面经 | 面试题目记录（美团）

以下内容带有部分提示性答案

无论是查找博客还是翻阅论文

大家还是要参照最全面的讲解哦～

一、开发基础

• TCP/IP
• C++虚函数
  • 由两个部分组成的，虚函数指针与虚函数表
  • C++允许用户使用虚函数 (virtual function) 来完成“运行时决议 ”这一操作，这与一般的“编译时决定”有着本质的区别
• “静态存储”和“动态存储”
  • 静态存储：全局变量
  • 动态存储：函数的形式参数
• 红黑树的原理
• 并发和并行的区别
  • https://www.jianshu.com/p/cbf9588b2afb
• 内存不够的情况下如何以最快速度进行排序
  • （海量数据类问题）

二、机器学习方向

• 讲一下LR
  • （sigmoid）
• SVM介绍一下？为什么可以使用对偶来求解原始问题？
• 核函数了解吗？核函数解决什么问题？
• 为什么高斯核函数可以拟合无限维
  • （无穷泰勒展开）
• ID3缺点
  • （信息增益对可取值数目较多的属性有所偏好）
• 朴素贝叶斯公式
• 抽象一个分类问题[m个样本，n个特征，k种标签]，问先验概率后验概率分别是什么
• 使用贝叶斯的前提条件
  • （贝叶斯公式没有前提条件）
• 使用朴素贝叶斯的前提条件
  • （所有特征相互独立的）
• GDBT和RF区别

三、深度学习方向

• 介绍熟悉的深度学习模型，并介绍优缺点
• 模型中方差，偏差怎么定义的
• 偏差，方差和过拟合，欠拟合的关系
• 怎么解决模型的方差偏大问题
  • 降低模型的复杂度
  • 减少数据维度：降噪
  • 使用验证集
  • 模型正则化
• 介绍loss的设计
• 样本严重不平衡如何处理
• BN解决了什么问题，为什么
  • （梯度消失与梯度爆炸/过拟合）
• BN中怎么处理训练集和测试集中均值，方差
  • 训练时对每一批的训练数据进行归一化，也即用每一批数据的均值和方差
  • 测试时，比如进行一个样本的预测，没有batch的概念，因此，这个时候用的均值和方差是全量训练数据的均值和方差，这个可以通过移动平均法求得
  • 对于BN，当一个模型训练完成之后，它的所有参数都确定了，包括均值和方差，gamma和bata
• normalization方法原理综述，GN，BN，LN，IN，他们的共性和特性
• 极大似然与交叉熵有什么区别

四、编程题 & 概率题

• 一个家庭有两个孩子，已知有一个是女孩子，全是女孩子的概率是多少
• 一个商店，1个小时卖出去5个包子，问下一个小时卖出6个的概率
• 写个快排
• 用最快的方法计算2的N次幂
  • （快速幂，O(logn)）
• 链表：
  • 找中点
  • 是否有环，环的入口
  • 是否有交点，找到交点
  • N个链表是否有交点，复杂度分析