腾讯机器学习面经
拿到offer，来还愿，写面经，
经历过春招实习的折磨，深深感觉自己差的很多，需要继续努力，一定要深入。
其实大部分还是围绕着项目的东西在聊，然后用到什么了就会延伸出一些问题。
一面：电话面
算法题：
1. 快排，面试官要求只能c++，问选择pivot的时候有没有加速的手段？
2. Python写个n-gram，用列表生成式把1-n gram生成（顺便问了生成器）
聊项目：
1. 人工特征工程和lighgbm模型特征处理的区别；
2. 你的特征为什么要这样构造；
3. 样本不平衡处理手段（重点聊了小样本只有一个的时候），为什么要这样处理；
4. 过拟合处理的手段，神经网络利用dropout和多项式回归利用正则项减轻过拟合的本质是什么（为什么就能减轻过拟合了）；
5. 我项目有用到lightgbm和xgboost模型融合，lightgbm是xgboost的改进，那你为什么还要融合呢；
面试体验很好，就两个人互相聊天，感觉蛮亲切。
隔天两个电话都没接到，卒...哭泣...
应该是换部门了，
一面：腾讯会议
算法题：
有序数组找第K大元素
聊项目：
1. stacking，blending；
2. 神经网络和树模型的融合方式，神经网络处理过拟合的方式；
3. BN的细节，dropout的细节；
4. 项目：特征怎么构建的，效果怎么样？时序特征怎么处理的？为什么这样构造数据集？
5. AUC的细节，会不会代码实现
二面：腾讯会议
算法题：
二分查找翻转数组指定元素
聊项目：
1. 多进程和多线程的区别
2. 在浏览器输入网址后的一个过程，能说多详细就说多详细
3. 机器学习的一些问题：过拟合处理，模型融合，lightgbm处理分类问题的目标函数 4. 项目的一些细节
二面结束没多久，官网状态变为HR面，结果过几天直接灰了...哭泣。
换部门，
一面：腾讯会议
算法题：
1. 一个大文件，对里面的内容进行排序；
2. 一个大文件，里面的内容是有序的，如何打乱；
聊项目：
1. 决策树（ID3，C4.5，CART，GBDT，xgboost，lightgbm）；
2. boosting和bagging的区别，重点是方差和偏差（整体和单棵树两个角度）；
3. stacking和blending的细节；
4. 项目的一些细节；
5. 论文的一些细节；
6. 问了线性代数的内容（汗，本科学的忘的差不多了...）
7. 最后问了下深度学习的内容了解吗？也没问...
二面：
算法题：
1. 一维数组，最大连续序列和；
2. 二维数组，最大矩形区域和；
聊项目：
主要就是聊项目的细节了，问了下实习情况，会不会大数据这方面的内容，也说了部门负责的内容。
HR：聊人生...
3天后，offer call，开心！
查看10道真题和解析