面试经验分享之机器学习、大数据问题

机器学习 985 Views

数盟倡导“数据创造价值”,致力于打造最卓越的数据科学交流平台,为企业、个人提供最卓越的服务】

————————————————————————

致歉:关于昨天推送的作者@wzyer的《关于拉格朗日乘子法与KKT条件》文章,因数盟君疏忽大意文章出处有误,现更正文章出自:慕知网http://www.moozhi.com/topic/show/54a8a261c555c08b3d59d996,数盟君在这里表示诚挚的歉意,跪求原谅T^T

———————————————————————

  • 机器学习、大数据相关岗位的职责

  • 面试问题

  • 答题思路

  • 准备建议

  • 总结

  • 数据计算平台搭建,基础算法实现,当然,要求支持大样本量、高维度数据,所以可能还需要底层开发、并行计算、分布式计算等方面的知识;

  • 文本挖掘,如领域知识图谱构建、垃圾短信过滤等;

  • 推荐,广告推荐、APP 推荐、题目推荐、新闻推荐等;

  • 排序,搜索结果排序、广告排序等;

  • 广告投放效果分析;

  • 互联网信用评价;

  • 图像识别、理解。

  • 商业智能,如统计报表;

  • 用户体验分析,预测流失用户。

  • 无监督和有监督算法的区别?

  • SVM 的推导,特性?多分类怎么处理?

  • LR 的推导,特性?

  • 决策树的特性?

  • SVM、LR、决策树的对比?

  • GBDT 和 决策森林 的区别?

  • 如何判断函数凸或非凸?

  • 解释对偶的概念。

  • 如何进行特征选择?

  • 为什么会产生过拟合,有哪些方法可以预防或克服过拟合?

  • 介绍卷积神经网络,和 DBN 有什么区别?

  • 采用 EM 算法求解的模型有哪些,为什么不用牛顿法或梯度下降法?

  • 用 EM 算法推导解释 Kmeans。

  • 用过哪些聚类算法,解释密度聚类算法。

  • 聚类算法中的距离度量有哪些?

  • 如何进行实体识别?

  • 解释贝叶斯公式和朴素贝叶斯分类。

  • 写一个 Hadoop 版本的 wordcount。

  • ……

  • 给你公司内部群组的聊天记录,怎样区分出主管和员工?

  • 如何评估网站内容的真实性(针对代刷、作弊类)?

  • 深度学习在推荐系统上可能有怎样的发挥?

  • 路段平均车速反映了路况,在道路上布控采集车辆速度,如何对路况做出合理估计?采集数据中的异常值如何处理?

  • 如何根据语料计算两个词词义的相似度?

  • 在百度贴吧里发布 APP 广告,问推荐策略?

  • 如何判断自己实现的 LR、Kmeans 算法是否正确?

  • 100亿数字,怎么统计前100大的?

  • ……

  • 最好是在项目/实习的大数据场景里用过,比如推荐里用过 CF、LR,分类里用过 SVM、GBDT;

  • 一般用法是什么,是不是自己实现的,有什么比较知名的实现,使用过程中踩过哪些坑;

  • 优缺点分析。

  • 基础算法要多说,其它算法要挑熟悉程度高的说,不光列举算法,也适当说说应用场合;

  • 面试官和你的研究方向可能不匹配,不过在基础算法上你们还是有很多共同语言的,你说得太高大上可能效果并不好,一方面面试官还是要问基础的,另一方面一旦面试官突发奇想让你给他讲解高大上的内容,而你只是泛泛的了解,那就傻叉了。

  • 主流的分布式框架如 Hadoop,Spark,Graphlab,Parameter Server 等择一或多使用了解;

  • 通用算法包,如 mahout,scikit,weka 等;

  • 专用算法包,如 opencv,theano,torch7,ICTCLAS 等。

  • 个人感觉高频话题是 SVM、LR、决策树(决策森林)和聚类算法,要重点准备;

  • 算法要从以下几个方面来掌握

  • 不能停留在能看懂的程度,还要

  • 由于问题具有综合性和开放性,所以不仅仅考察对算法的了解,还需要足够的实战经验作基础;

  • 先不要考虑完善性或可实现性,调动你的一切知识储备和经验储备去设计,有多少说多少,想到什么说什么,方案都是在你和面试官讨论的过程里逐步完善的,不过面试官有两种风格:引导你思考考虑不周之处 or 指责你没有考虑到某些情况,遇到后者的话还请注意灵活调整答题策略;

  • 和同学朋友开展讨论,可以从上一节列出的问题开始。

  • 材料阅读包括经典教材(比如 PRML,模式分类)、网上系列博客(比如 研究者July),系统梳理基础算法知识;

  • 面试反馈面试过程中会让你发现自己的薄弱环节和知识盲区,把这些问题记录下来,在下一次面试前搞懂搞透。

  • 保持学习热情,关心热点;

  • 深入学习,会用,也要理解;

  • 在实战中历练总结;

  • 积极参加学术界、业界的讲座分享,向牛人学习,与他人讨论。

  • —————————————————

    数盟网站:www.dataunion.org

    数盟微博:@数盟社区

    数盟微信:DataScientistUnion

    数盟【大数据群】272089418

    数盟【数据可视化群】 179287077

    数盟【数据分析群】 110875722

    —————————————————

    点击阅读原文更多技术、资讯内容~

    如未说明则本站原创,转载请注明出处:NULL » 面试经验分享之机器学习、大数据问题