（面经）成功上岸回馈一下牛客
这是我从7月到现在所有面试到总结，我面到都是机器学习算法，各个公司之间问的大同小异，就不一一列举了。
一、算法编程题：
语言：因人而异
字符串：哈希 动态规划 双指针
二叉树：非递归前中后序遍历 最短最长路径问题
数组：二分查找衍化问题 动态规划
排序问题：快排 归并排序问题极其衍化
链表：深度复制 合并 排序
语言：因人而异
字符串：哈希 动态规划 双指针
二叉树：非递归前中后序遍历 最短最长路径问题
数组：二分查找衍化问题 动态规划
排序问题：快排 归并排序问题极其衍化
链表：深度复制 合并 排序
二、传统机器学习
LR：推导
SVM：与LR的区别 但考的少了 估计现在工业界用的少了
Boost：GBDT思想 具体实现 XGBoost的正则化对GBDT的改进 lightGBM对XGBoost的改进（训练速度和内存方面）
聚类：K-means 基本思想 有什么缺陷（对离群点敏感 对初始节点敏感 K值为超参数）
极大似然估计和贝叶斯估计的区别
基本决策树相关：ID3 C4.5 CART
随机森林：和boosting的区别 bagging与boosting
PCA分解：降维 SVD分解：矩阵压缩 SVD可以用于解PCA
LR：推导
SVM：与LR的区别 但考的少了 估计现在工业界用的少了
Boost：GBDT思想 具体实现 XGBoost的正则化对GBDT的改进 lightGBM对XGBoost的改进（训练速度和内存方面）
聚类：K-means 基本思想 有什么缺陷（对离群点敏感 对初始节点敏感 K值为超参数）
极大似然估计和贝叶斯估计的区别
基本决策树相关：ID3 C4.5 CART
随机森林：和boosting的区别 bagging与boosting
PCA分解：降维 SVD分解：矩阵压缩 SVD可以用于解PCA
三、深度学习
过拟合问题：数据出发 模型出发 正则 dropout BN
激活函数：sigmod tanh RELU leakyRELU
优化方法: SGD 动量法 Adagrad Adam
BP推导
RNN LSTM GRU的演变 梯度爆炸和消失
transformer与BERT
GNN（只有本人相关）
过拟合问题：数据出发 模型出发 正则 dropout BN
激活函数：sigmod tanh RELU leakyRELU
优化方法: SGD 动量法 Adagrad Adam
BP推导
RNN LSTM GRU的演变 梯度爆炸和消失
transformer与BERT
GNN（只有本人相关）
四、大数据问题
Hadoop（大数据处理框架）
大数据取前K出现频率最高的
大数据n随机取k个数字
Hadoop（大数据处理框架）
大数据取前K出现频率最高的
大数据n随机取k个数字
五、项目相关（因人而异）
详细讲解image captioning，整个流程框架，论文中的方法，其中的重要改进
基金间的相关性预测：对LSTM的理解和其他的改进方法 改为两两计算相似度的方法 BERT（用于预测是否为上下文）
详细讲解image captioning，整个流程框架，论文中的方法，其中的重要改进
基金间的相关性预测：对LSTM的理解和其他的改进方法 改为两两计算相似度的方法 BERT（用于预测是否为上下文）
六、语言相关（不多）：C++
继承与多态的实现 底层原理
STL的底层实现 vector map set等 顺序容器与关联容器
智能指针 指针与引用的区别
#机器学习#继承与多态的实现 底层原理
STL的底层实现 vector map set等 顺序容器与关联容器
智能指针 指针与引用的区别
投递百度等公司8个岗位