技術(shù)1面

1 Java水平怎么樣？

2 問Python給自己打多少分？Python多線程怎么實(shí)現(xiàn)？

3 線程和進(jìn)程的區(qū)別？

4 不同進(jìn)程之間數(shù)據(jù)能共享嗎？

5 Numpy和pandas做了什么？他們有什么優(yōu)缺點(diǎn)？

6 五行五列二維數(shù)組，手寫代碼輸出每行每列的最大值、最小值、平均值、方差

7 問Redis數(shù)據(jù)庫(kù)知道多少？

Redis數(shù)據(jù)類型有幾種？

MySQL和Redis有什么區(qū)別？

8 怎么設(shè)置緩存實(shí)現(xiàn)時(shí)間（怎么清緩存？）

9 Hadoop，spark用過嗎？

10 舉了一個(gè)高維數(shù)據(jù)，怎么找出異常值？

技術(shù)2面

二面面試官來了。是個(gè)算法大佬。是個(gè)專門做算法的。直接手出題，他說時(shí)間不多，就讓我說思路。

1.先是一個(gè)m*n矩陣圖走迷宮共有多少條路徑？

需要用到動(dòng)態(tài)規(guī)劃，還有排列組合。

2. 2-sum問題。這個(gè)答出來了，中間有用了一種方法，自己想的，雖然沒有降低時(shí)間復(fù)雜度，但挺新穎的。

3.問了最熟悉哪個(gè)機(jī)器學(xué)習(xí)算法。說邏輯回歸，談了下邏輯回歸原理。問了為什么總Sigmod函數(shù)，而不是其他雙曲函數(shù)或Rule函數(shù)。

4.然后他說對(duì)Xgboost這個(gè)感興趣，Xgboost比GBDT做了什么優(yōu)化，他說了一點(diǎn)，問還有一點(diǎn)是在數(shù)據(jù)集遍歷上的優(yōu)化？

5.問了隨機(jī)森林，隨機(jī)森林與決策樹相比，有哪些更多的優(yōu)化？

6.問了信息熵，和信息增益，和信息增益率，現(xiàn)實(shí)中代表什么？

信息增益率比信息增益解決了哪些問題？

總結(jié)

感受到大公司氛圍就是挺好的。不管結(jié)果如何。都有所收獲，至少知道了自己的優(yōu)點(diǎn)和不足。

1. 缺乏常規(guī)算法訓(xùn)練

2. 沒有很深究到機(jī)器學(xué)習(xí)原理的細(xì)節(jié)和底層具體推導(dǎo)。

想進(jìn)大廠，必須得加強(qiáng)算法訓(xùn)練（多刷題），機(jī)器學(xué)習(xí)算法掌握來龍去脈，熟知重要原理和應(yīng)用及優(yōu)化。

以上面試問題，大家有自己的答案了嗎？對(duì)自己拿不準(zhǔn)的問題，歡迎大家留言，一起討論。

相關(guān)鏈接

回歸算法

回歸分析簡(jiǎn)介

最小二乘法：背后的假設(shè)和原理（前篇）

最小二乘法原理（后）：梯度下降求權(quán)重參數(shù)

線性回歸：算法兌現(xiàn)為python代碼

線性回歸：OLS 無(wú)偏估計(jì)及相關(guān)性python分析

線性回歸：談?wù)劧嘀毓簿€性問題及相關(guān)算法

機(jī)器學(xué)習(xí)：說說L1和L2正則化

決策樹回歸：不調(diào)包源碼實(shí)現(xiàn)

分類算法

邏輯回歸| 原理解析及代碼實(shí)現(xiàn)

邏輯回歸| 算法兌現(xiàn)為python代碼

決策樹

對(duì)決策樹剪枝

sklearn分類和回歸

提煉出分類器算法

貝葉斯分類

樸素貝葉斯分類器：例子解釋

樸素貝葉斯分類：拉普拉斯修正

單詞拼寫糾正器python實(shí)現(xiàn)

半樸素貝葉斯分類器

支持向量機(jī)參數(shù)求解

支持向量機(jī)之軟間隔和核函數(shù)

聚類算法

期望最大算法：實(shí)例解析

高斯混合模型：聚類原理分析

高斯混合模型：聚類求解

高斯混合模型：求解完整代碼

高斯混合模型：不調(diào)包多維數(shù)據(jù)聚類分析

K-Means算法

聚類算法之DBSCAN

集成算法

Adaboost算法

提升樹算法思想

XGBoost思想

XGBoost模型構(gòu)造

XGBoost 安裝及實(shí)戰(zhàn)應(yīng)用

推薦算法

關(guān)聯(lián)規(guī)則Apriori算法

PageRank算法原理

海量數(shù)據(jù)求top K 之最小堆實(shí)現(xiàn)

快速排序思想求topk