秋招记录-滴滴

面试从一点到八点,只面了两面,一面在中关村软件园国际会议中心,通过一面之后打车到滴滴楼下的咖啡厅进行二三面,由于时间太晚了,所以三面的话可能到节后再安排。这里先补充一二面面经。

一面:
1、介绍项目
2、介绍下Adam优化器
3、链表反转
4、判断链表是否有环
5、两个字符串的最小编辑距离
6、python装饰器的原理
7、python的迭代器
8、Deepfm的原理,DeepFM是一个模型还是代表了一类模型,DeepFM对FM做了什么样的改进,FM的公式如何化简并求解梯度
9、逻辑回归的损失函数,逻辑回归的损失函数为什么是logloss,背后服从的分布是什么?

二面:
1、spark sql 和 hive的区别是什么?spark sql和hive哪个更快一些,为什么?
2、强化学习中有value-based 和 policy-based,这两种的优缺点分别是什么?应用场景分别是什么?
3、介绍一下简历中的强化学习推荐项目
4、介绍一下简历中的生成模型
5、介绍一下常见的优化器
6、如何判断神经网络的过拟合是否发生, 有什么解决方法
7、介绍下drop-out 和 batch-normalization
8、wide & deep是怎么训练的,两部分用的优化器是一样的么?
9、25匹马,有一条只能5匹马比赛的赛道,我们无法计时,只能看到马的排名,如何用最短的次数找出跑的最快的5匹马
10、一条无限长的直线,有两个机器人,两个机器人执行同一段代码,这一段代码中只有几条语句:right代表向右走,left代表向左走,if arrived else代表另一个机器人是否走过这个地方。goto代表代码的跳转,请写一段代码确保两个机器人能够相遇。

三面:
1、介绍项目
2、介绍一下常见的分类模型,以及他们的优缺点以及应用场景
3、GBDT和XGBoost介绍一下,XGBoost做了哪些改进
4、二叉树的前序遍历
5、有一个序列,数字依次不断的添加进来,设计一个数据结构,能够快速返回这堆数字的中位数。(考虑堆排序、二叉排序树)
6、强化学习中的value-based和policy-based的区别以及使用场景
7、项目中目前的不足以及未来的展望,以及项目中遇到的最大的困难。
8、梯度下降和拟牛顿法的区别。

三面有一些题目想不起来了,面试官最后加了微信,希望能够有一个好结果

推荐阅读更多精彩内容