小红书数挖二面凉经分享
小红书数挖一面（约40min）
1.自我介绍
2.项目介绍
3.项目中学到了什么，为什么离职，成长了什么
4.互联网广告和其他广告的区别
5.了解哪些算法
6.数据结构学的怎么样
7.随机森林：
- 原理简述
- 随机森林的损失函数是什么
8.逻辑回归：
- 原理简述
- 逻辑回归的损失函数是什么
- 逻辑回归用什么正则化、L1正则化不可导情况怎么处理
9. Hive了解多少
10. 大数据表和小数据表怎么关联
11.数据倾斜是什么，如何处理
12.怎么做特征选择
1.自我介绍
2.项目介绍
3.项目中学到了什么，为什么离职，成长了什么
4.互联网广告和其他广告的区别
5.了解哪些算法
6.数据结构学的怎么样
7.随机森林：
- 原理简述
- 随机森林的损失函数是什么
8.逻辑回归：
- 原理简述
- 逻辑回归的损失函数是什么
- 逻辑回归用什么正则化、L1正则化不可导情况怎么处理
9. Hive了解多少
10. 大数据表和小数据表怎么关联
11.数据倾斜是什么，如何处理
12.怎么做特征选择
13.PCA简述
- 小红书数挖二面（1个小时10分钟）
- 自我介绍
- 项目介绍
- 学术项目介绍
- K-means 原理，优劣
- 决策树哪几种算法，区别是什么？
- 如何剪枝
- 对其他算法来说如何解决过拟合
随机森林
- 原理，用的哪种决策树
- 优劣
- 如何做特征选择
逻辑回归
- 原理
- 为什么用Sigmoid函数，好处？
- 损失函数是什么
- 对逻辑回归来说，如何解决过拟合 【正则化】
- L1和L2正则化是什么，少量特征 - 更多特征
- L1为什么其他特征都是0，几何意义是什么
- 梯度下降有哪几种？
- 批量梯度下降和随机梯度下降的差异
- 随机梯度下降可以达到全局最优吗？
-深度学习了解多少
降维
- PCA简述
- PCA优劣
- PCA如何做特征选择
集成学习
- Boosting和Bagging是什么
- 区别优劣各是什么
- 偏差和方差怎么理解
- Boosting典型算法是什么 - GBDT
- 简述GBDT
评估指标
- 如何评估模型好坏 - AUC, ROC
- ROC是什么，AUC是什么
- AUC的几何意义
- AUC的概率意义是什么？
简单算法题
Python实现开根号 - 二分法、牛顿法
#面经##数据挖掘##小红书##实习#- 自我介绍
- 项目介绍
- 学术项目介绍
- K-means 原理，优劣
- 决策树哪几种算法，区别是什么？
- 如何剪枝
- 对其他算法来说如何解决过拟合
随机森林
- 原理，用的哪种决策树
- 优劣
- 如何做特征选择
逻辑回归
- 原理
- 为什么用Sigmoid函数，好处？
- 损失函数是什么
- 对逻辑回归来说，如何解决过拟合 【正则化】
- L1和L2正则化是什么，少量特征 - 更多特征
- L1为什么其他特征都是0，几何意义是什么
- 梯度下降有哪几种？
- 批量梯度下降和随机梯度下降的差异
- 随机梯度下降可以达到全局最优吗？
-深度学习了解多少
降维
- PCA简述
- PCA优劣
- PCA如何做特征选择
集成学习
- Boosting和Bagging是什么
- 区别优劣各是什么
- 偏差和方差怎么理解
- Boosting典型算法是什么 - GBDT
- 简述GBDT
评估指标
- 如何评估模型好坏 - AUC, ROC
- ROC是什么，AUC是什么
- AUC的几何意义
- AUC的概率意义是什么？
简单算法题
Python实现开根号 - 二分法、牛顿法
腾讯音乐娱乐集团一面35人在聊