科大讯飞面经

主要是问简历里面技术内容，楼主投的职位是CV方向。

• 自我介绍一下
• 问实习项目做了什么，你在里面负责什么内容，你们用的PrivateGPT是调用接口还是自己优化。

基于开源PrivateGPT项目进行二次开发使用Langchain框架构建自定义知识库优化提示词工程和对话逻辑并没有直接调用接口，而是进行了本地部署和定制化开发

• 问实习项目用的LSTM模型是为了做什么用的。

用于传感器数据的时序预测具体目标：预测未来时间点的传感器读数不选择LSTM原因： 虽然LSTM理论上可能有更好的性能，但存在以下问题：训练时间长需要大量数据计算资源消耗大参数调优复杂对于我们的应用场景，精度提升不明显

• 介绍一下Prophet模型，用的这Prophet，Arima，LSTM的区别是什么。

Prophet：Facebook开发的时间序列预测工具优点： 自动处理节假日效应处理缺失值能力强易于使用和调参适用：有明显季节性的数据ARIMA：自回归移动平均模型优点： 理论基础扎实对平稳时序效果好缺点： 需要数据平稳性参数调优复杂LSTM：深度学习方法优点： 可以学习复杂非线性关系长期依赖记忆能力强缺点： 需要大量训练数据计算资源消耗大

• 问学校项目里面的ResNet，Unet模型做什么用，怎么提升。

用途：自然场景图像的语义分割ResNet作为backbone：提取图像特征通过残差连接解决梯度消失问题U-Net作为分割网络：编码器-解码器结构跳跃连接保留空间信息提升方法：调整ResNet层数(50/101)优化特征融合策略使用注意力机制改进损失函数数据增强

• 问学校项目里面的kmeans模型，介绍一下kmeans的流程。

基本流程：初始化K个中心点迭代过程： 分配阶段：将每个点分到最近的中心更新阶段：重新计算每个簇的中心直到中心点不再变化或达到最大迭代次数优化方法：使用K-means++初始化采用Mini-batch训练特征工程和标准化

• 问竞赛项目里面的模型具体流程。

介绍支持向量机解释什么是支持向量支持向量机原理：寻找最优超平面分隔不同类别最大化分类间隔使用核函数处理非线性问题支持向量解释：是最接近决策边界的样本点决定了最终的分类超平面对模型的预测起关键作用

• 你学校里面做什么方向，分割还是模型优化？。

主要专注于语义分割：自然场景图像分割重点研究： 边界优化多尺度特征融合注意力机制应用目标：提高分割精度和效率

• 你有什么问题想问我。

假如我进了贵公司，请问贵公司是如何去培养一名刚进入公司的员工的？

发现粘贴不全，全文指路-> https://github.com/kaetowjj/2024-Autumn-interview-experience/blob/main/%E7%A7%91%E5%A4%A7%E8%AE%AF%E9%A3%9E.md