以下内容来自于应聘者回忆整理

【一面】

总体情况：线上面试，一共 30min

1、没有自我介绍

2、介绍实习项目

3、特征选择的几种方式有没有特定的应用场景？

3、出了 xgb 和 lr 还了解哪些机器学习模型， svm 核函数变换有什么好处？

不用真的对特征向量做核映射，而是直接对特征向量的内积进行变换，而这种变换却等价于先对特征向量做核映射然后做内积。  

4、用过什么聚类算法， 什么时候需要用聚类？

数据挖掘、数据分析 

5、神经网络了解过吗， 讲一下权值共享

给一张输入图片，用一个 卷积核 去扫这张图，卷积核里面的数就叫权重，这张图每个位置是被同样的卷积核扫的，所以 权重 是一样的，也就是共享。 权值共享意味着每一个过滤器在遍历整个图像的时候，过滤器的参数 (即过滤器的参数的值)是固定不变的，比如我有3个特征过滤器，每个过滤器都会扫描整个图像，在扫描的过程中，过滤器的参数值是固定不变的，即整个图像的所有元素都“共享”了相同的权值。  

6、hmm 了解过吗？ 有什么样的应用场景？

是统计模型 ，它用来描述一个含有隐含未知参数的马尔可夫过程 ，应用于语音识别，自然语言处理，生物信息，模式识别等领域。

7、lstm 了解过吗？用过吗？

lstm 是一种特殊的递归神经网络 。这种网络与一般的前馈神经网络不同，LSTM可以利用时间序列对输入进行分析；简而言之，当使用前馈神经网络时，神经网络会认为我们  时刻输入的内容与  时刻输入的内容完全无关，对于许多情况，例如图片分类识别，这是毫无问题的，可是对于一些情景，例如自然语言处理 (NLP, Natural Language Processing) 或者我们需要分析类似于连拍照片这样的数据时，合理运用  或之前的输入来处理  时刻显然可以更加合理的运用输入的信息。为了运用到时间维度上信息，人们设计了递归神经网络 (RNN, Recurssion Neural Network)，一个简单的递归神经网络可以用这种方式表示  

8、平时什么编程语言用的比较多？

9、还有什么你自己的优点我没有问到的

10、反问

【二 面】

总体情况：40min

1、自我介绍

2、实习经历介绍下

3、xgb 与 lr 相比优缺点在哪里

1）在寻找最佳分割点时，考虑传统的枚举每个特征的所有可能分割点的贪心法效率太低，xgboost实现了一种近似的算法。大致的思想是根据百分位法列举几个可能成为分割点的候选者，然后从候选者中根据上面求分割点的公式计算找出最佳的分割点。

2）xgboost考虑了训练数据为稀疏值的情况，可以为缺失值或者指定的值指定分支的默认方向，这能大大提升算法的效率，paper提到50倍。

3）特征列排序后以块的形式存储在内存中，在迭代中可以重复使用；虽然boosting算法迭代必须串行，但是在处理每个特征列时可以做到并行。

4）按照特征列方式存储能优化寻找最佳的分割点，但是当以行计算梯度数据时会导致内存的不连续访问，严重时会导致cache miss，降低算法效率。paper中提到，可先将数据收集到线程内部的buffer，然后再计算，提高算法的效率。

5）xgboost 还考虑了当数据量比较大，内存不够时怎么有效的使用磁盘，主要是结合多线程、数据压缩、分片的方法，尽可能的提高算法的效率。

适用场景：分类回归问题都可以。

3、xgb 与 gbdt 相比的好处

5、linux 了解吗？

Linux是一套免费使用和自由传播的类Unix操作系统，是一个多用户、多任务、支持多线程和多CPU的操作系统。它能运行主要的UNIX工具软件、应用程序和网络协议。它支持32位和64位硬件。Linux继承了Unix以网络为核心的设计思想，是一个性能稳定的多用户网络操作系统。  

6、 一个文本里面有 0 1 和其他字符， 要获 取除了 01 以外的字符输入到另外一个文本

7、九宫格输入法怎么实现单词提示（比如输入 a，提示 advertise） 什么数据结构实现？

8、能否实习

9、有什么要问他的？

想要获得更多360的实习、校招机会，请点击这里