本项目用于整理算法岗的面经(包含计算机视觉方向、机器学习、NLP等等方向),欢迎各位大佬分享自己的面经或内推,对本项目的各种建议或意见都可以通过issue交流,会及时回复
郑重申请:本项目仅用于学习交流分享,非商业用途,内容均为网络收集的优质内容!如需转载请联系原作者
简历模板 | 着装礼仪 | 自我介绍 |
---|---|---|
![]() |
![]() |
![]() |
- 简历模板
- 着装礼仪
- 自我介绍
数学基础 | 算法 | 图像处理 | 机器学习 | 深度学习 | 自然语言处理 | 计算机视觉 | 数据挖掘 |
---|---|---|---|---|---|---|---|
![]() |
![]() |
![]() |
![]() |
![]() |
![]() |
![]() |
![]() |
项目 | 描述 | 备注 |
---|---|---|
刷题神器 | 分享两款提高刷题效率和质量的神器 | |
图解算法 | 用动态图详细讲解算法原理 | |
笔试面试题库 | 必备企业刷题网站 |
TODO
TODO
TODO
- 一文概览神经网络的激活函数
- 一文详尽系列之模型评估指标
- 准确率(Accuracy)、精确率(Precision)、召回率(Recall)、F1值(F1 score)
- 准确率:正确分类的样本个数占总样本个数
- 精确率:预测正确的正例数据占预测为正例数据的比例
- 召回率:预测为正确的正例数据占实际为正例数据的比例
- F1值:F1=2/(1/P+1/R)
- P-R、ROC、AUC (主要应用于分类场景)
- P-R:横轴召回率,纵轴精确率。
- A/B测试ROC(receiver operating characteristic curve接收者操作特征曲线):采用不分类阈值时的TPR(真正例率)与FPR(假正例率)围成的曲线,以FPR为横坐标,TPR为纵坐标。如果 ROC 是光滑的,那么基本可以判断没有太大的overfitting。
- TPR(真正例率)表示当前分到正样本中真实的正样本所占所有正样本的比例(TPR = TP / (TP+FN))
- FPR(假正例率)表示当前被错误分到正样本类别中真实的负样本所占所有负样本总数的比例(FPR = FP / (FP + TN))
- AUC(area under curve):计算从(0, 0)到(1, 1)之间整个ROC曲线一下的整个二维面积,用于衡量二分类问题其机器学习算法性能的泛化能力。其另一种解读方式可以是模型将某个随机正类别样本排列在某个随机负类别样本之上的概率。
- MSE、RMSE、MAE、R2 (主要应用于回归模型)
- MSE(Mean Squared Error) 均方误差
- RMSE(Root Mean Squared Error) 均方根误差
- MAE(Mean Absolute Error) 平均绝对误差
- R2 决定系数
- 样本间距离的应用
- 样本间的距离有不同的定义方式,常见的有欧式距离、曼哈顿距离、汉明距离、余弦距离等等。
- A/B测试
- A/B 测试是验证模型最终效果的主要手段。当进行 A/B 测试时,通常会采用两个(或多个)组:A 组和 B 组。第一个组是对照组,第二个组会改变其中一些因素。
- t检验、z检验、卡方检验
- 准确率(Accuracy)、精确率(Precision)、召回率(Recall)、F1值(F1 score)
阿里云算法岗实习生面经(1~3技术面,交叉面,hr面)(2019届)
腾讯AI Lab/阿里达摩院/华为/旷视/字节跳动/海康威视等公司大集合
面经 | 菜(大)鸡(佬)cv算法的20秋招辛酸路程,13家企业面经一一道来
NLP and 机器学习面经(百度/寒武纪/作业帮/科大讯飞/追一科技/腾讯)
转行渣硕的算法路,记录走过的坑和一些笔经面经给转行算法的同学
秋招接近末尾,985硕士至今0 offer的自我反思?(2020届)
https://github.com/scutan90/DeepLearning-500-questions
简介:深度学习500问,以问答形式对常用的概率知识、线性代数、机器学习、深度学习、计算机视觉等热点问题进行阐述
https://github.com/DWCTOD/Algorithm_Interview_Notes-Chinese
原链接:https://github.com/imhuay/Algorithm_Interview_Notes-Chinese
但是原作者已经停止更新了,最高的时候有几万的star
参考项目:
https://github.com/NLP-LOVE/ML-NLP
如需加交流群,可添加微信【nvshenj125】备注【秋招】拉你入群