如何看待毕业一年半,就能拿了年薪70W大厂OFFER的专科生!

KNN算法原理 k-NearestNeighbor,翻译为K最近邻算法,是数据挖掘算法中最简单的一种算法。 我们先用一个例子体会下。 我们很容易知道,这些电影的类型,那么当有一部新电影出现的时候, 可不可以对其进行自动分类了? 我们可以把打斗次数看成 X 轴,接吻次数看成 Y 轴,然后在二维的坐标轴上,对这几部电影进行标记,如下图所示。 对于未知的电影 A,坐标为 (x,y),我们需要看下离电影 A 最近的... 阅读详情

自我介绍

对于很多没有学历优势的人来说,面试大厂是非常困难的,这对我而言,也是一样,出身于专科,原本以为就三点一线的生活度过一生,直到家里发生变故,才让我有了新的想法和目标,因此我这个专科渣渣也奋斗了起来,竟拿下了美团点评。今天分享这波面经,主要是希望能够激励到同样被学历所困扰的技术人,能够对职业生涯和技术规划有一个参考价值,感谢!

一、大厂离你并不远

去年年底开始,各种经济下行的声音此起彼伏,大多数人不敢轻易跳槽,出于“别人恐惧时我贪婪”的准则,当时也是抱着试一试的态度看看外面的行情。出来后发现其实没有想象中那么差,只要你有较好的能力,还是有公司会给你机会的。

由于疫情和年底假期的影响,这次面试差不多跨度两个月的时间,国内的几个大厂(阿里、腾讯,头条和拼多多等)基本都面了,也拿到了相应的offer,最大的感受是,自己在变得越来越好,付出的努力终会有人来给你加冕。

数据挖掘岗和数据分析岗都有相应的offer,年薪最高的差不多在65W左右,具体拿了哪些公司的offer和每个公司对应的情况就不具体说了,如果你碰巧也有一些offer选择或者面试相关的问题可以后台加我微信,私下讨论。

二、如何准备面试

首先是刷LeetCode,其次是把常用机器学习算法的原理和实现都仔细熟悉了一遍,最好做到能手动推导,然后就是熟悉好自己之前做的项目(这个是最重要的,也是面试官最看重的部分),其他就是一些比较虚的内容了,比如你的自我介绍,职业规划以及你选择每一家公司的理由,虽然这些是虚的,但其实我建议你可以认真想想,做好职业规划很重要,你的选择也反映了你对自己的认知。

LeetCode:刷题节奏大概是easy阶段每天10道,medium阶段一天做8道,hard阶段随缘2~4道。其实我没什么刷题的习惯,这个量也是别人推荐的,但如果做题较少的话,很难发现同类题目的共性,没有掌握LeetCode的套路。这次刷题也不算多,接下来准备好好玩一下LeetCode。

常用机器学习算法:

整理了比较常用的机器学习算法,包括:

  • 线性回归

  • 逻辑回归

  • 决策树

  • 随机森林

  • 支持向量机

  • 朴素贝叶斯

  • KNN 算法

  • K-Means算法

  • 提升方法(Boosting)

  • GBDT

  • 优化算法

  • 卷积神经网络

各个算法的基本原理,优缺点都要较好地掌握,最好能做到推导算法。

面试中的常见算法问题(这部分在数据分析岗面试时,涉及较少):

  • GDBT、XGBoost、LightGBM这三个算法的区别,尤其XGB算是目前业界应用相当广泛的机器学习方法

  • LSTM(GRU)每个门的作用,最好都能熟悉好,虽然这类问题偏算法,但数据岗其实免不了和算法组打交道,熟悉这些可以更好地与他们沟通

  • K-Fold交叉验证常用来确定不同类型的模型(线性、指数等)哪一种更好

  • K-Means的基本过程、k怎么选择;为什么最后聚类中心点可以收敛

  • K-Means的距离可以选择哪几种,适用场景分别是哪样的

  • KNN和K-Means的区别

  • 随机森林相关的问题:基本原理,为啥随机森林是随机,随机森林跟普通bagging的区别是什么,随机森林得到的变量重要性排序的原理是什么

  • LR、SVM损失函数形式和推导过程

  • LR中阈值的设置对模型的影响,LR怎么实现的多分类

  • 如何防止过拟合和欠拟合

项目经历:这部分可以好好准备一下,仔细复盘下曾经负责的项目,想好每一个细节,一定要确保你是真实参与其中,且熟悉整个项目流程的,不然你有可能会被challenge到不知道说什么。

在各个论坛也有很多面试经验,面试前多看看,一定会有收获的。

我也在整理一篇面试经验,到时会分享给大家。
在这里插入图片描述

三、如何选择OFFER

先说一下自己选择的几个大的原则吧:

1)一定要对即将要做的内容感兴趣

2)行业有比较好的发展空间

3)大平台

4)薪资要高

5)3年后再跳出来时议价能力强

主要是这几个方面,当然每个人在不同的时间节点,所看重的东西是不一样的,因为我刚毕业不久,所以会把以后的发展空间看得更重要一些,如果到达一定水平后,薪资的影响肯定会更大一些。

最近由于比较offer也逛了脉脉,各种吐槽,勾心斗角,派系争斗,眼花缭乱,不能说里面说的都不对吧,但是肯定会有幸存者偏差,很多人是因为在工作中遇到了不开心的事,从而喜欢在脉脉上吐槽,并不能代表所有人的想法,也不能反映真实的职场,大家可以看,但千万不要把那些当做职场的全部。

另外就是由于每个人所处的位置不一样,里面啥建议都有,所以选啥还得看自己。

四、职业生涯还有很长

毕业一年半,职业生涯的easy part刚刚过去,接下来的成长肯定会比较缓慢,所以需要去一个强度更高的地方打磨自己,不管选择去哪里,都别辜负时光,只要不辜负时光,不管去哪里都不会后悔。

由于刚毕业不久,我还是很谨慎地告诉自己要把眼光看得更长远一点,看看所在的行业找5年工作经验的是什么工资,这一次永远是为下一次准备的,当你很纠结如何选择时,看看3年后或者5年后,在不同地方出来的薪资在什么水平,其他的就交给时间吧!

是不是觉得,说了这么多,也没透露会去哪?

会知道的!

接下来会给大家分享更好的内容,会更多地把自己的一些看法和感悟写下来,希望继续与你们一起学习,一起成长!

最近和很多人说了我的困惑,非常感谢大家帮我分析,也给了我非常靠谱的建议。

你的人生即将踏入一条新的道路,请抱着激动好奇的心情好好开始吧~

经验分享

(点赞后可免费获取)

我的学习笔记和每个阶段该学的知识都放在以下的学习思维脑图里了,因为是跨专业所以知识点很细,也算比较全,需要的可以自己保存下载,如果需要xmind版本的,自己添加学习知识点的,可以查看我的【GitHub】免费分享给你!(笔记是对应思维脑图的,每个知识点细节都有详细讲解,需要的同样查看我的GitHub我分享给你)

需要的可以 思维脑图和对应学习笔记的朋友,【点击获取】
  • 大厂面试笔记(包含面试题+解析+面试HR必备知识+学习Android基础—高级知识点)

    2020-2021BATJZ大厂面试精编解析
    GitHub,学习知识点

    在这里插入图片描述
【AI概念】K均值聚类(K-Means Clustering)与K-近邻算法(KNN)是什麽?有什么区别?机器学习中担任什么角色?|算法流程与数学推导、典型代码实现、工程应用建议|聚类、回归、分类任务 大家好,我是爱酱。本篇将会系统梳理K-Means聚类与K-最近邻(KNN)的定义、核心思想、主要区别、机器学习中的典型应用与工程意义。内容适合初学者和进阶读者,配合公式和对比表格,帮助你一文看懂两大经典算法。 注:本文章含大量数学算式、详细例子说明及大量代码演示,大量干货,建议先收藏再慢慢观看理解。新频道发展不易,你们的每个赞、收藏跟转发都是我继续分享的动力! 爱酱也单独发过K-近邻算法和K均值聚类的单独文章介绍,内容非常深入,并包含大量代码演示跟范例,欢迎大家去看看,加深对这两个算法的了解! 阅读详情

相关推荐

在R中使用支持向量机(SVM)进行数据挖掘(上)

在R中,可以使用e1071软件包所提供的各种函数来完成基于支持向量机的数据分析与挖掘任务。该包中最重要的一个函数就是用来建立支持向量机模型的svm()函数。我们将结合后面的例子来演示它的用法。

白马负金羁 6万+

KNN和kmeans算法的区别

kmeans和knn

skyllerone的博客 5760

Kali Linux下Havoc框架编译避坑指南:从环境配置到成功运行的全流程

本文提供了在Kali Linux系统上成功编译和运行Havoc开源框架的详细指南。文章重点解析了从Go语言环境配置、系统依赖库安装到交叉编译环境搭建的全流程,并针对编译过程中常见的Qt、Boost及mingw-w64等依赖问题给出了具体的解决方案,帮助安全研究人员绕过常见陷阱,顺利完成环境部署。

weixin_29230865的博客 94

【机器学习笔记】KNN算法和k-means算法对比

中的。用于分类或回归问题,通常用作分类算法。在处理一个未知样本时,先找出训练集中距离K个已知样本,然后根据这K个已知样本的类别标签来预测测试集样本的类别。在分类问题中,通常选择出现作为预测结果;在回归问题中,则计算这K个临近值的作为预测结果。

欢迎关注我的博客 5240

FPGA+滨淞CCD实战:手把手教你搭建S7031/S10142成像电路(附避坑指南)

本文详细介绍了使用FPGA驱动滨淞CCD传感器(S7031/S10142)构建高精度成像系统的完整实战流程。内容涵盖核心器件选型、系统架构规划、电路板(焦面板与接口板)设计要点、FPGA Verilog逻辑实现,并提供了从电源管理、信号调理到数据采集的详细避坑指南,帮助读者从零搭建稳定可靠的成像电路。

weixin_29271263的博客 227

MATLAB安装

Matlab 2016a 安装包及破解教程百度云分享链接: 链接:https://pan.baidu.com/s/1i6BgD8p       密码:17gg   Matlab安装教程: 1、下载文件,得到R2016a_win64.part1.rar、R2016a_win64.part2.rar两部分安装文件和Matlab 2016a Win64 Crack破解文件。 2、解压安装文件(解...

qq_36734094的博客 17万+

KNN与K-means区别?

它基于训练集中的实例样本,通过计算待预测样本与训练集样本之间的距离,找出距离最近的K个样本(即K个最近邻),并根据这K个最近邻的标签或数值进行预测。2. K-means:K-means算法是一种聚类算法,用于将数据集中的样本划分成K个不同的簇。它通过迭代的方式将每个样本分配到距离其最近的簇中心,然后重新计算每个簇的中心点,不断迭代直到簇中心不再变化或达到预定的迭代次数。KNN(K-Nearest Neighbors)和K-means是两种不同的机器学习算法,主要用于不同的问题和任务。

weixin_48331187的博客 825

STM32进入HardFault_Handler时,如何找到问题所在?

当STM32进入HardFault_Handler时,定位问题发生的点

m0_60831979的博客 2149

机器学习——深入理解K-means,KNN算法的区别

K-means方法是一种非监督学习的算法,它解决的是聚类问题。 1、算法简介:K-means方法是聚类中的经典算法,数据挖掘十大经典算法之一;算法接受参数k,然后将事先输入的n个数据对象划分为k个聚类以便使得所获得的聚类满足聚类中的对象相似度较高,而不同聚类中的对象相似度较小。 2、算法思想:以空间中k个点为中心进行聚类,对最靠近他们的对象归类,通过迭代的方法,逐次更新各聚类中心的值,直到得到...

yaochen2507的博客 1152

达梦--利用存储过程与定时任务实现数据自动迁移

本文详细介绍了在达梦数据库中如何结合存储过程与定时任务实现数据自动迁移。通过一个电商订单归档的实战案例,阐述了从设计表结构、编写具备异常处理和幂等性的存储过程,到配置DBMS_SCHEDULER定时任务的全流程。该方法能有效替代手动脚本,确保数据同步任务的稳定、准确与自动化执行,适用于报表准备、数据备份等多种场景。

weixin_29261711的博客 430

Windows下快速搭建MSYS2开发环境(含GCC与MinGW配置)

本文详细介绍了在Windows系统下快速搭建MSYS2开发环境的完整流程。通过使用pacman包管理器,可以便捷地安装GCC编译器与MinGW-w64工具链,并配置系统环境变量。文章还涵盖了从基础安装、系统更新到编译开源项目的实战指南,帮助开发者高效构建原生Windows程序,显著提升C/C++开发效率。

weixin_29213827的博客 538

KMeans算法简介以及其与KNN的区别

KMeans算法是一种无监督的聚类方法,其工作流程如下: (1)在一群无标签的数据中,随机选择k个数据作为簇中心(k是人为选择的) (2)依照某种距离度量,计算除掉这k个数据点的其他数据点到这k个簇中心的距离,将该点划分到离他最近距离的簇中心所属的簇。 (3)计算划分好的簇的质心,使其作为新的簇的中心。 (4)重复(2)到(3)步,直到新的质心与原来的簇的中心相等或者两者的距离小于阈值就停止重新划分 KNN算法是一种监督学习算法,其工作流程如下: (1)当有新的测试样本出现时,计算其到训练集中每个数据点的距

weixin_44111292的博客 1万+

2025年CSP-J初赛真题及答案解析(完整版)

2025年CSP-J初赛真题及答案解析(完整版)

王老师青少年编程 1万+

KNN和k-means聚类有什么不同?

给定一个新的数据点,KNN会查找最接近它的K个已知数据点,并根据这K个数据点的标签(对于分类)或值(对于回归)来进行预测。·K-means:K-means的目标是将数据点分组成簇,使得每个簇的数据点与该簇内的其他点相似度较高,而与其他簇的数据点相似度较低。它的目标是将数据点划分为K个不同的簇,使得每个簇内的数据点都具有相似性,而不同簇之间的数据点具有较大的差异性。·K-means:K-means是一种无监督学习算法,因为它不需要事先知道数据点的标签或值,而是自动将数据点分组成簇。

zy1992As的博客 847

2、探索谷歌云平台(GCP):入门指南

本文全面介绍了谷歌云平台(GCP)的入门知识,涵盖其全球基础设施、核心服务和使用方法。内容包括GCP区域与可用区结构、创建免费账户、配置计算资源(如GCE虚拟机)、存储类型(PD、Filestore、GCS)、网络架构(VPC)、组织与项目管理、身份访问控制(IAM),以及计算、存储、数据库、大数据和人工智能等各类云服务。文章还提供了资源规划、安全管理和成本控制等实用建议,帮助用户快速上手并高效利用GCP构建可扩展的云解决方案。

uber9的博客 254

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

KNN和K-Means傻傻分不清?图解K-Meams算法

点击上方“码农的后花园”,选择“星标”公众号精选文章,第一时间送达之前讲解了有监督学习分类算法KNN,这期讲解无监督学习聚类算法K-Means(也称K-平均,K-均值),我们知道KNN和...

哆啦A梦爱学习的博客 8072

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

数据缺失值的4种处理方法

一、缺失值产生的原因 缺失值的产生的原因多种多样,主要分为机械原因和人为原因。机械原因是由于机械原因导致的数据收集或保存的失败造成的数据缺失,比如数据存储的失败,存储器损坏,机械故障导致某段时间数据未能收集(对于定时数据采集而言)。人为原因是由于人的主观失误、历史局限或有意隐瞒造成的数据缺失,比如,在市场调查中被访人拒绝透露相关问题的答案,或者回答的问题是无效的,数据录入人员失误漏录了...

an05423833476591的博客 1万+

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

Kmeans、Kmeans++和KNN算法比较

K-Means介绍        K-means算法是聚类分析中使用最广泛的算法之一。它把n个对象根据他们的属性分为k个聚类以便使得所获得的聚类满足:同一聚类中的对象相似度较高;而不同聚类中的对象相似度较小。其聚类过程可以用下图表示:         如图所示,数据样本用圆点表示,每个簇的中心点用叉叉表示。(a)刚开始时是原始数据,杂乱无章,没有label,看起来都一样,都是绿色的

chlele0105的专栏 4万+

KNN(K近邻)和K-means(聚类)的区别

KNN(K-Nearest Neighbor)是机器学习中的分类算法,它将距离相近的样本点分为同一类,KNN 中的K指的是近邻个数,也就是最近的K个点,根据它距离最近的K个点的类别来判断属于哪个类别。KNN是有标签的人以群分,物语类聚;近朱者赤,近墨者黑 是 KNN 的核心思想。

整天梦游的小jerry 3894

KNN与K-Means的区别与相似点

KNN与K-Means的区别与相似点 算法性质不同: KNN为可监督的分类算法; K-Means是无监督的聚类算法; 输入数据不同: KNN输入的数据是带label的正确的数据; K-Means输入的是杂乱无章的无label的数据,经过聚类处理后数据才会有一定的规律,由无序到有序; 前期训练过程不同: KNN属于memony based learning,没有明显的前期练过程; K-Means有明显的前期训练过程; K的含义不同: KNN中K的含义:来了一个样本x,要给它分类,即求出它的y,就

gz7seven 1865

KNN和K-Means的区别

KNN和K-Means

LIN2020LOVEDA的博客 618

KNN和K-means聚类有什么不同

KNN 分类算法 监督学习 数据集是带Label的数据 没有明显的训练过程,基于Memory-based learning K值含义 - 对于一个样本X,要给它分类,首先从数据集中,在X附近找离它最近的K个数据点,将它划分为归属于类别最多的一类 K-means 聚类算法 非监督学习 数据集是无Label,杂乱无章的数据 有明显的训练过程 K值含义- K是事先设定的数字,将...

Arthur_Holmes的博客 1879

K近邻法(KNN)与k-Means的区别

K近邻法(KNN)与k-Means也是用户画像中常用的算法了。 今天小生就来解释下这两者之间的区别。 KNN K-Means 目的是为了确定一个点的分类 目的是为了将一系列点集分成k类 KNN是分类算法 K-Means是聚类算法 监督学习,分类目标事先已知 非监督学习,将相似数据归到一起从而得到分类,没有外部分类 训练...

weixin_44519124的博客 1万+

面试回答:KNN和K-Means的区别?

一、KNN和K-Means的区别? 区别 KNN是一种监督学习算法,解决分类问题,而K-Means是非监督学习算法,解决聚类问题。 KNN是人为选定k,含义是考察k个最近的样本,决定未知样本的所属分类,没有明显的训练过程。 K-Means也是人为选定k,含义是k个聚类中心,计算样本到聚类中心的距离,得到初步的聚类结果,再由聚类结果更新聚类中心,迭代直至聚类中心不再变化为止。 相似点 k值得选...

qq_29168809的博客 948

kNN与kMeans聚类算法的区别

KNN K-Means 目的是为了确定一个点的分类 目的是为了将一系列点集分成k类 KNN是分类算法 K-Means是聚类算法 监督学习,分类目标事先已知 非监督学习,将相似数据归到一起从而得到分类,没有外部分类 训练数据集有label,已经是完全正确的数据 训...

weixin_34132768的博客 917
上一篇: 2021据大数据调查-中国的程序员数量是否已经饱和或者过剩?(图多,建议收藏!)
下一篇: 程序员只有本科学历将来的发展会不会受到限制?如何降低“敲门砖”的重要性!
普通网友
博客等级 码龄6年 2029粉丝 15原创
评论 53
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值