来自鹅场的又一次致电

今天这个电话真是打的好巧，我下午前脚刚进老师的门，准备汇报工作，马上hr电话就打来了，我马上机智的说，老师 ，我去实验室把XXX 找来，马上转身接了电话，不要说我太机智，hr姐姐帮我预定了下午的面试时间，心想鹅场的办事效率超高呀（作者昨天刚接到一面的电话啊嘿）。。。接着，我用快到飞起来的语速给老师汇报了工作，去实验室准备面试去了。

好像题外话说的有点多。。。。。。。。。。。。。。。。。。。。。。。。

首先，面试官也是一个男生，应该是还没看过简历的样子，所以我马上毛遂自荐的自我介绍，接着介绍了有关项目的相关内容，感觉逻辑说的有点乱，面试官感觉对我的项目还是觉得有点意思的，问了问曾经尝试的优化方法，并且做了简单的介绍，以及不用他们的理由，并且也顺带介绍了接下来的另一个和svm相关的项目，总之，大家一定要对自己简历上的内容超级熟悉，并且也要熟悉他的周边内容，这些在面试的时候都是一定会问到的，包括你的项目实际应用，感谢老师让我的项目如此实际！！！

接下来，面试官问了一下熟悉的机器学习的方法，以及参加kaggle的经历，kaggle是个好东西，可以锻炼你实践的能力，并且教给你分析实际问题的方法，数据挖掘或机器学习相关领域的童鞋可以去试试哟。

下面是我记得面试官问了几个基本的问题，比如当数据不足的时候你训练的model会产生什么问题，比如当数据有很多离群点的时候你该怎么办？这个问题我当时回答的有偏差，因为我想成了噪点，噪点是noise，是对原始值的干扰，我们这时候可以去掉这些噪点，或者使用一些简单的model，比如LR 来拟合，或者软间隔的svm来做这个问题，但是如果是离群点，我们可以分开而论，if 我们 关注的是典型的特征 ，那么我们可以使用对离群点不敏感的 bagging的方法，降低varience，如果我在乎这些离群点，那么可以使用对离群点敏感的boosting的方法建模，这个也是boosting算法的缺点。

接下来的一个问题是 一个多分类的问题，我们提供一堆用户的数据，那么我们如何预测用户明天会做什么？

那么我从数据清洗 特征选择，异常正反例，model选择 这几个方面来回答，不知道我回答的有没有到点上。

接下来就是一个优化方程的问题，如果我们现在的costfunction很难写出来，写出来之后特别长，那我们选择什么优化方法？如果这样一大批关于梯度二阶梯度的方法就不能用了，因为求梯度比较困难，而且之前用过lbfgs，如果让函数自己求梯度比较慢还不准确，于是自己手写的一届偏导矩阵。。。于是我想到了之前用到的DE ，不需要给初始值，也不需要计算梯度，来自遗传算法的差分进化算法，但是他需要调整的参数实在比较多。

恩，就这样吧，，，没有了