美团面试——机器学习/数据挖掘算法工程师
2023-09-11 14:15:32 时间
目录
一面
一面内容:
自我介绍 讲一下论文和项目
讨论实习的东西 怎么样提的特征 做了哪些特征工程
讲一下决策树 随机森林 随机森林的分裂节点的策略(两个随机);bagging和boosting的联系和区别; boosting中的adaboost的基本原理; boost中的gbdt的原理 和随机森林有什么区别 哪个精度更高 为什么
特征工程有哪些方法(数据处理上的) 主要是统计意义上的一些操作 这块不足 需要补充 (1.OneHotEncoding 2.标准化 3.归一化 4.连续特征离散化 5.L1正则 6.GBDT 特征组合 7.特征重要性分析方法 卡方检验 8.FM 实现离散特征embeding)
数据不平衡问题的解决办法(从数据角度 正采样和负采样 从损失函数角度 添加scale平衡数据 从评价角度 用ROC AUC而不用PRC) 解释ROC PRC 推导公司
l1正则化和l2正则化 解释 推
相关文章
- 算法工程师<机器学习基础>
- 机器学习笔记 - 简单了解模式识别
- Interview之ML:机器学习算法工程师结构知识思维导图集合、求职九大必备技能之【数学基础、特征工程能力、模型评估和优化、机器学习基本概念/经典算法、深度学习算法、业务与应用】(持续更新)
- Interview:算法岗位面试—10.24下午—上海某软件公司(机器学习,上市)电话面试—考察SVM、逻辑回归、降低过拟合、卷积网络基础等
- ML之ME/LF:基于不同机器学习框架(sklearn/TF)下算法的模型评估指标(损失函数)代码实现及其函数(Scoring/metrics)代码实现(仅代码)
- 数学建模学习(68):机器学习训练模型的保存与模型使用
- sdut 在机器上面向对象编程练习11(运算符重载)
- 【数据挖掘】百度机器学习-数据挖掘-自然语言处理工程师 历史笔试详解
- 【数据挖掘】金山办公2020校招大数据和机器学习算法笔试题
- 机器学习到底有没有用?可以用来做什么?机器学习应用场景
- 机器学习之工程师入门路线