1、航天科工三院测评完成，无回复，已挂2、航天科技五院已投递，无回复，已挂3、航天一院已投递，已挂4、航发商发上海已投递，等消息5、招商银行天津分行简历未投递成功6、移动信息技术中心已投递，等消息7、招商银行上海分行已投递，等消息8、重汽已投递，面试拒绝9、航空洪都已投递，无回复，已挂10、遥感卫星北京已投递，无回复，已挂11、航空工业制造已投递，无回复，已挂12、广发银行已投递，拒绝笔试13、中电54所已投递，未进行测评，已挂

[21]SelectPoll优点：解决了select的1024限制（定义一个结构体数组，可以自己设大小），可以无数个；解决了fd复用，因为结构体除了有events，还有revents；对于select和poll来说，所有文件描述符都是在用户态被加入其文件描述符集合的，每次调用都需要将整个集合拷贝到内核态；epoll则将整个文件描述符集合维护在内核态，每次添加文件描述符的时候都需要执行一个系统调用。select使用线性表描述文件描述符集合，文件描述符有上限；poll使用链表来描述；epoll底层通过红黑树来描述，并且维护一个ready list，将事件表中已经就绪的事件添加到这里，在使用epol...

[1]一次网页的访问从URL开始，说一下整个访问的过程客户端获取URL - > DNS解析 - > TCP连接 - >发送HTTP请求 - >服务器处理请求 - >返回报文 - >浏览器解析渲染页面 - > TCP断开连接链接1链接2[2]DNS用户访问网页，DNS服务器（域名解析系统）会根据用户提供的域名查找对应的IP地址域名解析服务器是基于UDP实协议实现的一个应用程序，通常通过监听53端口来获取客户端的域名解析请求DNS查找过过程如下：浏览器缓存、系统缓存、路由器缓存、DNs服务器解析[3]HTTP请求报文是由三部分组成: 请求行, 请求头和请求...

更多关于算法题解、软件开发面经、机器学习算法面经、各企业面试问题记录，关注Fintech砖，持续更新中。https://www.nowcoder.com/users/873777317企业面试记录专栏https://www.nowcoder.com/creation/manager/columnDetail/0YBWnm机器学习面经专栏https://www.nowcoder.com/creation/manager/columnDetail/j8nNy0软件开发面经专栏https://www.nowcoder.com/creation/manager/columnDetail/0aXKaM更...

更多关于算法题解、软件开发面经、机器学习算法面经、各企业面试问题记录，关注Fintech砖，持续更新中。https://www.nowcoder.com/users/873777317 企业面试记录专栏https://www.nowcoder.com/creation/manager/columnDetail/0YBWnm 机器学习面经专栏https://www.nowcoder.com/creation/manager/columnDetail/j8nNy0 软件开发面经专栏https://www.nowcoder.com/creation/manager/columnDetail/0aXK...

更多关于算法题解、软件开发面经、机器学习算法面经、各企业面试问题记录，关注Fintech砖，持续更新中。https://www.nowcoder.com/users/873777317 企业面试记录专栏https://www.nowcoder.com/creation/manager/columnDetail/0YBWnm 机器学习面经专栏https://www.nowcoder.com/creation/manager/columnDetail/j8nNy0 软件开发面经专栏https://www.nowcoder.com/creation/manager/columnDetail/0aXK...

更多关于算法题解、软件开发面经、机器学习算法面经、各企业面试问题记录，关注Fintech砖，持续更新中。https://www.nowcoder.com/users/873777317 企业面试记录专栏https://www.nowcoder.com/creation/manager/columnDetail/0YBWnm 机器学习面经专栏https://www.nowcoder.com/creation/manager/columnDetail/j8nNy0 软件开发面经专栏https://www.nowcoder.com/creation/manager/columnDetail/0aXK...

更多关于算法题解、软件开发面经、机器学习算法面经、各企业面试问题记录，关注Fintech砖，持续更新中。https://www.nowcoder.com/users/873777317 企业面试记录专栏https://www.nowcoder.com/creation/manager/columnDetail/0YBWnm 机器学习面经专栏https://www.nowcoder.com/creation/manager/columnDetail/j8nNy0 软件开发面经专栏https://www.nowcoder.com/creation/manager/columnDetail/0aXK...

371若CNN网络很庞大，在手机上运行效率不高，对应模型压缩方法有了解吗1. 低秩近似神经网络的基本运算卷积，实则就是矩阵运算，低秩近似的技术是通过一系列小规模矩阵将权重矩阵重构出来，以此降低运算量和存储开销。目前有两种常用的方法：一是Toeplitz矩阵直接重构权重矩阵，二是奇异值分解（SVD），将权重矩阵分解为若干个小矩阵。2. 剪枝与稀疏约束剪枝是模型压缩领域中一种经典的后处理技术，典型应用如决策树的前剪枝和后剪枝。剪枝技术可以减少模型参数量，防止过拟合，提升模型泛化能力。剪枝被应用于神经网络中，遵循四个步骤：o 衡量神经元的重要程度o 移除掉一部分不重要的神经元o 对网络进行微调o 返...

351为什么xgboost要二阶展开xgboost是以mse为基础推导出来的，在mse的情况下，xgboost的目标函数展开就是一阶项+二阶项的形式，而其他类似log loss这样的目标函数不能表示成这种形式。为了后续推导的统一，所以将目标函数进行二阶泰勒展开，就可以直接自定义损失函数了，只要二阶可导即可，增强了模型的扩展性。二阶信息能够让梯度收敛的更快，类似牛顿法比SGD收敛更快。一阶信息描述梯度变化方向，二阶信息可以描述梯度变化方向是如何变化的。352泰勒公式求e的近似值1+1/1!+1/2!+⋯+1/n!+⋯353XGBoost 如果损失函数没有二阶导，该怎么办gbdt的目标函数与xgb...

331决策树的划分标准是什么有三种：最大信息增益、最大信息增益率、基尼系数。而这三种不同的划分标准就对应了三种典型决策树：ID3（最大信息增益）、C4.5（最大信息增益率）、CART（基尼系数）。信息增益：指的是使用某一个属性a进行划分后，所带来的纯度（信息熵用来度量样本集合的纯度）提高的大小。一般而言，信息增益越大，意味着使用属性a来进行划分所获得的“纯度提升”越大。但信息增益对可取值较多的属性有所偏好。而信息增益率则解决了特征偏好的问题。但是不论是信息增益还是信息增益率，存在的问题是涉及对数运算，计算量大，为了解决这个问题。可以采用基尼系数作为节点划分的标准。332ID3和C4.5的区别最...

311SVM怎么防止过拟合引入松弛变量正则化312KNN的优缺点优点：简单易用，相比其他算法，KNN算是比较简洁明了的算法。模型训练快预测效果好。对异常值不敏感 缺点：对内存要求较高，因为该算法存储了所有训练数据预测阶段可能很慢对不相关的功能和数据规模敏感对数据纲量敏感，所以数据要先归一化313KNN介绍一下KNN的全称是K Nearest Neighbors，意思是K个最近的邻居，KNN的原理就是当预测一个新的值x的时候，根据它距离最近的K个点是什么类别来判断x属于哪个类别。通过方差表示“距离”314KNN的K值怎么选通过不断验证K不同的取值来确定。315KNN数据需要归一化吗KNN对数据纲...

291逻辑回归特征是否归一化逻辑回归本身不受量纲影响，但是其使用梯度下降法求解参数受量纲影响大，如果不进行特征归一化，可能由于变量不同量纲导致参数迭代求解缓慢，影响算法速率。于决策树这类的算法，不受量纲影响，不需要进行归一化处理。292什么样的模型需要特征归一化1、一般算法如果本身受量纲影响较大，或者相关优化函数受量纲影响大，则需要进行特征归一化。逻辑回归本身不受量纲影响，但是其使用梯度下降法求解参数受量纲影响大，如果不进行特征归一化，可能由于变量不同量纲导致参数迭代求解缓慢，影响算法速率。树模型特征归一化可能会降低模型的准确率，但是能够使模型更加平稳ID3和C4.5只能解决分类问题，CART...

271遍历字典可以用什么方法272反转列表的方法list.reverse()sorted()指定reverse273python 元组中元组转为字典，字典转元组zip(d.values(),d.keys())274range在python2和python3里的区别在py2中，range得到的是一个列表，在py3中，range得到的是一个生成器，节约内存275Python列表去重复元素l1 = ['b','c','d','b','c','a','a']l2 = list(set(l1))276特征工程有哪些1. 数据预处理（清洗）处理缺失值图片数据扩充处理异常值处理类别不平衡问题 2. 特征缩放...