工業(yè)大數(shù)據(jù)與工業(yè)4.0的關(guān)系

科多大數(shù)據(jù)帶你來(lái)看看機(jī)器學(xué)習(xí)及大數(shù)據(jù)相關(guān)面試的職責(zé)和面試問(wèn)題有哪些店茶。

機(jī)器學(xué)習(xí)、大數(shù)據(jù)相關(guān)崗位的職責(zé)

根據(jù)業(yè)務(wù)的不同屹篓,崗位職責(zé)大概分為:

1技肩、平臺(tái)搭建類(lèi)

· 數(shù)據(jù)計(jì)算平臺(tái)搭建,基礎(chǔ)算法實(shí)現(xiàn)酒甸,當(dāng)然魄健,要求支持大樣本量、高維度數(shù)據(jù)插勤,所以可能還需要底層開(kāi)發(fā)、并行計(jì)算、分布式計(jì)算等方面的知識(shí)讥蔽;

2剧浸、算法研究類(lèi)

·文本挖掘,如領(lǐng)域知識(shí)圖譜構(gòu)建盛卡、垃圾短信過(guò)濾等助隧;

·推薦,廣告推薦窟扑、APP 推薦喇颁、題目推薦、新聞推薦等嚎货;

·排序橘霎,搜索結(jié)果排序、廣告排序等殖属;

·其它姐叁,· 廣告投放效果分析;· 互聯(lián)網(wǎng)信用評(píng)價(jià)洗显;· 圖像識(shí)別外潜、理解。

3挠唆、數(shù)據(jù)挖掘類(lèi)

· 商業(yè)智能处窥,如統(tǒng)計(jì)報(bào)表;

· 用戶體驗(yàn)分析玄组,預(yù)測(cè)流失用戶滔驾。

以下首先介紹面試中遇到的一些真實(shí)問(wèn)題,然后談一談答題和面試準(zhǔn)備上的建議俄讹。

面試問(wèn)題

1哆致、你在研究/項(xiàng)目/實(shí)習(xí)經(jīng)歷中主要用過(guò)哪些機(jī)器學(xué)習(xí)/數(shù)據(jù)挖掘的算法?

2患膛、你熟悉的機(jī)器學(xué)習(xí)/數(shù)據(jù)挖掘算法主要有哪些摊阀?

3、你用過(guò)哪些機(jī)器學(xué)習(xí)/數(shù)據(jù)挖掘工具或框架?

4胞此、基礎(chǔ)知識(shí)· 無(wú)監(jiān)督和有監(jiān)督算法的區(qū)別臣咖?· SVM 的推導(dǎo),特性豌鹤?多分類(lèi)怎么處理亡哄?· LR 的推導(dǎo),特性布疙?· 決策樹(shù)的特性蚊惯?· SVM、LR灵临、決策樹(shù)的對(duì)比截型?· GBDT 和決策森林的區(qū)別?· 如何判斷函數(shù)凸或非凸儒溉?· 解釋對(duì)偶的概念宦焦。· 如何進(jìn)行特征選擇顿涣?· 為什么會(huì)產(chǎn)生過(guò)擬合波闹,有哪些方法可以預(yù)防或克服過(guò)擬合?· 介紹卷積神經(jīng)網(wǎng)絡(luò)涛碑,和 DBN 有什么區(qū)別精堕?· 采用 EM 算法求解的模型有哪些,為什么不用牛頓法或梯度下降法蒲障?· 用EM 算法推導(dǎo)解釋 Kmeans歹篓。· 用過(guò)哪些聚類(lèi)算法揉阎,解釋密度聚類(lèi)算法庄撮。· 聚類(lèi)算法中的距離度量有哪些毙籽?· 如何進(jìn)行實(shí)體識(shí)別洞斯?· 解釋貝葉斯公式和樸素貝葉斯分類(lèi)】由模· 寫(xiě)一個(gè) Hadoop 版本的 wordcount· ……

5巡扇、開(kāi)放問(wèn)題

· 給你公司內(nèi)部群組的聊天記錄,怎樣區(qū)分出主管和員工垮衷?

· 如何評(píng)估網(wǎng)站內(nèi)容的真實(shí)性(針對(duì)代刷、作弊類(lèi))乖坠?

· 深度學(xué)習(xí)在推薦系統(tǒng)上可能有怎樣的發(fā)揮搀突?

· 路段平均車(chē)速反映了路況,在道路上布控采集車(chē)輛速度熊泵,如何對(duì)路況做出合理估計(jì)仰迁?采集數(shù)據(jù)中的異常值如何處理甸昏?

· 如何根據(jù)語(yǔ)料計(jì)算兩個(gè)詞詞義的相似度?

· 在百度貼吧里發(fā)布 APP 廣告徐许,問(wèn)推薦策略施蜜?

· 如何判斷自己實(shí)現(xiàn)的 LR、Kmeans 算法是否正確雌隅?

· 100億數(shù)字翻默,怎么統(tǒng)計(jì)前100大的?

· ……

答題思路

1恰起、用過(guò)什么算法修械?

· 最好是在項(xiàng)目/實(shí)習(xí)的大數(shù)據(jù)場(chǎng)景里用過(guò),比如推薦里用過(guò) CF检盼、LR肯污,分類(lèi)里用過(guò) SVM、GBDT吨枉;

· 一般用法是什么蹦渣,是不是自己實(shí)現(xiàn)的,有什么比較知名的實(shí)現(xiàn)貌亭,使用過(guò)程中踩過(guò)哪些坑柬唯;

· 優(yōu)缺點(diǎn)分析。

2属提、熟悉的算法有哪些权逗?

· 基礎(chǔ)算法要多說(shuō),其它算法要挑熟悉程度高的說(shuō)冤议,不光列舉算法斟薇,也適當(dāng)說(shuō)說(shuō)應(yīng)用場(chǎng)合;

· 面試官和你的研究方向可能不匹配恕酸,不過(guò)在基礎(chǔ)算法上你們還是有很多共同語(yǔ)言的堪滨,你說(shuō)得太高大上可能效果并不好,一方面面試官還是要問(wèn)基礎(chǔ)的蕊温,另一方面一旦面試官突發(fā)奇想讓你給他講解高大上的內(nèi)容袱箱,而你只是泛泛的了解,那就傻叉了义矛。

3发笔、用過(guò)哪些框架/算法包?

· 主流的分布式框架如 Hadoop凉翻,Spark了讨,Graphlab,Parameter Server 等擇一或多使用了解;

· 通用算法包前计,如 mahout胞谭,scikit,weka 等男杈;

· 專用算法包丈屹,如 opencv,theano伶棒,torch7旺垒,ICTCLAS 等。

4苞冯、基礎(chǔ)知識(shí)

· 個(gè)人感覺(jué)高頻話題是 SVM袖牙、LR、決策樹(shù)(決策森林)和聚類(lèi)算法舅锄,要重點(diǎn)準(zhǔn)備鞭达;

· 算法要從以下幾個(gè)方面來(lái)掌握產(chǎn)生背景,適用場(chǎng)合(數(shù)據(jù)規(guī)模皇忿,特征維度畴蹭,是否有 Online 算法,離散/連續(xù)特征處理等角度)鳍烁;原理推導(dǎo)(最大間隔叨襟,軟間隔,對(duì)偶)幔荒;求解方法(隨機(jī)梯度下降糊闽、擬牛頓法等優(yōu)化算法);優(yōu)缺點(diǎn)爹梁,相關(guān)改進(jìn)右犹;和其他基本方法的對(duì)比;

· 不能停留在能看懂的程度姚垃,還要對(duì)知識(shí)進(jìn)行結(jié)構(gòu)化整理念链,比如撰寫(xiě)自己的 cheet sheet,我覺(jué)得面試是在有限時(shí)間內(nèi)向面試官輸出自己知識(shí)的過(guò)程积糯,如果僅僅是在面試現(xiàn)場(chǎng)才開(kāi)始調(diào)動(dòng)知識(shí)掂墓、組織表達(dá),總還是不如系統(tǒng)的梳理準(zhǔn)備看成;從面試官的角度多問(wèn)自己一些問(wèn)題君编,通過(guò)查找資料總結(jié)出全面的解答,比如如何預(yù)防或克服過(guò)擬合川慌。

5啦粹、開(kāi)放問(wèn)題

· 由于問(wèn)題具有綜合性和開(kāi)放性偿荷,所以不僅僅考察對(duì)算法的了解,還需要足夠的實(shí)戰(zhàn)經(jīng)驗(yàn)作基礎(chǔ)唠椭;

·先不要考慮完善性或可實(shí)現(xiàn)性,調(diào)動(dòng)你的一切知識(shí)儲(chǔ)備和經(jīng)驗(yàn)儲(chǔ)備去設(shè)計(jì)忍饰,有多少說(shuō)多少贪嫂,想到什么說(shuō)什么,方案都是在你和面試官討論的過(guò)程里逐步完善的艾蓝,不過(guò)面試官有兩種風(fēng)格:引導(dǎo)你思考考慮不周之處 or 指責(zé)你沒(méi)有考慮到某些情況力崇,遇到后者的話還請(qǐng)注意靈活調(diào)整答題策略。

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末赢织,一起剝皮案震驚了整個(gè)濱河市亮靴,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌于置,老刑警劉巖茧吊,帶你破解...
    沈念sama閱讀 219,539評(píng)論 6 508
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場(chǎng)離奇詭異八毯,居然都是意外死亡搓侄,警方通過(guò)查閱死者的電腦和手機(jī),發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 93,594評(píng)論 3 396
  • 文/潘曉璐 我一進(jìn)店門(mén)话速,熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái)讶踪,“玉大人,你說(shuō)我怎么就攤上這事泊交∪榧ィ” “怎么了?”我有些...
    開(kāi)封第一講書(shū)人閱讀 165,871評(píng)論 0 356
  • 文/不壞的土叔 我叫張陵廓俭,是天一觀的道長(zhǎng)云石。 經(jīng)常有香客問(wèn)我,道長(zhǎng)白指,這世上最難降的妖魔是什么留晚? 我笑而不...
    開(kāi)封第一講書(shū)人閱讀 58,963評(píng)論 1 295
  • 正文 為了忘掉前任,我火速辦了婚禮告嘲,結(jié)果婚禮上错维,老公的妹妹穿的比我還像新娘。我一直安慰自己橄唬,他們只是感情好赋焕,可當(dāng)我...
    茶點(diǎn)故事閱讀 67,984評(píng)論 6 393
  • 文/花漫 我一把揭開(kāi)白布。 她就那樣靜靜地躺著仰楚,像睡著了一般隆判。 火紅的嫁衣襯著肌膚如雪犬庇。 梳的紋絲不亂的頭發(fā)上,一...
    開(kāi)封第一講書(shū)人閱讀 51,763評(píng)論 1 307
  • 那天侨嘀,我揣著相機(jī)與錄音臭挽,去河邊找鬼。 笑死咬腕,一個(gè)胖子當(dāng)著我的面吹牛欢峰,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播涨共,決...
    沈念sama閱讀 40,468評(píng)論 3 420
  • 文/蒼蘭香墨 我猛地睜開(kāi)眼纽帖,長(zhǎng)吁一口氣:“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼!你這毒婦竟也來(lái)了举反?” 一聲冷哼從身側(cè)響起懊直,我...
    開(kāi)封第一講書(shū)人閱讀 39,357評(píng)論 0 276
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤,失蹤者是張志新(化名)和其女友劉穎火鼻,沒(méi)想到半個(gè)月后室囊,有當(dāng)?shù)厝嗽跇?shù)林里發(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 45,850評(píng)論 1 317
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡凝危,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 38,002評(píng)論 3 338
  • 正文 我和宋清朗相戀三年波俄,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片蛾默。...
    茶點(diǎn)故事閱讀 40,144評(píng)論 1 351
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡懦铺,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出支鸡,到底是詐尸還是另有隱情冬念,我是刑警寧澤,帶...
    沈念sama閱讀 35,823評(píng)論 5 346
  • 正文 年R本政府宣布牧挣,位于F島的核電站急前,受9級(jí)特大地震影響,放射性物質(zhì)發(fā)生泄漏瀑构。R本人自食惡果不足惜裆针,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 41,483評(píng)論 3 331
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望寺晌。 院中可真熱鬧世吨,春花似錦、人聲如沸呻征。這莊子的主人今日做“春日...
    開(kāi)封第一講書(shū)人閱讀 32,026評(píng)論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)陆赋。三九已至沐祷,卻和暖如春嚷闭,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背赖临。 一陣腳步聲響...
    開(kāi)封第一講書(shū)人閱讀 33,150評(píng)論 1 272
  • 我被黑心中介騙來(lái)泰國(guó)打工胞锰, 沒(méi)想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留,地道東北人兢榨。 一個(gè)月前我還...
    沈念sama閱讀 48,415評(píng)論 3 373
  • 正文 我出身青樓胜蛉,卻偏偏與公主長(zhǎng)得像,于是被迫代替她去往敵國(guó)和親色乾。 傳聞我的和親對(duì)象是個(gè)殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 45,092評(píng)論 2 355

推薦閱讀更多精彩內(nèi)容