携程机器学习算法实习生面经(已offer)

3.27 45min。携程的面试体验一直很好和一面类似，绝大多数时间都在拷打项目，问各种how和why的问题，以及你对项目的额外思考有一些零星的统计机器学习八股，感觉回答的不算好，机器学习八股没怎么记。有一些问题没答上来，但面试官会引导。无dl相关八股同样无手撕祈愿一个HR面携程捞捞更新：二面过了，约HR面

腾讯 CDG 广告推荐算法实习字节 titok 电商推荐算法实习base都是上海，都有机会转正，该接哪个offer呀😥 #选择哪一个offer？# #暑期实习# #实习#

（编辑）下offer啦！3.5 投递+能力测评（北森，好像拖延到3.8还是3.9做完的）3.11 游戏化3.13（错过了，但没做也没影响推进流程）3.22 电话沟通邀请邮件（说3.22-3.26之间随机打电话）3.25 电话沟通（HR面+约线下面试）4.2 线下面（上午第一轮，当场约下午第二轮，面完表示节后4.7/8出结果）4.7 oc，要求一天内补游戏化测评+做英语测评4.9 目前进度显示“整体评估中”4.9下午下offer啦！我的春招打算结束啦

#拼多多##推荐算法面经##暑期实习#### 一面 - 时间：2024-04-01 总计30分钟- 自我介绍- 本科推荐系统项目（项目细节问的比较多，基于项目展开考察八股，细节可以参考我的美团一面和快手一面面经，内容差不多）- 介绍pointwise-loss、pairwise-loss、listwise-loss- BPR损失- 特征重要性评估方法  - 排列重要性：随机打乱某一维特征的取值，测试模型性能下降。原理可以理解为使用随机，将该特征变为噪声。若打乱后模型性能下降较大，说明比较重要。  - 内置特征重要性：有些模型本身可以输出特征重要性分数，如LR和树模型  - Leave-one-out：直接迭代的删除某一维特征，测试模型性能  - 相关性分析：分析特征与目标之间的相关性。同理，若特征随机化，则其与目标没什么关系。  - 递归特征消除：不断减小特征集，每次删除会导致更大下降的特征  - XGBoost特征重要性：某特征在不同划分中得到的增益均值/使用次数  - 主成分分析PCA- 论文- 手撕：lc55 跳跃游戏。给定一个非负整数*数组* nums ,你最初位于数组的 第一个下标 。 数组中的每个元素代表你在该位置可以*跳跃*的最大长度。 判断你是否能够到达最后一个下标。- 反问环节  - 项目规模  - 落地业务  - 我对该岗位来说，还有哪些需要提升和学习的？套评价，分析面试官反馈：项目实践比较丰富。后面可以多学习一些偏业界实际在用的方向，召回、精排、重排等文献、以及序列建模这一块，组里面也再做这一块。感觉面得还行，手撕两分钟写完，希望不是kpi，许愿二面。=====2024.4.3更新======约二面了，04-11 16:00 周四