邏輯回歸演算法面試問題

1. 深度學習（視覺）面試中常問的知識點有哪些

• 一些基礎演算法題。包含但不僅限於大學裡面ACM-ICPC競賽中的數論、圖論、數據結構、動態規劃、幾何數學等。不過鑒於很多面試官不是選手出身，所以你被問到的很可能是「Google面試題」、「Facebook面試題」、「國內某BATM面試題」之類的演算法題，你可以以這些為關鍵字上網搜搜看，或者上LeetCode之類的刷題網站（ps:我沒有用過）刷刷題找找感覺。

• 情景題。面試官可能會給你出一個情景題「在XXX情況下（此處省略100字），你有什麼比較好的方案」。比如說你面試的是搜索引擎，面試官就和可能和你聊一些搜索引擎的問題；比如你面試的是在線廣告競價，他可能就會和你聊一聊一些小網站裡面的小廣告；又或者你去面試游戲，可能會被問怎麼解決當攝像頭跑到牆後面時候的問題。你這里是深度學習，可能也會被問到以後這方面的情景題吧，你要准備一下。不過其實你回答不出來也沒有很大問題（如果你是校招或者剛剛轉行想做這個），這方面主要考考你的邏輯思維和口頭表達能力。

• 專業知識。深度學習這方面的專業知識。具體看公司要求了。如果他是想要找一些底子好的苗子自己培養，你這塊懂不懂也沒有太大關系。不過這是一個現實的社會，基本上都是要你在深度學習（視覺）方面的能力達到他們的需求的。而且我要是剛剛把你培養出來你就跳槽了那公司不就虧大了，所以現在招工基本上都要招能馬上上手的。

• 聊聊夢想。其實你在去面試之前，HR就可能做好了背景調查，所以你可能已經是他們想要的人了。這個時候面試官可能忽略上述條件直接和你聊生活聊理想了。這個時候要切記工資是否達到了你的要求，將來是否有長足的發展，因為如果飯都吃不飽，還談個什麼理想！不過也有可能是在測試你的溝通能力。

2. 中國聯通面試常見問題

問：在你這里買卡跟去營業廳買卡有什麼區別？

答：我們就是聯通網上營業廳，為了方便用戶足不出戶購物。我們只是換了一種銷售模式！目的就是讓客戶更方便。但是 你只是作為消費者在那裡消費.你要做會員，作為一個事業來做，要成為經營者就需要在我們這里辦理一些手續. 為你節約了去營業廳的時間，節約了車費，選號.交話費輕松搞定，優惠多多。

問：你們的話費有什麼優勢

答：中國移動的全球通新款套餐確實沒有我們的優惠.他們的所有套餐上網流量只有30M-400M，國內長 市話是0.19-.025元/分鍾.漫遊是0.29/分 漫遊地接打0.39元/分

中國聯通是市話、長話 一個價0.15元/分，上網流量40M-950M,,省外撥打無漫遊費，無長話費；贈送超長流量，超低流量費,全國一個價,你比較一下就明白了。

因為每個套餐都分為A B C，根據每一個人的所在地， 使用情況選擇 ，不是重慶的一般選擇B套餐，學生選擇A套餐

預存話費存一得三，比如:66套餐：預存120元送360元：一年內每月返還30元抵扣66套餐費，自己每月再存36元即可。

3. 什麼很多的面試要求上，都要求人員掌握數據分析的技能

什麼是數據分析？數據分析是指用適當的統計分析方法對收集來的大量數據進行分析，將它們加以匯總和理解並消化，以求最大化地開發數據的功能，發揮數據的作用。簡單來說，就是通過數據解決任何業務問題。

一個業務人員最重要的能力不是你會什麼技能，具備什麼知識，而是能解決問題，解決問題的前提是發現問題，數據分析恰好可以完成發現問題解決問題的使命。

在日益研究的招聘環境下，不管你是正要進入互聯網產品、運營等業務崗位的在校生，還是1-5 年經驗的運營、產品、營銷、新媒體等從業者，數據分析能力已經是用人單位對業務人員的重要考核點。

今年疫情影響下，相比傳統金融行業求職的一片哀嚎，技術類起薪確實比較香，根據2019年首屆數據科學理學碩士畢業生就業報告，畢業生平均薪資達到了27w，主要集中在互聯網、金融科技、量化領域。

隨著大數據技術逐漸滲透到各行各業，數據科學人才將迎來一波紅利。而對於本科非理工背景，又想在工作中將業務和技術結合起來的同學來說，數據分析(包含大數據類)無疑是不錯的選擇。

今天就給大家分享一下幾個熱門行業數據分析崗位的基本情況：

互聯網代表：阿里、騰訊、網路、京東、位元組跳動、拼多多、滴滴、美團、shopee（新加坡) 等

1）難度系數：☆☆☆☆☆

2）技能要求：

給大家看看騰訊的數據分析崗位要求

所需能力，主要是三點：

a.必須精通一門編程語言，python/MATLAB/C++；

b.有金融數據分析的能力；

c. 熟練掌握統計模型及機器學習模型，懂原理、能調包實現，最好能建模

3）薪資水平

券商基金的薪資基本無上限，看個人績效拿獎金，底薪大多20w上下

事業單位代表：上交所技術、深交所金融科技、深圳市/區政府及其研究院

1）難度：不太好評估，身邊的樣本較少，技術難度可能低於互聯網，但是由於招聘名額也較少，所以實際競爭比其實不低，同時也會比較關注學歷背景

2）薪資水平：基本和公務員齊平，一線城市的公務員和事業單位待遇都不低，加班和失業的機會也比較少，可以說是性價比較高的一份工作，不說了，就兩個字，羨慕。

4. python培訓機構具體都學習哪些內容

階段一：Python開發基礎
Python全棧開發與人工智慧之Python開發基礎知識學習內容包括：Python基礎語法、數據類型、字元編碼、文件操作、函數、裝飾器、迭代器、內置方法、常用模塊等。
階段二：Python高級編程和資料庫開發
Python全棧開發與人工智慧之Python高級編程和資料庫開發知識學習內容包括：面向對象開發、Socket網路編程、線程、進程、隊列、IO多路模型、Mysql資料庫開發等。
階段三：前端開發
Python全棧開發與人工智慧之前端開發知識學習內容包括：Html、CSS、JavaScript開發、Jquery&bootstrap開發、前端框架VUE開發等。
階段四：WEB框架開發
Python全棧開發與人工智慧之WEB框架開發學習內容包括：Django框架基礎、Django框架進階、BBS+Blog實戰項目開發、緩存和隊列中間件、Flask框架學習、Tornado框架學習、Restful API等。
階段五：爬蟲開發
Python全棧開發與人工智慧之爬蟲開發學習內容包括：爬蟲開發實戰。
階段六：全棧項目實戰
Python全棧開發與人工智慧之全棧項目實戰學習內容包括：企業應用工具學習、CRM客戶關系管理系統開發、路飛學城在線教育平台開發等。
階段七：數據分析
Python全棧開發與人工智慧之數據分析學習內容包括：金融量化分析。
階段八：人工智慧
Python全棧開發與人工智慧之人工智慧學習內容包括：機器學習、數據分析 、圖像識別、自然語言翻譯等。
階段九：自動化運維&開發
Python全棧開發與人工智慧之自動化運維&開發學習內容包括：CMDB資產管理系統開發、IT審計+主機管理系統開發、分布式主機監控系統開發等。
階段十：高並發語言GO開發
Python全棧開發與人工智慧之高並發語言GO開發學習內容包括：GO語言基礎、數據類型與文件IO操作、函數和面向對象、並發編程等。

5. 老男孩的python培訓怎麼樣

如果你有其它語言的編程基礎，我建議你直接找一個pdf的教程，比如《python參考手冊》來學習。
當然如果你對編程完全是新手，看看視頻還是可以的，老王python與老男孩python我的建議你選老王python，你在看視頻的過程中也需要自己動手寫一下代碼，這樣才能真正的學會python。

6. 老男孩還有傳智的Python培訓哪個完善些

這種都不能到企業內部的，都是紙上談兵
我在交大人工智慧中心報的，就是直接在企業內部實習學習，做真實項目
這種企業裡面的更完善

7. 老王PYTHON 培訓如何 不知道的就不要答了

各個Python培訓都有自己獨特的優勢所在，而且每個人的需求不同，自然選擇上看法也是不同的。
在選擇Python培訓機構的時候，道聽途說是沒有用的，最好是親自試聽一下課程，根據自己的實際需求來決定，適合自己的才是最好的。

8. 大數據面試經驗：餓了么數據分析師

又有一種數據分析師，崗位職責要求你掌握常用的機器學習演算法，面試首先推導一個決策樹或者邏輯回歸。入職後也是各類代碼，和分析打交道的情況不多。

9. 面試數據分析師的常見問題

面試數據分析師的常見問題。數據分析師指的是不同行業中，專門從事行業數據搜集、整理、分析，並依據數據做出行業研究、評估和預測的專業人員。那麼在應聘數據分析師這一職位的求職者會面臨哪些面試問題呢？

1、告訴我二個分析或者計算機科學相關項目？你是如何對其結果進行衡量的？
2、如何讓一個網路爬蟲速度更快、抽取更好的信息以及更好總結數據從而得到一干凈的資料庫？
3、什麼是：提升值、關鍵績效指標、強壯性、模型按合度、實驗設計、2/8原則？
4、什麼是：協同過濾、n-grams, map rece、餘弦距離？
5、點擊流數據應該是實時處理？為什麼？哪部分應該實時處理？
6、如何設計一個解決抄襲的方案？
7、如何檢驗一個個人支付賬戶都多個人使用？
8、什麼是概率合並(AKA模糊融合)？使用SQL處理還是其它語言方便？對於處理半結構化的數據你會選擇使用哪種語言？
9、你認為哪個更好：是好的數據還是好模型？同時你是如何定義「好」？存在所有情況下通用的模型嗎？有你沒有知道一些模型的定義並不是那麼好？
10、你最喜歡的編程語言是什麼？為什麼？
11、你是如何處理缺少數據的？你推薦使用什麼樣的處理技術？
12、什麼是大數據的詛咒？
13、對於你喜歡的統計軟體告訴你喜歡的與不喜歡的3個理由。
14、SAS, R, Python, Perl語言的區別是？
15、你喜歡TD資料庫的什麼特徵？
16、你參與過資料庫與數據模型的設計嗎？
17、你是否參與過儀表盤的設計及指標選擇？你對於商業智能和報表工具有什麼想法？
18、請舉例說明maprece是如何工作的？在什麼應用場景下工作的很好？雲的安全問題有哪些？
19、如何你打算發100萬的營銷活動郵件。你怎麼去優化發送？你怎麼優化反應率？能把這二個優化份開嗎？
20、如果有幾個客戶查詢ORACLE資料庫的效率很低。為什麼？你做什麼可以提高速度10倍以上，同時可以更好處理大數量輸出？
21、如何把非結構化的數據轉換成結構化的數據？這是否真的有必要做這樣的轉換？把數據存成平面文本文件是否比存成關系資料庫更好？
22、什麼是哈希表碰撞攻擊？怎麼避免？發生的頻率是多少？
23、如何判別maprece過程有好的負載均衡？什麼是負載均衡？
24、你處理過白名單嗎？主要的規則？(在欺詐或者爬行檢驗的情況下)
25、(在內存滿足的情況下)你認為是100個小的哈希表好還是一個大的哈希表，對於內在或者運行速度來說？對於資料庫分析的評價？
26、為什麼樸素貝葉斯差？你如何使用樸素貝葉斯來改進爬蟲檢驗演算法？
27、普通線性回歸模型的缺陷是什麼？你知道的其它回歸模型嗎？
28、什麼是星型模型？什麼是查詢表？
29、你可以使用excel建立邏輯回歸模型嗎？如何可以，說明一下建立過程？
30、在SQL, Perl, C++, Python等編程過程上，待為了提升速度優化過相關代碼或者演算法嗎？如何及提升多少？
31、使用5天完成90%的精度的解決方案還是花10天完成100%的精度的解決方案？取決於什麼內容？
32、定義：QA(質量保障)、六西格瑪、實驗設計。好的與壞的實驗設計能否舉個案例？
33、什麼是敏感性分析？擁有更低的敏感性(也就是說更好的強壯性)和低的預測能力還是正好相反好？你如何使用交叉驗證？你對於在數據集中插入雜訊數據從而來檢驗模型的敏感性的想法如何看？
34、你認為葉數小於50的決策樹是否比大的好？為什麼？
35、保險精算是否是統計學的一個分支？如果不是，為何如何？
36、給出一個不符合高斯分布與不符合對數正態分布的數據案例。給出一個分布非常混亂的數案例。
37、你如何建議一個非參數置信區間？
38、你如何證明你帶來的演算法改進是真的有效的與不做任何改變相比？你對A/B測試熟嗎？
39、為什麼說均方誤差不是一個衡量模型的好指標？你建議用哪個指標替代？
40、對於一下邏輯回歸、決策樹、神經網路。在過去15年中這些技術做了哪些大的改進？
41、除了主成分分析外你還使用其它數據降維技術嗎？你怎麼想逐步回歸？你熟悉的逐步回歸技術有哪些？什麼時候完整的數據要比降維的數據或者樣本好？
42、如何創建一個關鍵字分類？
43、你熟悉極值理論、蒙特卡羅邏輯或者其它數理統計方法以正確的評估一個稀疏事件的發生概率？
44、什麼是歸因分析？如何識別歸因與相關系數？舉例。
45、如何定義與衡量一個指標的預測能力？
46、如何為欺詐檢驗得分技術發現最好的規則集？你如何處理規則冗餘、規則發現和二者的本質問題？一個規則集的近似解決方案是否可行？如何尋找一個可行的近似方案？你如何決定這個解決方案足夠好從而可以停止尋找另一個更好的？
47、什麼是概念驗證？
48、什麼是僵屍網路？如何進行檢測？
49、你有使用過API介面的經驗嗎？什麼樣的API？是谷歌還是亞馬遜還是軟體即時服務？
50、什麼時候自己編號代碼比使用數據科學者開發好的軟體包更好？
51、可視化使用什麼工具？在作圖方面，你如何評價Tableau？R？SAS？在一個圖中有效展現五個維度？
52、是假陽性好還是假陰性好？
53、你主要與什麼樣的客戶共事：內部、外部、銷售部門/財務部門/市場部門/IT部門的人？有咨詢經驗嗎？與供應商打過交道，包括供應商選擇與測試。
54、你熟悉軟體生命周期嗎？及IT項目的生命周期，從收入需求到項目維護？
55、什麼是cron任務？
56、你是一個獨身的編碼人員？還是一個開發人員？或者是一個設計人員？
57、什麼讓一個圖形使人產生誤解、很難去讀懂或者解釋？一個有用的圖形的特徵？
58、你熟悉價格優化、價格彈性、存貨管理、競爭智能嗎？分別給案例。
59、Zillow』s演算法是如何工作的？
60、如何檢驗為了不好的目的還進行的虛假評論或者虛假的FB帳戶？
61、你如何創建一個新的匿名數字帳戶？
62、你有沒有想過自己創業？是什麼樣的想法？
63、你認為帳號與密碼輸入的登錄框會消失嗎？它將會被什麼替代？
64、你用過時間序列模型嗎？時滯的相關性？相關圖？光譜分析？信號處理與過濾技術？在什麼樣的場景下？
65、哪位數據科學有你最佩服？從哪開始？
66、你是怎麼開始對數據科學感興趣的？
67、你覺得下一個20年最好的5個預測方法是？
68、什麼是推薦引擎？它是如何工作的？
69、什麼是精密測試？如何及什麼時候模擬可以幫忙我們不使用精密測試？
70、你認為怎麼才能成為一個好的數據科學家？
71、你認為數據科學家是一個藝術家還是科學家？
72、你怎麼馬上就知道在一篇文章中(比如報紙)發表的統計數字是錯誤，或者是用作支撐作者的論點，而不是僅僅在羅列某個事物的信息？例如，對於每月官方定期在媒體公開發布的失業統計數據，你有什麼感想？怎樣可以讓這些數據更加准確？
73、給出一些在數據科學中「最佳實踐的案例」。
74、什麼是效率曲線？他們的缺陷是什麼，你如何克服這些缺陷？
75、你處理過的最大的數據量？你是如何處理他們的？處理的結果。
76、什麼是一個好的、快速的聚類演算法的的計算復雜度？什麼好的聚類演算法？你怎麼決定一個聚類的聚數？
77、你知道使用在統計或者計算科學中的「經驗法則」嗎？或者在商業分析中。
上述的這些問題在面試數據分析師的求職者中非常容易遇到的，有些的涉及到專業性的問題，因此在面試之前一定要做好充足的准備！

10. Google人工智慧筆試題你會多少

1.為什麼要使用特徵選擇（feature selection）？
2.如果兩個預測變數高度相關，它們對邏輯回歸系數的影響是什麼？系數的置信區間是什麼？
3.高斯混合模型（Gaussian Mixture Model）和 K-Means 之間有什麼區別？
4. 在 K-Means 中如何拾取 k？
5.你如何知道高斯混合模型是不是適用的？
6.假設聚類模型的標簽是已知的，你如何評估模型的性能？
7.請嘗試向非技術人員闡釋交叉驗證（Cross-validation）。
8.請描述一下非正態概率分布以及該如何應用？
9.（數據分析師）請寫一個程序可以判定二叉樹的高度。