秋招记录-滴滴

面试从一点到八点，只面了两面，一面在中关村软件园国际会议中心，通过一面之后打车到滴滴楼下的咖啡厅进行二三面，由于时间太晚了，所以三面的话可能到节后再安排。这里先补充一二面面经。

一面：
1、介绍项目
2、介绍下Adam优化器
3、链表反转
4、判断链表是否有环
5、两个字符串的最小编辑距离
6、python装饰器的原理
7、python的迭代器
8、Deepfm的原理，DeepFM是一个模型还是代表了一类模型，DeepFM对FM做了什么样的改进，FM的公式如何化简并求解梯度
9、逻辑回归的损失函数，逻辑回归的损失函数为什么是logloss，背后服从的分布是什么？

二面：
1、spark sql 和 hive的区别是什么？spark sql和hive哪个更快一些，为什么？
2、强化学习中有value-based 和 policy-based，这两种的优缺点分别是什么？应用场景分别是什么？
3、介绍一下简历中的强化学习推荐项目
4、介绍一下简历中的生成模型
5、介绍一下常见的优化器
6、如何判断神经网络的过拟合是否发生， 有什么解决方法
7、介绍下drop-out 和 batch-normalization
8、wide & deep是怎么训练的，两部分用的优化器是一样的么？
9、25匹马，有一条只能5匹马比赛的赛道，我们无法计时，只能看到马的排名，如何用最短的次数找出跑的最快的5匹马
10、一条无限长的直线，有两个机器人，两个机器人执行同一段代码，这一段代码中只有几条语句：right代表向右走，left代表向左走，if arrived else代表另一个机器人是否走过这个地方。goto代表代码的跳转，请写一段代码确保两个机器人能够相遇。

三面：
1、介绍项目
2、介绍一下常见的分类模型，以及他们的优缺点以及应用场景
3、GBDT和XGBoost介绍一下，XGBoost做了哪些改进
4、二叉树的前序遍历
5、有一个序列，数字依次不断的添加进来，设计一个数据结构，能够快速返回这堆数字的中位数。(考虑堆排序、二叉排序树）
6、强化学习中的value-based和policy-based的区别以及使用场景
7、项目中目前的不足以及未来的展望，以及项目中遇到的最大的困难。
8、梯度下降和拟牛顿法的区别。

三面有一些题目想不起来了，面试官最后加了微信，希望能够有一个好结果