1. 特征筛选，怎么找出相似性高的特征并去掉

2. 特征去噪，dbscan等聚类

3. Vae

4. 不用傅里叶变换，其他去噪方式，小波变换

5. 概率与期望的公式

1. svr

1. 场景设计：缺陷识别

2. 你上的研究生课程是哪些

1. 介绍你认为最好的一个项目

2. 为什么xxx问题不使用实例分割

3. 实习得到的模型为什么不能实地应用，跟实际应用差距有多大

4. 前期是怎么做有xxx图案的分类

1. 自我介绍 介绍项目

2. 实习的模型能落地吗

3. 逻辑回归原理

4. 集成学习介绍

5. 反卷积怎么做

6. resnet介绍

7. dropout批归一化介绍

8. 介绍一个排序算法

9.实习中遇到的问题

10. lstm会吗 spark会吗 hadoop会吗（灵魂三问 不会 不会 不会）

11. xgboost介绍

12. 特征数值范围很大怎么办，数值是文本怎么办

13. Unet介绍

1. 项目介绍，问细节

2. 介绍分割网络的loss

3. 介绍生成对抗网络

4. 检索模型的正负样本对设置

5. 对网络本身有没有改进

1. 自我介绍

2. 性格优缺点

3. 是否选择上海

4. 实习获得了什么

5. 能不能来实习，什么时候方便来实习

6. 本科有没有学过编程

7. 本科学生工作中一段有趣的经历

8. 研究对象是啥

1. 自我介绍
2. 为什么选择银行
3. 师兄师姐去银行吗
4. 平时看什么论文
5. 深度学习中数据量不足怎么处理
6. 有对模型进行优化吗
7. 用过哪些深度学习模型
8. 会java吗 会c吗 会sql吗（灵魂三问 不会 不会 不会）
9. 现在使用的数据集的数据量大概多大

1. 自我介绍

2. 介绍你认为最好的一个项目

3. 你的研究对象是什么

4. 为什么要投恒生

5. 为什么要做毕设那个回归问题

电话面：

1. 介绍工作

2. 工作创新点

3. 每个工作的模型是啥

4. 对模型的理解（损失函数优化函数）

5. 如何解决小数据集的过拟合

6. 如何标定数据

7. 有没有想过后续的优化

技术二面：

1.介绍用过的模型，介绍工作的难点

2.梯度爆炸和消失

3.优化器介绍

4.梯度反馈推导

5.激活函数介绍

主管面：

1.介绍一个最优秀的工作

2.讲一下生成对抗

3.模型有没有落地

4.和硕士比的优势

5.有没有写过项目书

6.模型有没有创新

7.对算法工程师的理解

1.介绍项目，问一下项目的细节（但是没有深抠算法）

面得太差了害，主管都忍不住笑了

1. 介绍项目

2. 介绍你的创新点

3. 大数据有接触过吗（没有）

4. 你为啥不投ai算法（简历被刷）

5. 讲一个大数据方向有前景的算法（想半天没想到）

6. 讲一个深度学习方向比较有前景的算法（联邦学习没讲清楚，换了生成对抗）

7. 生成对抗细问（听完不满意）

8. 再给我一次机会：大数据真的不会吗（只会svm pls这种）

【百度】

一面凉经

1. 自我介绍

2. 介绍项目（问网络的结构，训练的时间，训练的结果，训练的环境）

3. Spark，hadoop，NLP（不会三连）

4. 树模型，概率模型

5. Svm的核哪几种

6. Cnn中的channel理解

7. Cnn的梯度爆炸和消失，如何预防

8. 反问：部门做的是内容策略，主要包括推荐和搜索，对象是文本、图和视频，分析里面的地域、时间和情感，抓相关性和匹配程度

携程第二次：单多选（做完一题才下一题）三题编程 120分钟