算法面经快手篇

原创 已于 2022-10-17 11:32:22 修改
· 171 阅读 · 0 ·
版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#机器学习 #深度学习 #自然语言处理 #nlp #面经

于 2022-10-11 12:48:32 首次发布
这篇博客分享了两段实习经历中的算法面试问题，涵盖了深度学习模型如deepfm、gbdt、transformer，自然语言处理中的w2v和Bert，以及数据处理技巧如SQL合并、LR损失函数推导、PCA降维和数据不平衡的应对策略。此外，还讨论了分词原理、聚类评估和动态规划在求解最短路径问题的应用。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

实习1
1.deepfm gbdt
2.transformer多头注意力的多头区别是啥
手撕：快排
手撕：sql 表a b；以id为联系合并ab表
手撕：lr目标函数 loss 推导

实习2
1.介绍下w2v
2.w2v的产出是啥
3.介绍下Bert transformer
4.Bert transformer输出是啥
5.降维方法 PCA
6.数据不均衡怎么处理
7.分词的原理了解吗
8.怎么评价聚类的好坏

手撕：给个矩阵，左上角到右下角求最小路径（每个点有权值）；动规

快手-广告算法实习生 一面面经
weixin_43646592的博客
05-26 773
快手-广告算法实习生 一面面经
快手科技 推荐算法面经分享 三次面试经验详细
06-26 719
快手科技 推荐算法面经分享 三次面试经验详细
快手面经
工科僧的博客
08-05 689
1自我介绍 项目 GAN 训练GAN RCNN发展史 YOLOv3 one-step和two-step的比较 IoU手写,python def calculateiod(rec1,rec2): """ rec1=[l1,r1,t1,b1] rec2类似 """ l=max(rec1[0],rec2[0]) r=min(rec1[1],rec2[1]) t=max(rec1[2],rec2[2]) b=min(rec1[3],rec2[3]) if r<l or b <t: reut
中科大&快手提出多模态交叉注意力模型：MMCA，促进图像-文本多模态匹配！
我爱计算机视觉
12-24 7249
关注公众号，发现CV技术之美本文分享论文『Multi-Modality Cross Attention Network for Image and Sentence Matching』，由...
2023秋招算法提前批：快手广告算法面经
06-24 886
2023秋招算法提前批：快手广告算法面经
算法面经之快手
weixin_30484247的博客
10-19 266
　　很久之前面的了，今儿个整理博客，把之前写的面试心得整过来。 　　---------------------------------------------------------------------- 已经拿到offer的大佬们请装瞎或手动鄙视这条水经。 　　所以已经回家颐养天年的我为啥突然面了个快手？内幕是酱婶儿的....　　hr:jy同学你好，啥时面试？　　我:我不写代码的...
AI 音频算法面经
ID_AF12的博客
04-21 1663
1 分钟左右（2）
2022年上半年最接地气的算法面经，本人面试过18家算法面经，吐血整理
qq_19007169的博客
05-01 2944
简介：本人2020届毕业生，双非本，末流985硕，科班出身，真的很菜。找的是算法岗的岗位。现在秋招接近尾声，我从牛客网上受益颇多，于是想回馈下大家。两个渣项目外加一个CTR比赛，leetcode刷了一百道，剑指offer刷了四五遍。 我找到的工作也不是多么的好，希望大家不喜勿喷，哈哈哈哈哈。 收到offer：斗鱼、浦发、携程、快手、多益网络、阿里（测开） 面试的公司：作业帮、追一科技、百度、浦发、乐鑫、小红书、斗鱼、360、同程艺龙、携程、华为、美团（拒绝）、58同城（拒绝）、网易互娱、.
2021年9月快手社科广告算法面经分享！
热门推荐
niuyunpang的博客
10-27 1万+
问题1、l1,l2公式，区别 L1/L2的区别 L1是模型各个参数的绝对值之和。 L2是模型各个参数的平方和的开方值。 L1会趋向于产生少量的特征，而其他的特征都是0。 因为最优的参数值很大概率出现在坐标轴上，这样就会导致某一维的权重为0 ，产生稀疏权重矩阵 L2会选择更多的特征，这些特征都会接近于0。 最优的参数值很小概率出现在坐标轴上，因此每一维的参数都不会是0。当最小化||w||时，就会使每一项趋近于0。 L1的作用是为了矩阵稀疏化。假设的是模型的参数取值满足拉普拉斯分布。 L2的作用是为了使模型更.
2021春季推荐算法实习生面经
枵央的博客
02-03 2154
亚信科技面经（数据挖掘岗，已OC）： 一面（30min）： 是一个搞开发的面试官来问的，感觉挺水的，面试官什么都不太懂。  自我介绍  介绍一下你的项目  问了一些python的基础问题：循环，匿名函数  让你介绍一下算法：快排，冒泡 就是感觉挺水的，实习也是去mysql和简单的ml建模，感觉意义不大，不过能混个经历。 二面（10min）： 突然上午给我打了一个电话，是阿里的面试官，说是这个项目是亚信和阿里合作的。  介绍自己的项目，架构  介绍一下GBDT+LR  什么是召回率  问了GB
强化学习 A2C算法
tony365的博客
06-13 495
更准确地说，Reinforce 是 基于策略的方法 的一个子类，称为 策略梯度方法。在基于策略的方法中，我们的目标是直接优化策略，而无需使用价值函数。更准确地说，Reinforce 是 基于策略的方法 的一个子类，称为 策略梯度方法。然而，因为我们使用蒙特卡洛采样来估计回报（我们使用整个 episode 来计算回报），所以我们在策略梯度估计中存在显着的方差。然而，因为我们使用蒙特卡洛采样来估计回报（我们使用整个 episode 来计算回报），所以我们在策略梯度估计中存在显着的方差。
【机器学习-线性回归-7】中心极限定理在机器学习线性回归中的重要性
weixin_39033358的博客
06-11 719
摘要：中心极限定理(CLT)是线性回归的重要理论基础，它表明大量独立随机变量的均值会趋近正态分布。文章解析了CLT如何支持线性回归的参数估计正态性、误差项合理性和统计量分布，并探讨了实际应用中的样本量要求与诊断方法。通过Python代码展示了即使误差非正态，斜率估计仍呈正态分布的现象。同时指出CLT的局限性及应对方法，强调理解该定理对正确使用线性回归的重要性。
机器学习与深度学习16-概率论和统计学01
beijieweiyu的博客
06-09 1000
概率论和统计学是数学中重要的分支，用于研究随机事件和数据的分布、关联性以及不确定性。概率论是研究随机事件发生的可能性和规律的数学学科。它提供了一套工具和方法来描述和分析随机变量、随机过程以及他们之间的关系。概率论包括概率分布、随机变量、条件概率、期望值等基本概念，并通过概率模型和统计推断来预测和解释随机现象。统计学是一门研究收集、分析和解释数据以作出推断和决策的学科。统计学涉及数据的收集、汇总、可视化和推理分析，借助概率论中的概念和方法来建立和验证统计模型，并从样本中推断总体的特征和关系。
机器学习 vs 深度学习：区别与应用场景全解析
layneyao的博客
06-13 974
机器学习 vs 深度学习：区别与应用场景全解析
【机器学习】SAE(Sparse Autoencoders)稀疏自编码器
zwhszdx的博客
06-13 294
SAE(Sparse Autoencoders)稀疏自编码器概念讲解
Java机器学习全攻略：从基础原理到实战案例详解
最新发布
m0_66884848的博客
06-13 629
在当今AI驱动的技术浪潮中，机器学习已成为Java开发者必须掌握的核心技能之一。本文将系统性地介绍Java机器学习的原理基础、常用框架，并通过多个实战案例展示如何在实际项目中应用这些技术。无论你是刚接触机器学习的Java开发者，还是希望巩固基础的中级工程师，这篇文章都将为你提供全面而实用的指导。
AI与机器学习ML：利用Python 从零实现神经网络
AI人工智能的学习之路
06-13 432
本文介绍了神经网络的基本结构与工作原理。通过一个包含10个观测值和3个特征变量的简单数据集示例，详细阐述了神经网络的前向传播过程，包括输入层、隐藏层和输出层的计算流程。文章重点讲解了反向传播机制和梯度下降算法，说明如何利用损失函数（二进制交叉熵）来调整权重和偏差参数，以最小化预测误差。示例中展示了ReLU和Sigmoid激活函数的使用场景，并演示了从输入数据到预测输出的完整计算过程，为理解神经网络的内部机制提供了清晰的技术路径。
【IEEE/EI/Scopus检索】2025年第五届机器学习与大数据管理国际会议 (MLBDM 2025)
CSTechEi的博客
06-13 232
2025年第五届机器学习与大数据管理国际会议(MLBDM2025)将于12月26-28日在中国南京举行。会议将汇聚全球学者，分享机器学习与大数据管理领域的最新研究成果、创新趋势和实践挑战。录用论文将由IEEE出版，收录至IEEEXplore并快速被Ei核心和Scopus检索。征文主题涵盖无监督学习、大数据搜索算法、数据可视化、特征提取等前沿方向。往届会议论文均由IEEE或ACM出版并成功检索。
机器学习中的数据准备关键技术
Morpheon的博客
06-13 681
本文总结了机器学习数据准备的关键技术。主要内容包括：1) 数据类型分类（定性/定量）及处理方法；2) 数据探索方法（中心趋势度量与可视化）；3) 数据质量修复技术（缺失值插补与异常值处理）；4) 特征缩放方法（标准化/归一化）；5) 降维与特征选择技术（PCA/SVD）。文中还提供了使用Python处理汽车数据集的示例代码，展示如何应用这些技术进行数据预处理。这些步骤对于构建高效准确的机器学习模型至关重要。
快手java实习面经
02-26
### 快手 Java 实习生面试经验分享 #### 面试流程概述 面试过程被描述为一次非常积极的学习经历[^1]。整个过程中，面试官采取了引导式的提问方法，帮助候选人思考并理解问题的本质。即使遇到困难的问题，也会通过提示来辅助解答，使得整个交流变得轻松而富有教育意义。 #### 技术考察重点 在技术方面，对于Java开发者而言，深入理解和掌握JVM的工作原理至关重要[^2]。具体来说： - **引用类型及其作用** - 强引用（Strong Reference）是最常见的形式，在任何情况下都不会被回收。 - 软引用（Soft Reference）用于实现内存敏感的缓存机制；当内存不足时才可能被清除。 - 弱引用（Weak Reference）的对象只能存活到下一次GC之前。 - 虚引用（Phantom Reference）主要用于跟踪对象何时可以被垃圾收集器处理。 - **静态成员变量管理** 类加载期间完成`static`字段初始化工作，并将其存储于方法区中。每当创建新实例时并不会再次执行此操作，而是直接指向已存在的副本进行访问控制。 #### 编程能力测试样例 实际编程环节可能会涉及到算法设计题目，比如判断数组内是否存在重复元素且索引差不超过给定范围k的情况下的解决方案如下所示： ```java public boolean containsNearbyDuplicate(int[] nums, int k) { Map<Integer, Integer> map = new HashMap<>(); for (int i = 0; i < nums.length; ++i){ if(map.containsKey(nums[i]) && i - map.get(nums[i]) <= k) return true; map.put(nums[i], i); } return false; } ``` 上述代码实现了对输入整数序列快速查找是否有符合条件的相邻重复项的功能[^3]。
评论
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

打赏作者

CxFt

很高兴可以帮到你

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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