面经-字节跳动数据分析

Myth丶恋晨 2021-12-03 20:21 432阅读 0赞

====================一面============================

1. 自我介绍

2. 壹账通实习主要工作

3. yolov3网络模型是什么样子的？

> 基于darknet-53的网络模型，从名字上看是有53层全连接层，中间还穿插着residual层

4. 调参都调的哪些参数？学习设置多少？

5. 机器学习分类算法的损失函数？

> **常用回归损失函数：**
> 
> 1.均方误差（MSE）：计算真实值与预测值之间的距离平方和
> 
> ![20190718220524272.png][]
> 
> 2. 平均绝对误差：L1损失
> 
> ![20190718220509759.png][]
> 
> **分类损失函数**
> 
> 1. Hinge Loss/多分类 SVM 损失
> 
> ![20190718221047768.png][]
> 
> 2. 交叉熵函数（LR）
> 
> ![20190718221144448.png][]
> 
>

6. 说一个分类算法？（说的AdaBoost算法）

7. AdaBoost的样本权重是怎么确定的？

> 在第一次训练时，所有样本赋予相同的权重，比如有N个样本，那么样本权重都是1/N，然后进行多轮的迭代，假设在第m轮时，使用带有权重的样本学习得到的基分类器为G\_m(x)-->(1，-1)，则分类错误率:（所有被分类错误样本的权重之和）
> 
> ![20190718212022103.png][]
> 
> 然后计算该分类器的权重：  
> ![20190718212615633.png][]
> 
> 计算下次迭代中每个样本的权重：
> 
> ![20190718212727124.png][]
> 
> 其中：
> 
> ![20190718212828881.png][]

8. AdaBoost算法与RF的区别

9. 机器学习分类算法还有哪些？

10.比如逻辑回归LR的损失函数

> 逻辑回归模型实际上是在线性回归模型上套了一个逻辑函数，而正是由于逻辑函数，可
> 
> 模型输出值归一化到（0,1）之间，方便用来做二分类，从他的图形看，大于0.5归为阳性，小于0.5归为阴性。直观表述是
> 
> ![20190718213444316.png][]
> 
> 表示在给定x条件下，y发生的概率，而theta是该条件概率的参数。具体可以分解成
> 
> ![20190718213444345.png][]
> 
> （1）就是线性回归模型的假设函数，（2）就是逻辑函数。从本质来说，分类情况下，LR模型学习后对应的是一组参数theta，当有测试样本输入时，这组参数分别与theta相乘，得到h(theta)
> 
> ![20190718213444345.png][]
> 
> 之后再按照sigmod函数的形式，求出概率值，根据概率值判断样本的正负。
> 
> 线性回归模型的代价函数使误差平方和：
> 
> ![20190718213444373.png][]
> 
> 如果把h函数带入，这个代价函数使非凸的，如下图，在用梯度下降法求解时，会有很多个局部最小值点。所以要为损失函数选择一个凸函数，这里使用最常使用的对数损失函数。
> 
> ![20190718213444371.png][]
> 
> ![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3N1aXh1ZWppZQ_size_16_color_FFFFFF_t_70][]
> 
> 下图是对数函数的图像，红色是负log函数，该函数在（0,1）区间内有很好的特性，当z=1时，等于0，当z=0时，趋于无穷大。如果和代价函数联系起来，当正确预测为正样本时，损失为0，当错误预测为负样本时，代价趋于无穷大。所以选择对数损失函数，重新定义损失函数如下：
> 
> ![20190718213444659.png][]
> 
> ![20190718213444611.png][]
> 
>  
> 
> 对于代价函数的两种情况：
> 
> ![20190718213444554.png][]
> 
> 代价函数的最终表现形式为：
> 
> ![20190718213444527.png][]
> 
> 使用梯度下降法求解。Sigmod的导数为：
> 
> ![20190718213444401.png][]
> 
> 经过推导，参数的更新公式为：
> 
> ![20190718213444439.png][]

11. 平时用的语言是python，写一个程序

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3N1aXh1ZWppZQ_size_16_color_FFFFFF_t_70 1][]

12. 写一个SQL程序

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3N1aXh1ZWppZQ_size_16_color_FFFFFF_t_70 2][]

13. outer join、left join、right join、inner join有啥区别吗？

outer join没见过，只听过left outer join 和right outer join

14.还有什么要问的吗？（偏业务还是偏技术？）都有，你喜欢偏什么的？（技术）（面试评价？）（还有哪些地方需要提高吗？）

================================二面==================================

1. ![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3N1aXh1ZWppZQ_size_16_color_FFFFFF_t_70 3][]

2. ![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3N1aXh1ZWppZQ_size_16_color_FFFFFF_t_70 4][]

3. ![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3N1aXh1ZWppZQ_size_16_color_FFFFFF_t_70 5][]

===========================三面=================================

1.  自我介绍

2. 实习主要用的语言

3. python、SQL打分（85,90，hr说我打分还挺高）

4. 高考成绩、本科绩点、本科学过的语言、C++、Java为什么没好好学、绩点还这么高

5. 自己与他人相比优势在哪里？举个例子

6. 考研数学、英语、专业课是怎么复习的？学习方法

7. 一面二面过了的原因

8.本科打分（6）、研究生打分（7）

9. 为什么打6分，自己哪些地方做得不足、高的一分高在哪些地方

10.实习时间

11. 主要负责人工智能方向的数据分析、偏技术

[20190718220524272.png]: /images/20211203/59dd00a9d030461cbccebb2893c9dd0e.png
[20190718220509759.png]: /images/20211203/114bb0e89b5c442d81ac850175f94d4d.png
[20190718221047768.png]: /images/20211203/72b0a38f97734b788774d5e26ceb7fcf.png
[20190718221144448.png]: /images/20211203/f89d31852b954374b52f19b7e47a41cb.png
[20190718212022103.png]: /images/20211203/d7f4b1f59c4b4afa82b685ad30d5617a.png
[20190718212615633.png]: /images/20211203/161cdfc68f1246a18d69447f06219763.png
[20190718212727124.png]: /images/20211203/746d65dff0b74209a457a69b38461c11.png
[20190718212828881.png]: /images/20211203/ddd823cc8edf49f4826356dd3f575417.png
[20190718213444316.png]: /images/20211203/528dfe99ea5a4fa79d0734d9da50f504.png
[20190718213444345.png]: /images/20211203/286a33772fbb4bb7841c9df32626b0da.png
[20190718213444373.png]: /images/20211203/3946b6339ada45b89586947880d69233.png
[20190718213444371.png]: /images/20211203/0d534669540648fb8f2a8bdbd2052169.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3N1aXh1ZWppZQ_size_16_color_FFFFFF_t_70]: /images/20211203/140d68d870c04f2f92fcdc5b04637d3e.png
[20190718213444659.png]: /images/20211203/b48858f87b98482c9b45231a023347d2.png
[20190718213444611.png]: /images/20211203/1b0094b2024a4293b63f932cfd3dce8e.png
[20190718213444554.png]: /images/20211203/aa75c75da7114a8c837005f68ed17af9.png
[20190718213444527.png]: /images/20211203/fd22e781ffb041278fff693e0d29401a.png
[20190718213444401.png]: /images/20211203/e41740512bc6467b816d15f049a9d088.png
[20190718213444439.png]: /images/20211203/58aaa1a048584cdbab163c3556155675.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3N1aXh1ZWppZQ_size_16_color_FFFFFF_t_70 1]: /images/20211203/820667831f9f496cbbdb094d24081914.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3N1aXh1ZWppZQ_size_16_color_FFFFFF_t_70 2]: /images/20211203/fd5b31f08149439a99441b8d261dc5a1.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3N1aXh1ZWppZQ_size_16_color_FFFFFF_t_70 3]: /images/20211203/ab1d8701975c45e0b9c805232e78338b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3N1aXh1ZWppZQ_size_16_color_FFFFFF_t_70 4]: /images/20211203/e3f706691ee24cff8b597a7d1991246a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3N1aXh1ZWppZQ_size_16_color_FFFFFF_t_70 5]: /images/20211203/129acb0bb7cd4bf29d60393c9d258b00.png