1. 程式人生 > >【金山雲】機器學習演算法工程師2017年8月29號電話一面(內推)

【金山雲】機器學習演算法工程師2017年8月29號電話一面(內推)

Update1(2017-08-30): 同一個面試官面其他人問到的問題。

1、CNN

2、隨機森林

3、目標檢測演算法

4、CNN的各種架構和各個元件的作用

我只是很鬱悶,為什麼不問我這些?我很拿手的,好嗎?

面試前一天都在看這方面的東西,我以為我會問我,結果直接上來問目標檢測演算法。

原來找工作真的有運氣之說,但是那個面試者也沒拿到offer,不過讓他去金山雲實習,他拒絕了。

正文:

簡短的跟大家聊聊面試經驗吧。現在這個時間節點上,差不多內推已經結束,開始了內推電話面試。之前投遞了很多家的公司的內推,其中金山雲就是。我是8月16號投遞的內推,到現在差不多有十多天了。昨天接的HR電話面試,約的第二天面試。

在這裡我簡單回顧一下我的面試,兩點準時打過來的電話。

第一句話就是介紹一下說自己是金山雲的面試官,然後說開始要面試。

在正式開始之前,先問了一個問題,我們這邊是做影象處理的,

如果是做文字挖掘或者語音識別,不想轉方向的話,那接下來可以不用聊了。

首先是要我自己介紹。這個大家應該都是熟門熟路,只要好好準備過面試。

第二,直接開始對我的專案發問。

1、簡單介紹一下你的專案;

2、介紹一下YOLO網路;

3、YOLO網路訓練過程;

4、訓練的資料是怎麼來的;

5、怎麼壓縮網路模型的;

6、除了這樣的方法,還有其他壓縮模型的方法嗎?

7、剪枝是怎麼操作的?

8、還有什麼問題要問嗎?

以上基本就是面試問到的問題。

總結一下:問題不多,所以時間略短。總感覺面試官在趕時間的樣子,直接問我還有其他問題嗎?

沒有的話,我繼續面試其他人,後面還有很多人呢。我也沒啥好說的,直接說好的。

其實內心的OS是這樣的,面試時間才17分鐘不到,感覺要跪的節奏。

在這裡順便提醒一下在準備秋招的各位同仁,投遞了內推後就安安心心的等待面試吧,別花時間水論壇,水QQ群,

沒啥用。還是好好的補基礎,複習你的專案,這才是重點。

相關推薦

金山機器學習演算法工程師2017829電話一面

Update1(2017-08-30): 同一個面試官面其他人問到的問題。 1、CNN 2、隨機森林 3、目標檢測演算法 4、CNN的各種架構和各個元件的作用 我只是很鬱悶,為什麼不問我這些?我很拿手

面試2017滴滴機器學習演算法工程師面試

一面: 先自我介紹,然後看著簡歷問我,有用過哪些機器學習的演算法做專案。比如說決策樹用它做過什麼專案沒有?CNN用它做過什麼專案沒有? 我回答沒有,因為現場編我也編不出來。就跟老師說我自己學習的。然後考官就讓我介紹一下決策樹。我就自己介紹(感覺自己介紹的很不

資料科學系統學習機器學習演算法 # 西瓜書學習記錄 [7] 支援向量機

這兩篇內容為西瓜書第 6 章支援向量機 6.1,6.2,6.4,6.3 的內容: 6.1 間隔與支援向量 6.2 對偶問題 6.4 軟間隔與正則化 6.3 核函式 由於本章內容較多,分為兩篇來敘述。本篇所包含內容為間隔與支援向量和對偶問題。 如移動端無法正常

資料科學系統學習機器學習演算法 # 西瓜書學習記錄 [8] 支援向量機

這兩篇內容為西瓜書第 6 章支援向量機 6.1,6.2,6.4,6.3 的內容: 6.1 間隔與支援向量 6.2 對偶問題 6.4 軟間隔與正則化 6.3 核函式 由於本章內容較多,分為兩篇來敘述。本篇所包含內容為軟間隔與正則化和核函式。關於間隔與支援向量和

資料科學系統學習機器學習演算法 # 西瓜書學習記錄 [9] 決策樹

本篇內容為西瓜書第 4 章決策樹 4.1,4.2,4.3 的內容: 4.1 基本流程 4.2 劃分選擇 4.3 剪枝處理 如移動端無法正常顯示文中的公式,右上角跳至網頁即可正常閱讀。 決策樹 (decision tree) 是一種基本的分類與迴歸方法。在分類問

資料科學系統學習機器學習演算法 # 西瓜書學習記錄 [10] 決策樹實踐

本篇內容為《機器學習實戰》第 3 章決策樹部分程式清單。所用程式碼為 python3。 決策樹優點:計算複雜度不高,輸出結果易於理解,對中間值的缺失不敏感,可以處理不相關特徵資料。缺點:可能會產生過度匹配問題。適用資料型別:數值型和標稱型 在構造決策樹時,我們需要

資料科學系統學習機器學習演算法 # 西瓜書學習記錄 [11] 整合學習

本篇內容為西瓜書第 8 章整合學習 8.1 8.2 8.3 8.4 8.5 的內容: 8.1 個體與整合 8.2 Boosting 8.3 Bagging與隨機森林 8.4 結合策略 8.5 多樣性 如移動端無法正常顯示文中的公式,右上角跳至網頁即可正常閱讀。

資料科學系統學習機器學習演算法 # 西瓜書學習記錄 [12] 整合學習實踐

本篇內容為《機器學習實戰》第 7 章利用 AdaBoost 元演算法提高分類效能程式清單。所用程式碼為 python3。 AdaBoost優點:泛化錯誤率低,易編碼,可以應用在大部分分類器上,無引數調整。缺點:對離群點敏感。適用資料型別:數值型和標稱型資料。 bo

AI測試機器學習專案的測試,演算法測試

開場白 大家好,今天分享的主題是AI演算法專案的測試探索。 首先介紹人工智慧的一些基本概念,接著說明人工智慧和機器學習的關係,然後再敘述機器學習相關的基本概念,包括監督學習,無監督學習,會重點說監督學習。再介紹機器學習演算法專案的測試。最後會介紹演算法專案測

機器學習PAI實踐十二機器學習演算法基於信用卡消費記錄做信用評分

背景 如果你是做網際網路金融的,那麼一定聽說過評分卡。評分卡是信用風險評估領域常用的建模方法,評分卡並不簡單對應於某一種機器學習演算法,而是一種通用的建模框架,將原始資料通過分箱後進行特徵工程變換,繼而應用於線性模型進行建模的一種方法。 評分卡建模理論常

Andrew Ng 機器學習Exercise1——Linear Regression

1、單變數線性迴歸 在本部分練習中,您將使用一個變數實現線性迴歸,以預測食品卡車的利潤。假設你是一家連鎖餐廳的執行長,正在考慮在不同的城市開設一家新分店。這個連鎖店已經在不同的城市有了卡車,你可以從城市得到利潤和人口的資料。 您希望使用這些資料來幫助您選擇下一個要擴充套件到的城市。

線上直播機器學習中的建模問題

2017,人工智慧喧囂的一年;2018,人工智慧落地的一年;2019-2022,人工智慧註定飛騰!作為IT人,如何乘著人工智慧的風潮,持續學習,本期講座將為你答疑解惑關於機器學習中的建模問題。 直播時間:2018年12月5日 19:40 報名連結:【線上直播】機器學習中的建模問題 講座嘉

2018 百度機器學習演算法工程師面試

走的是內推流程,發簡歷後沒幾天就打電話約電話面試,約的時間產不多隔了一週。 面試那天,電話打過來,感覺挺有禮貌的,上來首先自我介紹沒什麼懸念,然後就是開始照著簡歷問。 1. 說下你簡歷上的那個論文做的是什麼 2. 論文裡的演算法比原來提升了多少 3.

時間之外機器學習與優化-1

正在讀《機器學習與優化》,涉及了不少人工智慧的概念,做一個筆記,供自己和需要的朋友們學習和理解,如果需要詳細瞭解,請購買正版圖書。 最近鄰方法 由於自然界不允許跳躍,感覺有點神學的味道了。這裡舉了一個例子,撿蘑菇,你能明白嗎?上個圖吧 不同型別的誤差 以下幾個率值得記住,畢

2018機器學習演算法工程師求職經驗搬運

機緣巧合下遇到了這篇文章。。。 ---------------------  作者:GeekZW  來源:CSDN  原文:https://blog.csdn.net/zichen_ziqi/article/details/83308809  版權宣告:本

2018春招實習-機器學習演算法工程師各個公司面試經驗

2018年1月初結束了上一個公司的實習,在三月初開始找今年的暑期實習,因為前面一個公司一直在做資料探勘工程師的工程,加上自己想去網際網路鍛鍊一下,同時想尋求演算法工程師的工作,所以投了大概6家公司的機器學習演算法崗,包括阿里媽媽,美團點評搜尋組,騰訊SNG,滴滴

機器學習演算法工程師需要掌握的技能與要踩的坑

1. 前言 本來這篇標題我想的是演算法工程師的技能,但是我覺得要是加上機器學習在標題上,估計點的人會多一點,所以標題成這樣了,呵呵,而且被搜尋引擎收錄的時候多了一個時下的熱門詞,估計曝光也會更多點。不過放心,文章沒有偏題,我們來說正經的。 今天就說說機器學習這個最近兩年計算

機器學習演算法工程師--實習面經

最近找實習,整理一下面的比較完整的幾家公司的問題,如果後面還有比較完整的流程再新增吧。 小米麵試 一面 給使用者推薦一首歌,每首歌被推薦的概率和歌的評分成正比 對上面的題進行優化,要求每次推薦歌的時間複雜度為O(1) 給定一些字元,每個字元都可以出現或可

通俗易懂機器學習中 L1 和 L2 正則化的直觀解釋

機器學習中,如果引數過多,模型過於複雜,容易造成過擬合(overfit)。即模型在訓練樣本資料上表現的很好,但在實際測試樣本上表現的較差,不具備良好的泛化能力。為了避免過擬合,最常用的一種方法是使用使用正則化,例如 L1 和 L2 正則化。但是,正則化項是如

SQL Server機器學習的生命週期和角色

機器學習專案十分複雜,因為它們需要不同組專業人員的技能協作。本文旨在介紹的機器學習的生命週期、參與機器學習的專業人員角色介紹以及SQL Server如何支援主體的需求任務。 機器學習生命週期 機器學習是一個複雜的過程,許多方面花費的時間比預期更復雜。下面是一些機器學習要求企業中的資