这次春招，暂时告一段落，个人很幸运收获了很多的offer，但是今年确实形势确实很难，分享一波面经，攒人品，希望大家秋招一切顺利。
收获的offer（含口头）：微软、腾讯、美团、商汤、cvte中央研究院、三星研究院
凉：momenta（建议目标检测同学）、字节（建议算法牢固，前期没准备好）
个人信息：本硕985（非c9）、天池比赛前20、小厂实习、在投论文
主要从 算法、基础ML理论、网络知识 分享一下个人面试中遇到比较重点的问题，主要是机器学习或者计算机视觉算法相关。
算法
其实个人算法基础很差，2月前leetcode刷了不到30题。
第一步：按tag（比如动态规划），自己随便刷几道，感受总结一下
第二步：找一份比较系统的指南，一个公众号上 labuladong ，算法小抄，个人感觉还不错，推荐
第三步：按上述的总结，自己再按tag补充题目，大概刷了100+道
第四步：刷剑指offer，还有leetcode探索频道的一些公司高频题。总共可以累计刷题200+。
其实个人还是很薄弱，所以其实也并不能很好的分享，个人经历，大概1.5月可以完成上述，前期可以直接看答案，再写题。
基础
Python基础
1.copy和deepcopy
2.lambda
3.生成器、迭代器、装饰器
4.列表和元组
机器学习基础
1.聚类算法，
比如k-means，建议深入细节，比如怎么收敛，为什么有效果
对比其他算法呢，比如高斯混合模型
PCA：实现的两种方式，其中SVD的好处
2.分类算法
核心的是随机森林，比如它属于集成模型，每颗树选取部分特征，类似于dropout
bagging与boast对比理解
逻辑回归的缺点和优点
svm
深度学习基础
1.sigmoid和softmax和relu对比https://m.sohu.com/a/321563936_100118081/?pvid=000115_3w_a&from=groupmessage
2.softmax好处
3.激活函数的意义
4.交叉熵具体，交叉熵如何防止溢出
5.优化方法，adam、sgd、adagard等
6.感受野 ，一个卷积核可以映射的输入图的区域大小
7.神经网络的x、w、bias的形式，可以网上搜一下神经网络求导（维度分析法）
8. 卷积的三种形式
9. 1*1卷积作用
10. dropout 包括参数的设置，还有实现的细节，比如输出/p，从而保证期望相同（重要
11.BN重要，BN优点和细节，比如每一批数据的方差和标准差不同（重要
12.不收敛的原因、优化训练的技巧
13正则化区别，为什么能缓解过拟合
14.loss的理解，比如如何设置多类别的loss，与个人项目相关
常问的网络和结构（基于你的项目
1.mobilenet
2.resnet
3.senet
4.fast-rcnn
全部评论
(15) 回帖