weixin_43213682的博客

原创 沃尔玛（Walmart）数据科学家面试的概率问题分享

曾经我有幸通过在沃尔玛工作的朋友推荐，参加了沃尔玛数据科学家三级职位的面试。第一轮面试持续了大约 1 小时 10 分钟。面试分为 4 个环节——第一环节是项目经历介绍，由于这是筛选面试，面试官想多关注其他话题，这部分仅用了约 10 分钟。第二环节是编程测试，面试官出了三道 LeetCode 简单难度的题目。第三环节考察概率论，面试官提出了 3 个概率问题。第四环节则是关于数据处理的问题，比如如何连接两个数据框。下面让我们重点来看看这些概率问题。我先列出三个问题，然后分享我的解答。

原创 为什么 Meta 如此关注面试中的概率问题

最近，我的两位朋友参加了 Meta 伦敦办事处的软件工程师面试。他们都觉得自己准备充分 – 掌握了编码算法和系统设计知识。但出乎意料的是，他们都遇到了一个难题 – 一个概率问题让他们百思不得其解。我被他们的经历所吸引，于是进入了与 Meta 相关的 LeetCode 讨论，结果发现一个不可否认的趋势：许多应聘者都遇到了类似的概率问题。事实上，一位用户甚至表示：“Meta 几乎总是会抛出概率问题！那么，为什么概率问题会成为 Meta 面试过程中的主要问题？更重要的是，如何掌握这些问题才能脱颖而出？

原创 IBM—AI工程师面试记录

由于 IBM 确实处于人工智能的前沿并关注人工智能的正确应用，面试官询问了我如何处理人工智能模型中的偏见，特别是在医疗保健或招聘算法等领域。我谈到了多样化数据集的重要性、公平意识机器学习算法的必要性，以及开发可解释性技术的努力，以便能够证明和解释人工智能做出的决策。她询问了我很多关于过往人工智能项目的问题，引导我解释思考过程和各种决策背后的逻辑，以及我遇到的障碍。的情况，这可能是由数据漂移导致的。随后，我们讨论了某些模型在高维空间中的局限性，在这个过程中我也从讨论中学到了新的见解。

转载 XGBoost

一、XGBoost原理GBoost实现的是一种通用的Tree Boosting算法，此算法的一个代表为梯度提升决策树（Gradient Boosting Decision Tree, GBDT），又名MART(Multiple Additive Regression Tree)。GBDT的原理是，首先使用训练集和样本真值（即标准答案）训练一棵树，然后使用这棵树预测训练集，得到每个样本的预测值，...

转载 GDBT

借鉴第1~4节：GBDT算法内部究竟是如何工作的？第5节：它可以用于解决哪些问题？第6节：它又是怎样应用于搜索排序的呢？  GBDT主要由三个概念组成：Regression Decistion Tree（即DT)，Gradient Boosting（即GB)，Shrinkage (算法的一个重要演进分枝，目前大部分源码都按该版本实现）。搞定这三个概念后就能明白GBDT是如何工作...

原创 决策树的学习框架