1. 自我介绍
2. 直接上笔试题，中等难度，最长回文串
3. one-hot编码和label-encoder编码区别，分不同情况怎么选择？树模型用哪种？
4. 说一下常见缺失值处理办法
5. 说一下过拟合和欠拟合，以及如何解决过拟合（至少三个）
6. 简单介绍一下XGB,GBDT和RF的原理和区别
7. 深度学习梯度消失的原因有哪些，如何解决？梯度爆炸呢？
8. 常见的评估指标有哪些，回归、分类、图像以及你擅长的项目中。
9. 数据不平衡的处理办法以及如何在评估指标中选择？
10. XGB的常见参数以及它防止过拟合的办法？
11. LSTM和RNN了解吗，简单说一下二者的区别和联系？LSTM除了在门上有改进以外，还有哪些策略值得关注？
12. Spark和scala用过吗，说一下RDD和Dataframe的区别，RDD有数据展示吗？
13. 常见的损失函数以及优化器了解哪些？说一下训练时配置的过程。
14. 说一下你实习的推荐相关的经历，大致流程是怎样的，实现什么目标？
15. 反问：虎牙机器学习算法主要业务方向和技术栈？
答：第一个业务：已有用户的直播界面视频推荐以及直播间的短视频推荐；第二个业务：用户增长广告算法，对僵尸用户和新用户拉活，投放广告和安排等。
总结：一面整体偏基础，基本上都回答上了，深度学习板块的RNN和LSTM了解不深因此说的比较浅，还有就是spark框架也没接触多少，只说了自己在使用过程中的感受。
全部评论
(6) 回帖