今天分享一位星球成員的上岸之旅，最終成功拿下 快手資料探勘崗 。喜歡本文記得 收藏、點贊、關註。
現在距離秋招結束也好長一段時間了，今天總結一下自己在秋招中的一些經驗和教訓，希望可以幫助到學弟學妹們。
先介紹一下我自己的情況，我本科211，碩士985。我投的都是資料探勘崗，最後有幸拿到了快手的Offer。
順豐
崗位：資料探勘
深挖簡歷
ML主要是比較幾個模型，Kmeans & DBSCAN分別套用在哪些場景比較好？LR & SVM的區別？分別套用在那些場景？
DL簡單介紹一下RNN，它和 LSTM，ARIMA 的區別？
是否了解大數據？說說你了解的hadoop和spark。
sql題，涉及視窗函式
有沒有做過參加過比賽？我說美賽，簡要說明了一下。
我反問我應該加強什麽？
招聯金融
崗位：資料探勘
一面
計畫介紹
特征選擇方法
資料探勘中對於缺失值的處理方案
說一下 Python（pandas）中常用的數據處理算子。
Spark 的原理，分布式是怎麽搭建的。
Sql中 union 和 union all 的區別
數據行轉列怎麽操作
xgboost和gbdt的區別
xgboost常調的參數有哪些
svm原理
說一下你在研會組織了什麽活動？
講一下你支教的經歷。
反問
二面
自我介紹
計畫競賽深挖
說一下你風控計畫中用到的模型？
資料探勘中缺失值和異常值是怎麽處理的？
特征降維怎麽做？
Sql用過哪些操作，舉個例子
Sql如何提高執行效率？
過擬合的處理方法？
計畫中遇到困難如何解決？
領導交給你一項不可能完成而且又很重要的問題，怎麽辦？
反問
聯想
崗位：資料探勘
時間過去有點久了，純憑回憶，可能有些遺漏
一面
機器學習基礎知識
Bagging & Boosting
常用的聚類演算法
Kmeans和DBSCAN的原理和區別
邏輯回歸的原理
怎麽處理離散數據
支持向量機原理
SVM怎麽處理非線性
常用的回歸模型
Attention 原理
RNN和LSTM的區別
什麽是梯度爆炸/梯度消失，什麽情況下會出現
梯度漸進的原理
手撕演算法：判斷是否是回文、找出最長回文子串
藍月亮
崗位：資料探勘
專業面試
開頭問問過往的經歷，講一下過往的一個計畫，沒有深挖
線性回歸和邏輯回歸有什麽區別
邏輯回歸的形式是什麽，損失函式是什麽
線性回歸的損失函式是什麽
邏輯回歸的啟用函式是什麽，除了sigmoid還知道哪些
為什麽有的時候需要將連續變量離散化
怎麽將連續的變量離散化
決策樹的特征選擇原理有哪些
過擬合和欠擬合怎麽理解，分別怎麽解決
SVM 的原理
SVM如何解決線性不可分的問題
既然你提到了懲罰系數，那麽講講SVM使用的核函式有哪些
xgboost和GBDT的區別
提到了正則項，那麽L1和L2有什麽區別
xgboost泰勒展開是一階還是二階
多執行緒和多行程
用過哪些程式語言
反問：介紹了團隊的主要崗位，一些日常工作，業務範圍
主管面試
這一輪不太問專業問題，主要從職業發展，個人成長，個人意向去問
比如：作為技術崗，怎麽提高自己的業務能力，你會透過什麽方式進行技術的學習
比較感動的是沒有考手撕程式碼，除了SQL以外的手撕程式碼我都非常頭大，感覺他們IT需求蠻多的，演算法、NLP、CV都需要，可以試試~
快手
崗位：資料探勘
一面
自我介紹
計畫介紹
計畫細節
隨機森林、決策樹、XGBoost的區別和聯系
離散特征怎麽處理？（沒聽懂面試官想問啥 ）
針對計畫提問，連續特征怎麽處理？
演算法：最大子序和 動態規劃+貪心演算法 做題有點慢
面試官建議：雖然有些東西工作不會用到，但是面試還是會問，題還是應該多刷一刷 不說了，刷題背八股去了。
二面
自我介紹
計畫介紹（What、Why、How、難點、思考）
計畫怎麽分工的
一兩句話簡述LR、隨機森林、XGBoost優缺點
精準率、召回率、F1-score、AUC指標的含義和使用場景
二維矩陣尋找【二分法】
不記得還有什麽了。。。
三面
自我介紹
計畫介紹
線性回歸，模型的假設，損失函式，求解
BP神經網路。反向傳播傳的是什麽？
各種分桶方法的優缺點
特征組合，歸一化
深度學習與傳統機器學習相比最大的不同？
作者：城哥
來源 ：Python學習與資料探勘
Crossin的新書【 碼上行動：用ChatGPT學會Python編程 】已經上市了。 本書以ChatGPT為輔助，系統全面地講解了如何掌握Python編程，適合Python零基礎入門的讀者學習。
購買後可加入讀者交流群，Crossin為你開啟陪讀模式，解答你在閱讀本書時的一切疑問。
Crossin的其他書籍：
添加微信 crossin123 ，加入編程教室共同學習 ~
感謝 轉發 和 點贊 的各位~
