华为暑期主管面通过

自我介绍： 简要介绍个人背景、教育经历和工作经验。突出与前端开发相关的技能和经验。回答问题：使用 STAR 方法回答行为问题，如“描述一次你解决技术难题的经历”。针对技术问题，展示你的专业知识和解决问题的能力。提问环节：向模拟面试官提问，如“公司如何支持员工的职业发展？”或“团队的工作流程是怎样的？”反馈与改进：获取模拟面试伙伴的反馈，记录需要改进的地方。根据反馈，优化回答和表达方式。总结：https://www.nowcoder.com/issue/tutorial?zhuanlanId=j572L2&uuid=d3520e4b0ad640008bc5305fd6838a1c

从接到hr电话到今天算起，几乎正好一个月，终于尘埃落定，6月3日接到的电话，准备面试6,10一面6.17二面6.23三面6.27追加HR面6.30OC今天offer

bg：双一流本，两年工作经验，给还在学习的朋友们分享一些对应经验下企业所问的问题，也有助于自己未来进行总结。以下打⭐为印象深刻的问题。Q：技术面：（1）自我介绍（背景+工作经验+工作内容+成果）（2）项目拷打①推荐算法：（3）注意力Q,K,V计算公式（4）self-attention和external-attention的区别（5）了解过哪些主流的推荐算法（6）讲一下Wide&Deep原理（7）推荐算法中正负样本集是如何构建的（8）如何理解auc指标（9）平时用哪些框架（pytorch），如果接触到tensorflow项目，最快需要多长时间能上手②机器学习算法：（10）了解什么是特征偏移么（11）对于数据不平衡问题的解决办法（12）训练集和测试集的正负样本比相差过大怎么办（如训练集1:49，测试集1:199）（13）知道什么是概率校准么（14）讲述一下二分类的原理⭐（15）平时有了解过LLM么（16）做过xgboost的超参数优化么，以及对早停机制（early stopping）有没有什么深刻理解⭐（17）平时做过哪些衍生特征（18）如何筛选重要特征（19）如何避免特征之间的多重共线性，避免了又会有什么缺点（20）以业务的角度筛选特征有什么缺点⭐（21）xgboost是如何处理缺失值的（22）对类别变量有什么处理方法（23）机器学习和深度学习分别建模有哪些不同点（24）xgboost的多分类和神经网络中的多任务有什么区别

Base：深圳前海腾讯数码大厦北塔入职landing指南： mentor会让你选电脑（mac是笔记本，win是台式）->报道前认真阅读邮件，会有一些协议以及阳光守则考试等需要即使完成->前往邮件前往指定报道地点，我是腾讯数码大厦->根据报道前一天/当天早上的入职短信，用里面的验证码去前台大厅的机子取一次性通行凭证->刷凭证后通过低层电梯前往8楼T站->携带身份证办理入职领取卡和入职大礼包（电脑直接在工位上）->和mentor联系找地方汇合前往工位->组装电脑安装软件->看mac os标准化联网指引配置内网->开始耕地作息 我是早10晚8（周...