来源|牛客网
https://m.nowcoder.com/feed/main/detail/19a2c15a27cc44c8aed294014051302e?&headNav=www








墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
400+累计阅读
425平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年,写一次发全网
我也要 →
码龄9年
来源|牛客网
https://m.nowcoder.com/feed/main/detail/19a2c15a27cc44c8aed294014051302e?&headNav=www








当前文章被以下社区和专栏收录:
测试工程师120天AI转型实战:从工具使用到质量保障体系构建
在软件工程领域,自动化测试与质量保障体系是确保产品稳定性的核心环节。其原理在于通过脚本和工具模拟用户操作,验证系统功能,从而提升软件交付效率与可靠性。随着人工智能技术的演进,大语言模型和智能体等AI能力为传统测试工作流带来了范式变革,技术价值体现在通过智能生成、分析与决策,将测试工程师从重复劳动中解放,转向更高阶的质量设计与风险评估。在应用场景上,AI不仅能辅助生成测试用例、自动化脚本,更能构建智能化的日志分析、测试报告洞察与模型评测系统。本文聚焦于测试工程师如何系统化地将AI工具链与评测方法融入工作实践,
算法工程师养成记(附精选面试题)
通往机器学习算法工程师的进阶之路是崎岖险阻的。《线性代数》《统计学习方法》《机器学习》《模式识别》《深度学习》,以及《颈椎病康复指南》,这些书籍将长久地伴随着你的工作生涯。 *编辑配图 除了拥有全面、有条理的知识储备,我认为,想成为一名优秀的算法工程师,更重要的是对算法模型有着发自心底的热忱,对研究工作有一种匠心精神。这种匠心精神,直白来讲,可以概括为:发现问题的眼光...
算法平台开发工程师笔试攻略:从KMP到LRU的考点全解析
在互联网技术招聘中,算法类岗位的笔试往往不仅考察基础算法功底,也检验机器学习与工程落地的综合能力。无论是KMP字符串匹配、Dijkstra最短路径,还是LRU缓存设计,本质上都在考察候选人对数据结构、算法原理和系统设计的理解深度。掌握这些经典算法的核心思想,不仅有助于应对在线笔试中的编程题,更能为后续的算法平台开发、推荐引擎等工程实践打下坚实基础。本文以网易算法平台开发工程师提前批笔试为例,梳理了岗位定位、核心考点、典型真题解法及备考策略,帮助求职者有的放矢地准备这类偏工程的算法岗位。
算法工程师-笔(面)试题汇总
算法常用概念 训练集(train set)、验证集(validation set)、测试集(test set) 一般需要将样本分成独立的三部分训练集(train set),验证集(validation set)和测试集(test set)。其中训练集用来估计模型,验证集用来确定网络结构或者控制模型复杂程度的参数,而测试集则检验最终选择最优的模型的性能如何。一个典型的划分是训练集占总样本的50%,而其它各占25%,三部分都是从样本中随机抽取。 样本少的时候,上面的划分就不合适了。常用的是留少部分做测试集。然
Oracle AI/ML认证真相:免费学 vs 付费考的完整指南
Oracle云认证并非‘免费发证’,而是提供全量免费学习资源(如OCI架构课、AI/ML实验环境、LiveLabs沙箱)与必须付费的权威能力验证($245考试费)的组合体系。其底层逻辑是‘能力成熟度模型’:从Foundations概念理解,到Associate实操搭建,再到Professional级AI/ML工程化问题解决——尤其强调OCI原生服务与机器学习工作负载的深度集成,如Model Catalog注册、Functions无服务器推理、APM模型漂移监控等。这种‘学免费、证付费’模式,既降低学习门槛,
校招算法工程师笔试核心考点与备考策略
算法工程师岗位的校招笔试,考察的不只是刷题量,更是数据结构、机器学习理论、代码实现与复杂度的综合能力。从KMP算法中next数组的手动推导,到排序算法的稳定性与时间复杂度分析,再到动态规划的状态定义和Dijkstra算法的堆优化,每一类高频考点都要求考生在理解原理的基础上灵活运用。同时,逻辑回归与SVM的数学推导、XGBoost等集成学习模型的串行提升逻辑,以及反向传播与梯度消失的应对方案,共同构成了理论部分的分水岭。本文从基础算法到深度模型,结合代码题的边界条件与复杂度约束,系统梳理大厂笔试的常见题型与作
算法工程师面试基础题目及答案
深度学习 卷积类 卷积神经网络的特点 有哪些卷积 深度可分离卷积 1*1卷积的作用 深度学习基础 BN的原理,作用和实现细节 优点: 1)加快训练速度,这样我们就可以使用较大的学习率来训练网络。 2)提高网络的泛化能力。解决过拟合 3)BN层本质上是一个归一化网络层,可以替代局部响应归一化层(LRN层)。 4)可以打乱样本训练顺序(这样就不可能出现同一张照片被多次选择用来训练)论文中提到可以提高1%的精度。 BN层的输出Y与输入X之间的关系是:Y = (X - running_mean) / sqr
科大讯飞算法岗笔试复盘:从KMP到机器学习的备考攻略
算法工程师的笔试考核通常围绕数据结构、算法设计、机器学习基础等核心能力展开,其中KMP字符串匹配、排序算法复杂度、图论最短路等经典问题往往是考察重点。理解这些算法的原理与适用场景,不仅有助于应对编程题,也能在实际业务中的数据处理和模型优化中发挥关键作用。从经典算法原理到深度学习基础,再到工程落地中的信号处理与控制常识,知识体系的广度与深度共同决定了技术价值。本文以科大讯飞算法岗笔试为例,复盘其题型构成、考点分布与实战经验,为准备算法类岗位笔试的读者提供切实可行的备考参考。
网易2018校招机器学习算法工程师笔试题解析与备考指南
机器学习算法岗的校招笔试,向来不仅考察理论记忆,更看重候选人对模型原理、算法实现与工程场景的综合理解。以经典大厂真题为例,从逻辑回归的梯度推导到SVM的核函数选择,从特征工程的设计思路到模型评估指标的陷阱,都是高频命题方向。知识体系中,KMP算法的next数组推导、动态规划状态定义、贪心策略的证明等数据结构与算法基础同样占据重要分值。理解损失函数背后的概率解释,掌握过拟合的识别与应对,是答好主观题的关键。备考时应以基础理论为根基,结合真题实战,通过错题复盘构建知识图谱,并关注离线评估与在线指标不一致等工业界
网易CV算法岗校招笔试全拆解:考点、编程题与备考策略
计算机视觉作为人工智能的重要分支,其算法工程师岗位在校招中备受关注。笔试不仅考察代码功底,更检验对图像处理经典算法、深度学习模型原理以及经典机器学习方法的理解深度。从Sobel边缘检测、直方图均衡化到卷积神经网络、Transformer,再到并查集、动态规划,考点覆盖广泛。理解这些基础概念的原理与工程应用价值,是应对笔试的关键。在工业缺陷检测、内容审核等真实场景中,CV方案的设计思路与评估指标同样重要。本文系统梳理网易CV算法岗笔试的题型分布、高频考点、编程题模板与设计题答题框架,并给出从零到笔试的复习时间
从零转型大模型工程师:学习路线与实战指南
大模型技术作为人工智能领域的重要突破,正在重塑传统机器学习的开发范式。其核心原理基于Transformer架构,通过自注意力机制实现上下文建模,相比传统方法减少了特征工程的依赖。技术价值体现在模型泛化能力的显著提升,尤其在自然语言处理和多模态任务中表现突出。应用场景涵盖智能对话、内容生成、行业知识问答等方向。对于转型开发者而言,重点需要掌握提示工程、模型微调(如LoRA技术)和部署优化(如vLLM加速)等新技能栈。当前大模型工程师岗位需求旺盛,薪资较传统IT岗位高出40%-60%,掌握HuggingFace
小米校招算法工程师笔试题全解析:从KMP到机器学习
算法工程师的校招笔试不仅考察代码能力,更检验对数据结构与机器学习原理的深度理解。以KMP算法为例,next数组的推导体现了对字符串匹配本质的掌握;而排序算法的变种、链表边界处理,则是工程实现的基本功。在机器学习部分,聚类算法、KNN、粒子群优化等概念的高频出现,说明岗位要求候选人既能理解模型假设,又能解释损失函数的设计逻辑。这类题目旨在筛选具备扎实理论基础与实战问题拆解能力的候选人。本文以小米2020校招算法工程师笔试题为例,逐题剖析考点与解题思路,帮助求职者构建从基础算法到模型优化的完整知识体系,并应对笔
机器学习算法工程师校招面试题库.pdf
机器学习算法工程师校招面试题库 涵盖数学基础、机器学习算法、深度学习、自然语言处理、计算机基础项目等。
网易NLP算法工程师校招笔试全解析:考点、套路与避坑指南
算法工程师的核心能力模型,决定了机器学习与深度学习基础是NLP岗位笔试的基石。无论是TF-IDF、Word2Vec等文本表示方法,还是CRF、Attention等序列建模技术,笔试真正考察的是对原理的透彻理解与工程落地能力。在NLP算法工程师的招聘中,笔试题往往融合了数据结构(如KMP)、经典机器学习(如LR与SVM对比)以及深度学习前沿(如Transformer)等多维度知识。掌握这些核心概念的原理、差异与应用场景,不仅能应对笔试,更能为后续面试和实际项目打下扎实基础。通过拆解网易校招笔试题型的分布逻辑,
MCNP 减方差技巧(最全)
MCNP的减方差技巧,核心在于不显著增加计算时间的前提下,通过修改模拟过程来降低结果的统计误差。尤其适用于,这类问题中粒子很难到达探测器区域,直接模拟效率极低栅元重要性是常用的减方差技巧,该方法主要对计算模型的不同区域定义不同的重要性数值。当粒子从重要性低的区域废物重要性高的区域,产生更多粒子,增大统计量;当从重要性高的区域进入重要性低的区域,会进行,增快计算效率。n= 中子,N;光子,P;电子 Exi= 栅元i的重要性I=栅元总数项目IMP卡是必须的,除非使用了WWN卡如果粒子进入0。
STM32踩坑--NoST-LINK detected
这里出现的NoST-LINK detected是没有扫描到端口 在我使用一段Fly-MCU后,有一天突然发现出现如上错误,再检查的过程中检查以下几点 1.STM32 魔术棒的设置 1.1Debug设置 1.2 utilities 设置没有问题,与原来一样又看了下端口——在设备管理器中;也没有问题 ...
2019算法岗笔试复盘:数据结构、机器学习与工程算法高频考点全解析
算法工程师校招笔试的底层逻辑始终围绕数据结构、算法设计与机器学习原理展开,从KMP的next数组推演到堆排序的复杂度分析,从KL散度与ELBO的概率推导到PID控制与卡尔曼滤波的状态估计,命题趋势强调对基础原理的深度理解而非简单调用。在备战算法岗位时,理解贪心、动态规划、粒子群与模拟退火等经典算法的适用边界,掌握XGBoost、反向传播、BM25等模型的核心思想,能够显著提升解题效率。本文基于2019年校招真题复盘,梳理高频考点、常见变形与避坑经验,帮助备考者建立相互关联的知识网络,从容应对笔试中的推导题与
避坑!瑞萨RZ/N2L用J-Link下载调试的那些‘坑’(从驱动版本到硬件架构选择)
本文详细解析了瑞萨RZ/N2L开发中使用J-Link调试时常见的兼容性问题与解决方案,包括驱动版本选择、SWD连接优化及e2 studio调试技巧。特别针对硬件架构与驱动版本的匹配问题提供了实用对照表,帮助开发者高效避开调试陷阱,提升开发效率。
Java工程师转型AI大模型:实战路线与薪资提升策略
在AI大模型时代,传统后端开发者的工程经验成为转型的核心优势。理解Transformer架构和微调技术是入门关键,而工程化落地能力比纯算法理论更具市场价值。通过PyTorch和HuggingFace等工具链,开发者可以快速实现从BERT微调到Prompt工程的应用场景。尤其对于Java/Python工程师,分布式系统经验和性能优化能力可直接迁移到大模型部署与推理优化中。本文通过电商行业真实案例,详解如何将原有技术栈与LLM结合,实现32%的薪资涨幅,并剖析企业最急需的'业务+工程+算法'复合型人才标准。
泛微Ecology9接口调用全流程:从配置到实战Java代码解析
本文详细解析了泛微Ecology9系统接口的完整调用流程,涵盖安全架构、服务端配置与客户端Java实战代码。重点阐述了基于RSA加密的认证机制、Token管理策略,并提供了企业级集成的核心代码示例与生产环境调优建议,帮助开发者安全、高效地实现系统对接。
数字IC时序约束实战:深入解析clock_uncertainty的设置策略与后端影响
本文深入探讨数字IC设计中clock_uncertainty的设置策略及其对后端实现的影响。通过分析时钟不确定度的组成(包括clock_skew、clock_jitter和margin),并结合实际项目经验,详细介绍了在不同设计阶段(综合、布局布线、签核)的动态调整方法。文章还提供了工程化处理参数来源、跨时钟域特殊处理以及优化时序收敛的实用技巧,帮助工程师提升数字IC设计的可靠性和性能。
音视频算法工程师笔试全解析:从KMP到流媒体协议
音视频算法工程师笔试考察的不仅是深度学习调参,更是一场涵盖数据结构、编解码原理、传输协议与信号处理的复合型能力测试。从KMP的next数组推导到FLV封装结构,从H.264的GOP设置到音频重采样中的混叠失真,每一个考点都指向真实工程场景。粒子群算法可用于转码参数寻优,PID控制思想则迁移至AGC自动增益设计,而RTMP与WebRTC的选型背后是延迟与稳定的权衡。本文结合网易2020校招真题,梳理容器格式、时间戳同步、实时传输优化及AI与音视频结合等核心模块,并给出三轮复习法,帮助备考者构建完整的知识网络,
渗透测试工具之Sliver
攻击者需要将生成的植入物传输到目标系统,并执行它。C2 框架的架构与 Metasploit(如 Meterpreter)类似,但更专注于。(Red Teaming)中常见的攻击工具之一,攻击者利用 C2 服务器。组成,二者共同实现 C2 服务器与受控设备的通信。植入物(Implants)是 Sliver 生成的。抓包分析时,可以看到所有数据都是加密传输的。和**监听器(Listeners)**功能。Sliver 支持多种通信协议,如。随着安全防御的不断提升,企业应加强。进行通信,数据仍然是加密的。
从蘑菇街算法笔试看电商算法岗:推荐、CTR预估与冷启动全解析
在电商算法岗位的招聘中,笔试不仅考察编程基础,更关注候选人能否将机器学习理论落地到推荐、排序、风控等真实业务场景。本文从概念与原理出发,剖析逻辑回归、FM、DeepFM等排序模型的推导与适用场景,探讨样本不均衡、特征工程、召回与精排架构等核心技术价值,并结合直播间推荐、新用户冷启动等应用场景,系统拆解算法工程师应具备的工程直觉与业务思维。通过回顾蘑菇街实习生笔试真题,揭示电商算法岗的考察逻辑,帮助求职者构建从模型原理到线上部署的完整知识体系,从容应对算法笔试中的业务开放题与编程题。
【STK】手把手教你利用STK进行导弹和反导仿真04 - STK/MMT模块04 导弹飞行工具应用案例
(6)打开STK,导出的范围轮廓以我们定义的Iran区域目标不同的颜色显示,并将以对象浏览器中定义为区域目标。最后将生成的轨迹导出到STK进行显示和分析。(12)在场景中新创建两个Target,将它们命名为Target1和Target2,并将他们放置在发射的Launch的射程范围之内。(2)在STK中插入AreaTarget对象,在“插入STK对象”工具中,选择“区域目标”对象类型和“选择国家/地区”当前在“飞行列表”窗口中选择的飞行路径将显示较大的启动和目标图图标,并带有较粗的带注释的连接线。
Yolov8-pose关键点检测:通用倒瓶颈(UIB)搜索块结合C2f二次创新 | 轻量化之王MobileNetV4
通用倒瓶颈(UIB)搜索块结合C2f二次创新
399
393
421
271
342
471

被折叠的 条评论
为什么被折叠?



