但是还是对我没什么项目经历有很大意见。到了最后说他也不确定，要等等看。隔了一周没有消息，加了面试官微信，问了一下，的确是因为项目经历太少，也不觉得很遗憾，毕竟还有机会嘛。...查看更多

一面： 1. 进程和线程的区别； 2. Xgboost如何处理缺失值； 3. Xgboost和gdbt区别； 4. Python多线程如何使用； 5. Python哪些函数用到了迭代器； 6. Xgboost并行化体现在哪。 二面： 1. 数学建模竞赛（目标函数怎么写的，怎么求解的，为什么能用这种方式求解）； 2. 讲下模拟退火算法和贪婪算法； 3. 随机森林和gdbt的区别； 4. 随机森林为什么采用有放回的方式采样？为什么能降低方差？ 5. 讲下Bootstrap抽样； 6. LR采用什么方式抽样？有放回还是无放回？为什么？ 7. LR损失函数推导，为什么能这样构造？这个损失函数代表的含义； 8. 假设有正负两类样本，用LR去划分有什么缺陷？ 9. LR和SVM比较； 10. L1和L2正则项的区别； 11. 对于线性模型，若初始化不同的w和b，加入L1和L2中的哪个正则项可以使得预测值更加稳定，为什么； 12. 讲下图计算，深度优先和广度优先比较； 13. 几个深度学习模型的原理（lstm、textcnn）； 14. 撕代码（用深度优先）dict中查看某个值在不在key的value内。 ...查看更多

先聊简历里的项目，然后问了分类的算法，评价分类的指标。聚类算法有哪些。用作回归的模型有哪些，lr跟svm的差别。再者就是让写代码，是leetcode的动态规划题目easy级别的。注意，给出问题之后，一定要认真思考，然后=给面试官交流你的思想，他觉得没问题了再写。然后给克一张图，说一下你能挖掘到的信息...查看更多

IEG部门主要是做游戏的。感觉游戏策划的地位很高。本人想找机器学习，数据挖掘岗位，在IEG的运营部和研发部是有招募这方面的人。运营部主要是做一些推荐算法，比如游戏里面的道具推荐。研发部有做一些安全方面的工作，防外挂，防盗号等等。面试的时候感觉基础很重要，这个包括机器学习方面的基础，数据挖掘的基础，还有就是代码的基础，数据结构，海量数据处理等等。还有就是考查你的灵活性，洞察力。感觉难度适中，就是第一次面试，啥都没准备，很遗憾错失了机会。机会是留给有准备的人的。这句话是真的。好好准备，打好下一战。...查看更多

来学校搞得职位推介面，报名参加，然后现场收了简历，当场面试了一下，先是自我介绍，介绍到自己的项目时，面试官跟进问了一些项目中具体的问题，因为搞数据挖掘所以问了很多算法的实现，应用场景，算法的推导以及关系型数据库和非关系型数据库的区别，问了工作地点选择等，最后问你有没有问题。...查看更多