中山大学数据科学与计算机学院面试

介绍下本人。中山大学，医学生+计科学生的集合体，机器学习爱好者。此处分享两次面试。

【一、总记】

由于一个契机，笔者联系到了本校数据院的老师，老师看了我的简历同意安排一个简单的面试来考察一下我的能力。接着笔者会分享两次不同团队的面试的回答记录，还请各位大佬批评指正。

【二、准备工作】

1、复习一下传统CNN、DenseNet、FastRCNN、Lightgbm、Xgboost、GBDT等常用算法的原理。

2、复习吴恩达深度学习笔记。

【三、第一次面试——20190909 15:00-16:00，面对面】

一、技术类（只记录技术类）

1、医学数据的特点

（1）数据不平衡。

（2）数据少。

2、医学数据不平衡有什么办法

（1）降采样。

（2）过采样。

3、医学数据量少有什么办法

（1）数据增强，比如图像拉伸旋转扭曲。

4、用什么框架

（1）一般用tensorflow

（2）百度开发者大赛用过paddlepaddle。

5、矩阵的秩的概念

（没答上来，忘记了）

（1）百度答案

①在线性代数中，一个矩阵A的列秩是A的线性独立的纵列的极大数目。

②类似地，行秩是A的线性无关的横行的极大数目。即如果把矩阵看成一个个行向量或者列向量，秩就是这些行向量或者列向量的秩，也就是极大无关组中所含向量的个数。

6、贝叶斯公式

（答错一半）

7、梯度和导数的区别

（1）梯度其实可以理解为导数。

（2）比如对权重系数（比如logistics回归里面的w、b）通过反向传播来修正。

（3）从而逐步减小代价函数cost。

【四、第二次面试——20190917 20:00-21:00，电话面试】

一、个人经历

1、自我介绍

（1）现在中山大学附属第一医院外科学研二，本科郑州大学临床医学。

（2）参加过数据算法比赛和学科交叉类比赛（创新大赛、电子设计大赛）。

（3）发表过论文壁报，授权实用新型专利，主要是医疗器械类，因为更好结合专业。

2、根据自我介绍的提问

（1）项目中的角色

①本科学科交叉比赛：开始是提出idea，做负责人，主要统筹协调。之后自学一些内容，可以编写单片机部分功能的代码，设计部分电路。

②数据算法类比赛：solo，会跟群里小伙伴交流，群里同学提出的名词会去网上查询原理和自己实现相关代码。

（2）做了多久机器学习，机器学习相关内容平时有人请教吗，周围有同学做吗

①一年半。

②平时会跟参加比赛的同学们交流。

③周围医学同学不做，因为医学大部分是单因素、多因素回归，之后最多会使用决策树，很少在方法学改进。

（3）平时是分类任务多吗

①是的。大部分是二分类的。

②CCF比赛中有做过多分类的。

（4）代码仓库有整理吗

①习惯整理到本地。

（5）课题组也做机器学习相关内容吗

①是的，临床研究中心。

②做肝癌的精准治疗，会辅助人工智能进行预测预后和提出诊断方法。

（6）医学为什么数据那么少

①因为根据不同课题的入排标准而定。

②而且医学数据还有不平衡的问题，可能需要降采样。

（7）有学过计算机基础课吗

①自学数据结构、组成原理。

②刷leetcode喜欢用c和python。

2、介绍一个你印象深刻的项目（我说了我的课题）

（1）算法

①主要是densenet，效果比resnet好。

②最近有一篇H-denseUnet的文章，想尝试。

（2）流程

①（我说了一遍我的课题摘要，此处暂时不方便分享）

（3）数据量

①目前100+。

②计划1000+。

（4）是否自己添加网络层

①还没有，现在是套用源码进行修改。

②因为数据量比较小，而且标签有多套。

（5）开源代码还是自己写

①开源代码修改。

（6）计算资源从哪里来

①小数据用笔记本，1660Ti，大数据用在线平台。

②因为课题组的服务器主要是看图的（适合绘图），主要是cpu服务器。

③医学数据也比较少，课题组没什么gpu服务器。

（7）做了什么预处理

①常规数据增强、缺失值填充、归一化。

②一些比较复杂的预处理比如CPCD不太会。

（8）准确率怎么样

①自己课题目前只有0.7+。因为数据量小且多套标签，标签不太准。

②之前做的生信测序的课题lgb效果不好。怀疑是数据量小，所以节点分不开。

用rf也只有0.6+。因为数据量只有60+，特征维度有10w，各种降维方法都不太好。

3、还做过什么深度学习相关的项目

（1）医疗数据比赛

①高血压患者三年期的冠心病发病风险，心脏彩超数据。

②普通的CNN提取特征后当做特征向量放入lgb。

（2）百度开发者大赛

①行人识别，paddlepaddle，使用了预训练模型。

②但平时主要用tensorflow。

二、技术

1、卷积神经网络的特点

（1）卷积是特征提取的过程。

（2）原始的特征矩阵可以分成多个特征矩阵，用卷积核和特征矩阵做外积可以提取部分特征。

（3）之后进行padding。

（4）再池化进一步提取特征，即为降维，增加泛化能力。一般是最大池化。

（5）最后全连接softmax进行分类。

2、卷积神经网络和普通神经网络的区别（这个问题开始没听懂，面试的大师兄翻译为全连接层和其他层的区别）

（1）其它层是中间有一些隐层，并不是全连接。

（2）全连接是最后池化之后才连接各个神经元。

（3）不然如果每一层都全连接，那特征维度太高，很容易过拟合。

3、过拟合的解决办法

（1）正则化。

（2）dropout随机丢弃一些神经元，比如设置为0.8。

（3）增大样本量。

（4）k折交叉验证，k一般选5。（不记得是不是这个问题我回答的答案了）

4、激活函数类别和特点

（1）一般最后一层二分类就是用sigmoid，多分类用softmax。中间层用relu效果好。

（2）sigmoid是个类似正弦函数的东西（其实不是…），最大值趋近于1，最小值趋近于0。①一般激活函数起作用在中间的线性部分。

②而如果输入值过大或者过小，会进入平台那里，就无法起作用。

（3）tanh是类似sigmoid下移，最大值趋近于1，最小值趋近于-1。

①因为是奇函数，数据平均值是0，有数据中心化的作用，也有利于下一层学习。

（4）relu负半部分是x轴，正半部分是y=x。

①所以对正性样本响应明显，而对负性样本全部过滤掉，这样会丢失一些特征。

②所以有个改进叫leaky relu，负半部分有个随机值，并不是全部丢弃。

③其他还有一些基于relu改进的函数，不常用。

5、用什么语言，用的这几种语言有什么区别

（1）数据算法用python，单片机开发用c。

（2）python是高级语言，底层是c++写的，运行比较慢。c运行快，但c需要定义变量及类型，一个简单的功能实现都要写很多代码。

6、准确率和召回率是什么，一般用什么评价函数

（1）（准确率和召回率，没回答出来，只说了个混淆矩阵。）

（2）评价函数一般用auc，有些比赛会用logloss，也有一些是自定义的比如f1 score。

三、未来畅想聊天类

1、未来课题方向想法

（1）希望能在方法学有所改进。

（2）因为医学idea其实很多都有人做了，方法学都很像，所以想在方法学改进。

2、要读博吗，做什么方向

（1）肯定读的。

（2）希望做偏底层的，理论多一点，当然也要结合实践，毕竟AI是需要应用到各个场景，但还是希望能多学一些理论方面的内容。

3、有什么问题（我问大师兄回答）

（1）实习是要做什么：方法学改进，算法方面。

（2）课题组节奏：995。

（3）安排：小组形式做课题。

（4）组会：一周一次，这一周提出一个idea，下一周需要有一个版本的模型。