再次还愿， 已OC

来还愿了，已云证，希望毛教员能保佑我有OC吧😂

投简历的时候选的方向是机器学习，我运气非常不错，几次面试总体来说问得都很简单，写的算法题也都非常简单。目前的流程已经走了3次技术面，期间在牛客网上看了很多面试贴，因此来牛客网上写个面经回馈一下，顺便许个愿，希望好运能持续下去。

一面（电话）

3.26

• 详细介绍简历中19年的流量预测比赛
• 介绍使用spark的经验
• 算法题：leetcode 633，给定一个非负整数a，判断a能否由2个整数的平方凑出来

一面问到的知识点

1. 逻辑回归特征是否归一化
2. 什么样的模型需要特征归一化
3. 如何判断过拟合
4. 有哪些解决过拟合的方法
5. python 深拷贝 浅拷贝
6. python do until
7. 在spark中，如何处理数据倾斜

一面（换了个面试流程）（视频）

3.29号上午

• 详细介绍简历中的两个项目
• 询问如何在轨迹数据十分稀疏的场景，判断轨迹之间的关联
• 详细介绍19年的比赛
• 算法题：leetcode 442 给定一个整数数组 a，其中1<=a[i]<=n（n为数组长度）,元素出现两次或一次，找出所有出现两次的元素

一面问到的知识点

1. 特征工程有哪些
2. 解决过拟合的方法
3. lasso和ridge的区别
4. lgb和xgb的区别
5. xgb和gbdt的区别
6. xgb的block结构
7. 稀疏特征的处理方式

二面（电话）

3.29下午

• 详细介绍异常检测相关的工作
• 给了一个具体应用场景，让我给出将我的模型应用进去的方案
• 简历中3个比赛都简单介绍了一下
• 问了一下是否了解去年腾讯的ctr预估的比赛
• 询问为什么没有使用 wide&deep 这个模型来进行学生行为预测（简历中的一个比赛）
• 算法题：判断回文子串

二面问到的知识点

1. GMM
2. GMM如何做异常检测
3. lgb、xgb、gbdt三者之间的异同
4. xgb最新包都有哪些更新
5. 频率学派与贝叶斯学派的差别
6. 偏差与方差
7. xgb的系统设计做了哪些优化
8. bert
9. Batch Normalization的作用
10. spark sql中UDF如何实现
11. UDF如何传入多个参数
12. 往UDF中传入固定参数有什么需要注意的地方
13. spark中如何处理数据倾斜
14. NN初始化的时候，能否把参数都初始化为0
15. 样本不均衡的处理办法
16. focal loss

三面（电话）

3.31

• 详细介绍项目中的异常检测工作
• 简单介绍简历上的3个比赛
• 简历中的3个比赛给我带来了什么成长
• 实验室两个项目给我带来的成长
• 平常如何获取前沿的学术信息
• 平常有没有对前沿的模型进行实现
• 实验室是否放实习
• 除了机器学习，是否了解过其他领域

面试结束前问了面试官是否还有技术面，面试官回复应该没有了，但会有hr面。希望能有hr面吧