一面：
1. 對推薦算法大概有多少了解

2. kaggle比賽用了什么模型，做了什么優(yōu)化

3. 你是如何把幾個模型的分數(shù)做融合的

4. 如果這個權重也作為一個變量參與到訓練，這種方式和你手動調參相比會有什么樣的差異呢
這題我回答的是串行訓練會更多耗時，但是參數(shù)精度會提高效果會更好，但是總覺得還是沒答到點子上

5. 隨機森林的具體運行過程

6. 如何判斷過擬合和欠擬合，怎么解決

7. 如何解決梯度消失和梯度爆炸

8. 如果有梯度消失或者梯度爆炸，你發(fā)現(xiàn)你的神經(jīng)網(wǎng)絡已經(jīng)很深了，你是要繼續(xù)加深還是減少呢，為什么要這么做
這題我回答的是減少，因為梯度消失問題和梯度爆炸問題一般會隨著網(wǎng)絡層數(shù)的增加變得越來越明顯

手撕（自有IDE）
1. 無重復字符的最長子串，lc原題。
2. 判斷輸入的數(shù)據(jù)將會被插入哪個桶，一道二分，類似于搜索插入位置，lc改編。

二面：
1. 說一下LR里面正則項的原理是什么？為什么加了正則項就能去過擬合呢

2. 一方面你要學這個參數(shù)，一方面你又限制學，不是矛盾的嗎？

3. cross validation，帶有cross validation的訓練步驟說一下
注意cross validation調的是超參，當時嘴瓢了

4. Kaggle競賽規(guī)模，說一下你用的trick，為什么這個trick能work？

5. 你對cnn這個模型本身有什么了解？為什么傳統(tǒng)的mlp在圖像上沒有什么效果呢？

6. 說一下對transformer的認知和理解

手撕（自有IDE）
題目：給定兩列，都是user_id，每一行都是一個好友關系，輸入一個user_id，找出跟這個用戶共同好友數(shù)最多的那個人

#探探##日常實習##面經(jīng)#