机器学习面试题目分享面试经验分享 机器学习算法工程师深度学习 经典问题

标题机器学习面经

总结的常见面试题目等

作业帮实习视觉算法一面凉凉经

3.16号投递图像算法实习生，昨天hr打电话约了今早上牛客面试
面试官还是很和蔼的，问了很多基础和细节，平时我都没有注意到的，肯定凉了，在这里记录一下，分享给大家
由于我本科研究生都是计算机的，因此问了一些计算机基础的东西，但是由于年代久远，我都不记得了
机器学习方面知识因为缺少一些动手实践，因此很多细节都不了解
感谢面试官让我了解到这么多不足，好好查缺补漏
算法题都没做出来，面试官给了提示也没啥思路
最后面试官给了一道改错题，让我找错误，我还是没找出来
我真是太菜了
（不过最后面试官给的改错题的答案是错了，我下来自己跑了验证了一下，错误不在那里）

数据库：left join和right join、union是怎么操作的
http中的get、post区别，是怎么做的

机器学习：
LR中的连续值特征是如何处理的
为什么LR要先对数据进行归一化处理
LR用了sigmoid函数，那么LR是线性模型还是非线性模型，为什么
决策树对连续值和离散值特征是否会重复利用作为分割特征
svm为什么要转成对偶问题进行求解，为什么对偶问题的解是原问题的解
svm如何进行多分类，多分类hinge loss什么形式

cv：
BN是怎么做，作用是什么

提示：使用单调栈

提示：使用二分法查找

改错题：

def quick_sorted_error1(array, left, right):
    """
    快速排序
    :param array:
    :param left:
    :param right:
    :return:
    """
    if not array: return
    if left > right: return
    l = left
    r = right
    tmp_key = array[l]
    while l != r:
        while (l < r and array[r] > tmp_key): r = r - 1
        while (l < r and array[l] <= tmp_key): l = l + 1
        array[l],array[r] = array[r], array[l]
    array[l] = tmp_key
    quick_sorted(array, 0, l-1)
    quick_sorted(array,l+1, right)

小米机器学习面经

一面
自我介绍

结合项目描述RNN、LSTM结构，描述模型改进原理

残差连接的优势

梯度消失问题——对比深度网络的梯度消失和循环网络的梯度消失

数据不平衡问题原因与解决措施

性能指标F1分数的计算方式

DDQN项目的环境介绍与网络模型

深度学习和强化学习的关联

Adam优化器的原理，SGD的原理

手撕：

最长有效的括号字符子序列（返回所有最长的子序列）（10分钟）

反问：

1分钟

emmm手撕hard，反问草率结束，结束时还问了一句是否拿到别家offer（一面问？），咱也不懂比较看重什么。

不到24小时后：
挂

美团机器学习岗面经

分享面经集好运！
首先自我介绍，然后开始深挖项目，很细节。之后开始八股，之前准备了很多机器学习的东西，结果只问了深度学习的，比如BN，LN，优化器，ResNet，VIT。最后有个手撕，全程五十分钟左右。
面试体验还可以，就是好多没准备实在不会，非常尴尬。

阿里大文娱 机器学习算法岗面经

三面：

面试持续了不到40分钟，提问了一些论文相关知识和基础业务知识。
概率题：一根绳子随机切3段，能够构成三角形的概率是多大？（答案是1/4）
HR面：

面试官是一位和善的姐姐，主要聊了未来职业规划和期待的工作岗位。
询问了目前的求职进展，并安慰了我在其他岗位被简历挂掉的情况。
第二天进入offer流程。
负责人加面：

在开始offer流程后第二天被HR告知需要加面，理由是因为是核心业务部门，现部门负责人想要亲自加面。
面试首先以自我介绍和询问论文内容开场。
主要问题围绕具体的业务，询问常见的业务流程和业务基础知识，例如KNN算法等。
开放题：如何利用深度学习来重参数化K-means，它的前向、反向和优化目标是什么样的？
业务问题：相似图像、相似商品搜索的流程是什么样的，以及个人的知识能如何为优化流程提供见解。

微步在线 机器学习 三四面面经

微步的三面是技术面，四面是业务面，连在一起连面两个小时（理论上）。

也许是为了平衡一二面逆天的难度，微步的三面异常简单，浅浅问了问项目，八股问了几个机器学习算法基本原理，理论上1h但实际30min搞定。

业务面实打实问了1个h，主要是各种项目中的问题质询，额外问了些比较常规的大模型相关场景题，，以及对整个AIGC行业的理解。

许愿一个HR面。

美团机器学习面经

美团 机器学习
走进去的时候 面试官对着简历反复看了好几遍 感觉没有兴趣点 ，隐隐约约的觉得马上要GG了
1 问了 卷积层和池化层的区别
卷积层：用它来进行特征提取。
池化层：对输入的特征图进行压缩，一方面使特征图变小，简化网络计算复杂度；一方面进行特征压缩，提取主要特征

 2  卷积公式 手写  撸了一个二维的卷积 ，一维的忘了
    /f(t)g(x-t)dt  /表示积分
    
3你对传统的机器学习有了解吗？比如？

4哦 逻辑斯地回归 说一下目标函数 （ 说了对数损失）
5 为什么用这个目标函数
6 平方误差可以用在这个损失函数上吗？ 为啥？
（ 说平方误差不好 ，解释了为啥 问能用吗？ 我想回去看统计学习了）
7 你的研究课题是啥？ 懵逼中 ，你做了啥？（。。。）
8 大数据
（没深入）
9 输入正整数N 打印2^ n值
首先说移位，然后大数怎么办 ？最后算法没写出来。
GG

总结： 传统的机器学习方法有待提升 ，需要看大数据的东西

百度 提前批机器学习 二面面经

自我介绍到一半打断了，直接问八股……

关注的点和一面一样有点奇怪，特别喜欢问我记不记得base模型的d_models和seq_len以及各种各样的参数……

项目里一直纠结我训的1.5B模型，我跟她说我还训了3.8B和72B版本，没让我讲下去，说1.5B已经很大，可以满足我们项目需求了……

代码题做了lc. 236的变体最近公共子节点，和lc. 15三数之和，手撕的没什么问题，但这三数之和在一面已经考过一遍了……

贝壳机器学习算法面经

国庆刚过就接到了淳儿姐的offer call，开心。写个面经，机器学习算法工程师。
一面，基础面：
1.precision和recall的定义和公式；
2.不平衡数据集的适用指标有哪些；
3.AUC、ROC的定义、实际意义、画法；
4.画ROC曲线，依照曲线上某点解释意义；
5.除了修改mercy，还可以用哪些方法来处理不平衡数据集；
6.写贝叶斯公式，解释先验、似然、后验；
7.写vc dimension的公式，解释其意义、作用；
8.简单介绍神经网络和CNN，介绍一下CNN对NN的改进之处；
9.介绍inception、VGG、Resnet；
10.为什么VGG要使用小的kernel代替大kernel；
11.目标检测RCNN系列介绍；
补：介绍HMM模型，手推前向后向算法
12.手撕代码，剑指offer原题，分析时间复杂度；
13.场景应用题，我用了simnet解决；
14.simnet介绍；
15.有什么问题问他；

二面，感觉面能力：
1.自我介绍；
2.项目介绍；
3.挑了三个项目详细介绍了使用的方法、思路等等；
4.深度学习与传统方法的区别；
5.深度学习和机器学习各自的适用场景、举例说明；
6.在CV中用到的机器学习方法介绍；
7.对CV、NLP和ML的偏好、看法；
8.找工作时对公司哪个方面更加看重，为什么要来贝壳面试（汗）；
9.有什么问题问他；

三面hr面，姐姐超漂亮，一切和谐顺利，聊得很开心，感觉过了CVTE的hr面之后，其他公司的hr面都是so easy难度的。
S面是boss面，聊的项目和学校生活经历。
嗯…贝壳面试体验很好，但当时连现场的吃的都没好意思吃，饿着肚子面了一下午，更不用说搭讪了，后悔，没有去要小姐姐们的微信、