各家笔试经历

求职经验王开新 发表了文章 • 0 个评论 • 185 次浏览 • 2017-03-21 20:08 • 来自相关话题

美团点评-机器学习
没好好复习,应该是挂了。
-----------------------------------------------------
美团笔试除了智力题和性格题外,专门的技术题有一个小时的时间:16道单选,10道多选,一道简答,一道编程
(1)单选:稳定的排序算法,快排,图遍历,优化方法,基础的分类聚类算法(好多),出栈顺序判断,一些算法OJ中的题(总共只刷过3道leetcode,竟然都能碰上一道)
(2)多选:出栈可能顺序判断,机器学习基础算法(好多)
(3)简答:给定决策树的一些参数,求决策树学习的时间复杂度
(4)编程:有向图用邻接表存储,编程判断图中是否含有环
 
笔试题很重基础,还是要多刷题
 
今日头条-机器学习算法
​2个小时,四道普通编程题,难度和课后作业差不多,只支持Python2.7(用python3的我表示调试得好难受)
可惜只AC了一道,其它都只AC了30%样例,搞不清楚为啥
输入输出比牛客网友好多了,然而是Python2的raw_input,不能本地调试 T T
 
微软预科生
两个半小时,四道编程题,题比较难,需要刷题基础,想了一道,看了一下剩下的几道,放弃
 
京东算法与数据分析岗
总共两个小时,30道选择(有单选和多选),2道编程,时间可以自由分配
选择题与机器学习有关的题非常简单,其它与linux,网络,操作系统有关的题一脸懵逼
编程题难度不均,第一题10分钟就做完AC了,第二题写了一个半小时还是只能写出O(n2)的算法,果然超时,而且只AC了70%
PS:看了下题解,发现第一道编程题简单只是运气好
Update:4.10笔试通过
 
携程机器学习岗
两个小时,终于终于没有编程题了!前30个选择题是智力数学题,20个选择题考机器学习的知识。两道简答题:一道与编码和信息熵有关,比较简单;另一道是手推逻辑回归梯度下降公式(跪。。。真的想不起来了,总是卡在求导)。一道附加题,考正负样本不平衡怎么处理。
PS:估计是挂了 查看全部
美团点评-机器学习
没好好复习,应该是挂了。
-----------------------------------------------------
美团笔试除了智力题和性格题外,专门的技术题有一个小时的时间:16道单选,10道多选,一道简答,一道编程
(1)单选:稳定的排序算法,快排,图遍历,优化方法,基础的分类聚类算法(好多),出栈顺序判断,一些算法OJ中的题(总共只刷过3道leetcode,竟然都能碰上一道)
(2)多选:出栈可能顺序判断,机器学习基础算法(好多)
(3)简答:给定决策树的一些参数,求决策树学习的时间复杂度
(4)编程:有向图用邻接表存储,编程判断图中是否含有环
 
笔试题很重基础,还是要多刷题
 
今日头条-机器学习算法
​2个小时,四道普通编程题,难度和课后作业差不多,只支持Python2.7(用python3的我表示调试得好难受)
可惜只AC了一道,其它都只AC了30%样例,搞不清楚为啥
输入输出比牛客网友好多了,然而是Python2的raw_input,不能本地调试 T T
 
微软预科生
两个半小时,四道编程题,题比较难,需要刷题基础,想了一道,看了一下剩下的几道,放弃
 
京东算法与数据分析岗
总共两个小时,30道选择(有单选和多选),2道编程,时间可以自由分配
选择题与机器学习有关的题非常简单,其它与linux,网络,操作系统有关的题一脸懵逼
编程题难度不均,第一题10分钟就做完AC了,第二题写了一个半小时还是只能写出O(n2)的算法,果然超时,而且只AC了70%
PS:看了下题解,发现第一道编程题简单只是运气好
Update:4.10笔试通过
 
携程机器学习岗
两个小时,终于终于没有编程题了!前30个选择题是智力数学题,20个选择题考机器学习的知识。两道简答题:一道与编码和信息熵有关,比较简单;另一道是手推逻辑回归梯度下降公式(跪。。。真的想不起来了,总是卡在求导)。一道附加题,考正负样本不平衡怎么处理。
PS:估计是挂了

各家面经

求职经验王开新 发表了文章 • 1 个评论 • 168 次浏览 • 2017-03-09 15:51 • 来自相关话题

滴滴-数据分析(直招)
前几天投了个滴滴的数据分析岗实习,没想到第二天就打电话来约面试,今天去面试了下,发现岗位不太合适,于是拒了。把经历分享一下(其实就是想发个笔试题)
 
滴滴的数据分析岗非常偏运营,说是数据分析,其实就是从数据中看出问题,想办法激励司机及招聘新司机(因为目前遇到的问题主要是司机供不应求)。用到的主要工具是EXCEL,偶尔会用一些SQL,信管的同学应该都没问题。这个实习不是走网申通道的,好像是部门直接招,面试官就是将来的leader。现场给了一套题让做做,内容和平时工作场景差不多,想了解的可以看看。(发现好多东西都能用Python一句解决啊,为什么要用EXCEL呢,于是就拒了。)
 
凑不出来字数了,今天天气不错,就当春游了。
 
酷家乐-机器学习(内推)
一面打来电话的并不是搞机器学习的,只问了一些基础的算法知识(就是需要刷题的那种),答得不好,一面被拒。
 
边锋-AI项目实习生(直招)
和浙大合作的一个项目,找人进去写python,打了两次电话问了下基本情况,后来又当面面试了下,问了python基础知识。可能是觉得我代码量不够,被刷。
 
京东-算法工程师
过了笔试,却没想到一面竟然是问基础算法,电面,30分钟。第一部分远程写代码,15分钟,快写完了发现不能覆盖所有样例;第二部分问知道哪些排序算法,让讲一下计数排序,又问了什么是稳定排序,于是————第N次跪在了稳定排序上。搞不懂为什么要问这个。最后我问他为什么没有机器学习方向的问题,他说二面会问。但。。。估计是没有二面了。
 
蘑菇街-算法工程师
内推直接面试,因为在杭州,所以就去公司现场面。手写了一个简单的str2int,问了很多机器学习方面的知识,随机森林,adaBoost,Xgboost,逻辑回归等等都问到了,答得还行,一面就挂还是有点意外。它们公司用Scala比较多,会Scala可能会有加分吧。
 
---------------------------------------------------------------------------
 
春招差不多结束了,0 offer。归根到底还是水平不足,最大的教训就是:那些所谓“面试/笔试”常考问题是真的会被问出来的,不能觉得那些没意思而不去准备。
 
继续刷PRML/LeetCode​ 查看全部
滴滴-数据分析(直招)
前几天投了个滴滴的数据分析岗实习,没想到第二天就打电话来约面试,今天去面试了下,发现岗位不太合适,于是拒了。把经历分享一下(其实就是想发个笔试题)
 
滴滴的数据分析岗非常偏运营,说是数据分析,其实就是从数据中看出问题,想办法激励司机及招聘新司机(因为目前遇到的问题主要是司机供不应求)。用到的主要工具是EXCEL,偶尔会用一些SQL,信管的同学应该都没问题。这个实习不是走网申通道的,好像是部门直接招,面试官就是将来的leader。现场给了一套题让做做,内容和平时工作场景差不多,想了解的可以看看。(发现好多东西都能用Python一句解决啊,为什么要用EXCEL呢,于是就拒了。)
 
凑不出来字数了,今天天气不错,就当春游了。
 
酷家乐-机器学习(内推)
一面打来电话的并不是搞机器学习的,只问了一些基础的算法知识(就是需要刷题的那种),答得不好,一面被拒。
 
边锋-AI项目实习生(直招)
和浙大合作的一个项目,找人进去写python,打了两次电话问了下基本情况,后来又当面面试了下,问了python基础知识。可能是觉得我代码量不够,被刷。
 
京东-算法工程师
过了笔试,却没想到一面竟然是问基础算法,电面,30分钟。第一部分远程写代码,15分钟,快写完了发现不能覆盖所有样例;第二部分问知道哪些排序算法,让讲一下计数排序,又问了什么是稳定排序,于是————第N次跪在了稳定排序上。搞不懂为什么要问这个。最后我问他为什么没有机器学习方向的问题,他说二面会问。但。。。估计是没有二面了。
 
蘑菇街-算法工程师
内推直接面试,因为在杭州,所以就去公司现场面。手写了一个简单的str2int,问了很多机器学习方面的知识,随机森林,adaBoost,Xgboost,逻辑回归等等都问到了,答得还行,一面就挂还是有点意外。它们公司用Scala比较多,会Scala可能会有加分吧。
 
---------------------------------------------------------------------------
 
春招差不多结束了,0 offer。归根到底还是水平不足,最大的教训就是:那些所谓“面试/笔试”常考问题是真的会被问出来的,不能觉得那些没意思而不去准备。
 
继续刷PRML/LeetCode​

【公告】ImTech 平台网址变更通知

其他刘伙玉 发表了文章 • 0 个评论 • 49 次浏览 • 2017-02-27 17:05 • 来自相关话题

本着节约至上的精神,自2月27日起,该平台迁移至我院服务器上,网址变更为:http://im.nju.edu.cn/imtech。
同时,域名www.imtechcenter.com 也即将停止使用,如果要发表文章或者评论,请使用新网址,以免数据丢失。
麻烦大家重新保存书签,给大家带来不便,还请见谅!
  查看全部
本着节约至上的精神,自2月27日起,该平台迁移至我院服务器上,网址变更为:http://im.nju.edu.cn/imtech
同时,域名www.imtechcenter.com 也即将停止使用,如果要发表文章或者评论,请使用新网址,以免数据丢失。
麻烦大家重新保存书签,给大家带来不便,还请见谅!
 

PRML 笔记(不定期更新)

数据挖掘王开新 发表了文章 • 0 个评论 • 62 次浏览 • 2017-02-23 10:44 • 来自相关话题

基本上算是翻译了,有些部分加了点自己的理解,英文看烦了的可以来看看
贝叶斯与多项式拟合信息论基础决策论基础偏差方差分解支持向量机(Support Vector Machine) 概率论基础1——伯努利分布及其共轭先验 概率论基础2-多元高斯分布的边际分布和条件分布 概率论基础3-高斯分布及其共轭先验条件独立 查看全部

大家都是用什么下载计算机教材pdf的呢

其他王开新 回复了问题 • 4 人关注 • 4 个回复 • 240 次浏览 • 2017-02-04 09:54 • 来自相关话题

VC维与学习理论

数据挖掘王开新 发表了文章 • 0 个评论 • 59 次浏览 • 2017-01-26 21:22 • 来自相关话题

例行转载
http://keson96.github.io/2017/01/26/2017-01-26-VC-Dimensions-And-Learning-Theory/
 
祝大家新年快乐哈!
2017多多发帖!
例行转载
http://keson96.github.io/2017/01/26/2017-01-26-VC-Dimensions-And-Learning-Theory/
 
祝大家新年快乐哈!
2017多多发帖!

#专题分享会第二期#资料汇总

数据挖掘郜梦蕊 发表了文章 • 0 个评论 • 124 次浏览 • 2016-12-22 10:19 • 来自相关话题

         12月17日晚6:30,信管数据挖掘兴趣小组专题分享会第二期于信息管理学院316教室举办。此次分享会主要由四位同学进行分享。分享内容如下:






         首先由15级硕士王腾飞同学分享word2vec的内容。王腾飞先简单介绍了huffman编码、softmax回归等预备知识的内容,以方便大家更容易理解word2vec的内容。然后王腾飞介绍了词向量和统计语言模型的相关知识,其中统计语言模型中涉及到了模型参数的计算方法:n-gram模型、决策树、最大熵模型、最大熵马尔科夫模型、条件随机场和神经网络等算法。作为获得词向量的方法,LSA、LDA和神经概率语言模型都是常用的模型。接着她介绍了word2vec的两个主要模型:其一是基于Hierarchical Softmax框架的CBOW模型,这个模型包括输入层、投影层和输出层三个层次;其二是基于Hierarchical Softmax框架的Skip-gram模型。通过王腾飞同学的分享,大家对word2vec有了一个很好的认识和了解。
 










         接着,16级硕士史昱天以一个很有意思的“魔鬼的游戏”的故事引入了SVM(支持向量机)算法,很形象地指出了SVM算法是用来干什么的,并通过类比引入了SVM算法里面的数据、分类器、最优化、核函数和超平面等概念。史昱天同学分享了SVM算法的优点,即我们为什么选择SVM算法来解决很多问题。后面是SVM算法的重点:SVM算法是怎么实现的?史昱天同学介绍了假设函数、映射函数、分类函数等知识,并指出了理解SVM算法实现过程的有效方法是记住“最小距离最大化”,这也是是SVM的目的。他接下来介绍了SVM算法求解过程中必不可少的几何距离的概念,以及求解过程主要用到的拉格朗日乘子法。当然,其推导过程涉及到了很多公式,不过在史昱天同学的仔细讲解下,大家对其构造和推导过程有了一定了解。再深入一层次,SVM可以处理非线性可分的数据,可以通过将数据向量映射到高维空间来实现。






         后面,由15级硕士孟凡赛介绍一下LR(逻辑回归)和GBDT(迭代决策树)的主要思想。其中LR是逻辑回归,孟凡赛同学给出了理解其思想的主要方法。对于GBDT,其中GT是决策树,接着分别详细介绍了回归树分类模型和GBDT分类模型的例子。然后介绍了DT和GBDT的区别,即指出了二者在模型过拟合方面的相关内容;LR和GBDT在模型本身、数据需求和特征选择方面的差别,鉴于LR和GBDT的优缺点,将二者融合使用成为一种实用性很强的方法。






         最后,由15级硕士戚尔鹏分享最大熵模型的有关内容。首先,戚尔鹏同学先指出了机器学习中监督学习模型包括概率模型和非概率模型。最大熵模型属于概率模型,其中,“熵”的概念及其公式很重要。然后展示了最大熵模型的推导公式和最大熵原理——“选择熵最大的模型”,并展示了一个最大熵模型的例子。紧接着,又以统计建模形式的角度对最大熵模型进行了介绍,给大家展示了模型的经验分布、特征函数等内容,使得大家对最大熵模型的理解更进一个层次。












感谢四位同学的分享,感谢李新春同学认真细致的会议记录!本次分享会成功举办,会上大家进行了积极地讨论与交流,让我们一起共同学习,共同进步吧!

附上相关资料链接:
【word2vec】
http://121.196.217.92/?/article/45 
【SVM】
http://121.196.217.92/?/article/57 
【LR和GBDT的区别】
http://121.196.217.92/?/article/62 
【最大熵模型】
http://121.196.217.92/?/article/52 

                                                     查看全部
         12月17日晚6:30,信管数据挖掘兴趣小组专题分享会第二期于信息管理学院316教室举办。此次分享会主要由四位同学进行分享。分享内容如下:

目录.PNG


         首先由15级硕士王腾飞同学分享word2vec的内容。王腾飞先简单介绍了huffman编码、softmax回归等预备知识的内容,以方便大家更容易理解word2vec的内容。然后王腾飞介绍了词向量和统计语言模型的相关知识,其中统计语言模型中涉及到了模型参数的计算方法:n-gram模型、决策树、最大熵模型、最大熵马尔科夫模型、条件随机场和神经网络等算法。作为获得词向量的方法,LSA、LDA和神经概率语言模型都是常用的模型。接着她介绍了word2vec的两个主要模型:其一是基于Hierarchical Softmax框架的CBOW模型,这个模型包括输入层、投影层和输出层三个层次;其二是基于Hierarchical Softmax框架的Skip-gram模型。通过王腾飞同学的分享,大家对word2vec有了一个很好的认识和了解。
 
2.jpg


1.jpg


         接着,16级硕士史昱天以一个很有意思的“魔鬼的游戏”的故事引入了SVM(支持向量机)算法,很形象地指出了SVM算法是用来干什么的,并通过类比引入了SVM算法里面的数据、分类器、最优化、核函数和超平面等概念。史昱天同学分享了SVM算法的优点,即我们为什么选择SVM算法来解决很多问题。后面是SVM算法的重点:SVM算法是怎么实现的?史昱天同学介绍了假设函数、映射函数、分类函数等知识,并指出了理解SVM算法实现过程的有效方法是记住“最小距离最大化”,这也是是SVM的目的。他接下来介绍了SVM算法求解过程中必不可少的几何距离的概念,以及求解过程主要用到的拉格朗日乘子法。当然,其推导过程涉及到了很多公式,不过在史昱天同学的仔细讲解下,大家对其构造和推导过程有了一定了解。再深入一层次,SVM可以处理非线性可分的数据,可以通过将数据向量映射到高维空间来实现。

3.jpg


         后面,由15级硕士孟凡赛介绍一下LR(逻辑回归)和GBDT(迭代决策树)的主要思想。其中LR是逻辑回归,孟凡赛同学给出了理解其思想的主要方法。对于GBDT,其中GT是决策树,接着分别详细介绍了回归树分类模型和GBDT分类模型的例子。然后介绍了DT和GBDT的区别,即指出了二者在模型过拟合方面的相关内容;LR和GBDT在模型本身、数据需求和特征选择方面的差别,鉴于LR和GBDT的优缺点,将二者融合使用成为一种实用性很强的方法。

4.jpg


         最后,由15级硕士戚尔鹏分享最大熵模型的有关内容。首先,戚尔鹏同学先指出了机器学习中监督学习模型包括概率模型和非概率模型。最大熵模型属于概率模型,其中,“熵”的概念及其公式很重要。然后展示了最大熵模型的推导公式和最大熵原理——“选择熵最大的模型”,并展示了一个最大熵模型的例子。紧接着,又以统计建模形式的角度对最大熵模型进行了介绍,给大家展示了模型的经验分布、特征函数等内容,使得大家对最大熵模型的理解更进一个层次。

5.jpg


6.jpg



感谢四位同学的分享,感谢李新春同学认真细致的会议记录!本次分享会成功举办,会上大家进行了积极地讨论与交流,让我们一起共同学习,共同进步吧!

附上相关资料链接:
【word2vec】
http://121.196.217.92/?/article/45 
【SVM】
http://121.196.217.92/?/article/57 
【LR和GBDT的区别】
http://121.196.217.92/?/article/62 
【最大熵模型】
http://121.196.217.92/?/article/52 

                                                    

约束优化问题

数据挖掘王开新 发表了文章 • 0 个评论 • 68 次浏览 • 2016-12-20 22:52 • 来自相关话题

例行转载
约束优化与机器学习中不少算法都有关系
 
约束优化问题
 
 
例行转载
约束优化与机器学习中不少算法都有关系
 
约束优化问题
 
 

深度学习tensorflow入门-5

数据挖掘张帅 发表了文章 • 1 个评论 • 81 次浏览 • 2016-12-17 14:43 • 来自相关话题

线性模型,以及wide and deep learning 查看全部

SVM能否用于回归分析以及用法

数据挖掘徐铭 发表了文章 • 0 个评论 • 347 次浏览 • 2016-12-15 00:57 • 来自相关话题

分类与回归:
分类问题和回归问题都要根据训练样本找到一个实值函数g(x).
回归问题的要求是:给定一个新的模式,根据训练集推断它所对应的输出y(实数)是多少。也就是使用y=g(x)来推断任一输入x所对应的输出值。
分类问题是:给定一个新的模式,根据训练集推断它所对应的类别(如:+1,-1)。也就是使用y=sign(g(x))来推断任一输入x所对应的类别。
综上,回归问题和分类问题的本质一样,不同仅在于他们的输出的取值范围不同。分类问题中,输出只允许取两个值;而在回归问题中,输出可取任意实数。Svm是经典的分类模型。
Svm:
支持向量机(support vector machine)是一种分类算法,通过寻求结构化风险最小来提高学习机泛化能力,实现经验风险和置信范围的最小化,从而达到在统计样本量较少的情况下,亦能获得良好统计规律的目的。通俗来讲,它是一种二类分类模型,其基本模型定义为特征空间上的间隔最大的线性分类,器,即支持向量机的学习策略便是间隔最大化,最终可转化为一个凸二次规划问题的求解。
如果想详细了解svm,在这我推荐一篇入门级的svm学习文章,写的比较啰嗦,但十分详细。http://www.dataguru.cn/thread-371987-1-1.html;
Svm用于回归分析:
Svm可以用来做回归分析,其基础主要是通过升维后,在高维空间中构造线性决策函数来实现线性回归,用e不敏感函数时,其基础主要是 e 不敏感函数和核函数算法。
若将拟合的数学模型表达多维空间的某一曲线,则根据e 不敏感函数所得的结果,就是包括该曲线和训练点的“ e管道”。在所有样本点中,只有分布在“管壁”上的那一部分样本点决定管道的位置。这一部分训练样本称为“支持向量”。为适应训练样本集的非线性,传统的拟合方法通常是在线性方程后面加高阶项。此法诚然有效,但由此增加的可调参数未免增加了过拟合的风险。支持向量回归算法采用核函数解决这一矛盾。用核函数代替线性方程中的线性项可以使原来的线性算法“非线性化”,即能做非线性回归。与此同时,引进核函数达到了“升维”的目的,而增加的可调参数是过拟合依然能控制。
详细了解具体步骤的可参考“SVM解回归问题”此贴:http://blog.csdn.net/luoshixia ... 21767,此处就不再重复叙述。
参考文献:
关于SVM一篇比较全介绍的博文:http://www.dataguru.cn/thread-371987-1-1.html
SVM解回归问题:http://blog.csdn.net/luoshixia ... 21767
svm分类与回归:http://www.cnblogs.com/houkai/p/3331101.html
支持向量机(SVM)、支持向量回归(SVR):http://blog.csdn.net/liulina60 ... 56009 查看全部
分类与回归:
分类问题和回归问题都要根据训练样本找到一个实值函数g(x).
回归问题的要求是:给定一个新的模式,根据训练集推断它所对应的输出y(实数)是多少。也就是使用y=g(x)来推断任一输入x所对应的输出值。
分类问题是:给定一个新的模式,根据训练集推断它所对应的类别(如:+1,-1)。也就是使用y=sign(g(x))来推断任一输入x所对应的类别。
综上,回归问题和分类问题的本质一样,不同仅在于他们的输出的取值范围不同。分类问题中,输出只允许取两个值;而在回归问题中,输出可取任意实数。Svm是经典的分类模型。
Svm:
支持向量机(support vector machine)是一种分类算法,通过寻求结构化风险最小来提高学习机泛化能力,实现经验风险和置信范围的最小化,从而达到在统计样本量较少的情况下,亦能获得良好统计规律的目的。通俗来讲,它是一种二类分类模型,其基本模型定义为特征空间上的间隔最大的线性分类,器,即支持向量机的学习策略便是间隔最大化,最终可转化为一个凸二次规划问题的求解。
如果想详细了解svm,在这我推荐一篇入门级的svm学习文章,写的比较啰嗦,但十分详细。http://www.dataguru.cn/thread-371987-1-1.html
Svm用于回归分析:
Svm可以用来做回归分析,其基础主要是通过升维后,在高维空间中构造线性决策函数来实现线性回归,用e不敏感函数时,其基础主要是 e 不敏感函数和核函数算法。
若将拟合的数学模型表达多维空间的某一曲线,则根据e 不敏感函数所得的结果,就是包括该曲线和训练点的“ e管道”。在所有样本点中,只有分布在“管壁”上的那一部分样本点决定管道的位置。这一部分训练样本称为“支持向量”。为适应训练样本集的非线性,传统的拟合方法通常是在线性方程后面加高阶项。此法诚然有效,但由此增加的可调参数未免增加了过拟合的风险。支持向量回归算法采用核函数解决这一矛盾。用核函数代替线性方程中的线性项可以使原来的线性算法“非线性化”,即能做非线性回归。与此同时,引进核函数达到了“升维”的目的,而增加的可调参数是过拟合依然能控制。
详细了解具体步骤的可参考“SVM解回归问题”此贴:http://blog.csdn.net/luoshixia ... 21767,此处就不再重复叙述。
参考文献:
关于SVM一篇比较全介绍的博文:http://www.dataguru.cn/thread-371987-1-1.html
SVM解回归问题:http://blog.csdn.net/luoshixia ... 21767
svm分类与回归:http://www.cnblogs.com/houkai/p/3331101.html
支持向量机(SVM)、支持向量回归(SVR):http://blog.csdn.net/liulina60 ... 56009