❶ 百度計算機視覺演算法工程師面經(research 崗，已offer)
一面(技術面)：
1、相機外參，相機內參
2、分水嶺演算法
3、目標檢測了解嗎
4、3D這塊有了解嗎
5、論文是你寫的嗎
6、介紹一下圖像分割
7、Deeplab v1, v2, v3, v3+
8、U-net後續改進
9、Non-local
10、經典三維重建公式
11、分割常用backbone
二面(技術面)：
1、數據增強方法
2、dropout方法
3、圖像分割常見深度學習方法
4、簡單介紹一下三維重建項目，平行還是stereo，如何估計的depth map
5、deep lab v3與deep lab v3+的區別
6、深度可分離卷積介紹，輸入輸出，channel數
7、為什麼mobile net要用深度可分離卷積
8、數據集imbalance如何處理
9、常見的圖像分割損失函數
10、iou能作為損失函數嗎
11、linux 下shell命令行開發熟悉嗎
12、組里以發論文為主，寫論文的意願
13、相機內外參
14、現在大幾，可實習到什麼時候
15、希望自驅性比較高
三面(hr面)
因為是日常實習崗不是校招所以沒有...
總結
二次面試過程中我都有些太隨意了，有過一些打斷面試小姐姐說話的舉動，謝謝說的比較少，中間不舒服還活動了下嗓子...還好問的問題比較簡單最後過了。
❷ 如何成為AI人工智慧演算法工程師
我在學校也打了python，做了一個履帶式演示或類似的東西，因為時間不長，我把它放在一旁。明確的目標，例如，如果您想進行NLP，則需要知道NLP的應用程序具有智能的問題解答，機器翻譯，搜索引擎等。然後，如果要進行智能問題解答，則必須知道最先進的技術是深度學習，並且使用的演算法是RNN/LSTM/Seq2Seq
/等。我明確的目標是在實習期間給我任務。當任務清晰時，所需的語言就清晰了，要學習的演算法也就清晰了，並且很多事情都是合乎邏輯的。
從金融到技術
人工智慧的應用非常廣泛，每個研究方向都是無限的。由於金融公司很少與圖像處理和諸如NLP之類的技術進行交互，因此我強烈的好奇心使我決定去純粹的技術公司進行調查。致力於智能家居，目標是Javis
人工智慧/機器學習/深度學習
我經常在公交車的廣告牌上看到這些字眼，好像沒有該技術的公司會落後一樣。還有各種學習，例如強化學習，遷移學習，增量學習。
這些話之間是什麼關系機器學習是人工智慧的一種，而深度學習是機器學習的一種。在學習機器學習之前先學習AI。
計算機「演算法」與數學「演算法」之間的區別
理論知識對於AI演算法工程師來說非常重要。敲代碼只是想法的實現過程。這里的「演算法」與計算機CS的「演算法」不同。
AI演算法是從數學上推導的，因此仍然需要學習數學基礎。學習越深入，要求越高。在面試期間，極少允許使用手寫代碼，並且90%的人要求模型挑選演算法細節。
在學校里，我是一個不喜歡做筆記的人，甚至是一個不喜歡上課的人。但是自從我進入機器學習之路以來，筆記就開始騰飛了〜
❸ 飛控演算法工程師選什麼專業
飛控演算法工程師通常需要具備較高的數學水平和邏輯思維能力。因此，選擇計算機、電子、通信、數學等相關專業將更為合適。這些專業的學生將有機會學習到高數、線性代數、離散數學、數據結構以及計算機科學等課程。
高數課程涵蓋了微積分、級數、偏微分方程等內容，有助於工程師理解復雜系統的行為和動態。線性代數則研究向量空間、線性變換等，對處理多維數據至關重要。離散數學涉及集合論、圖論、邏輯學等，培養工程師的抽象思維和問題解決能力。數據結構課程教授鏈表、樹、圖等數據組織方式，這對於優化演算法性能至關重要。計算機科學課程則涵蓋了編程語言、操作系統、編譯原理等方面的知識，是構建演算法和實現軟體的基礎。
在學習這些課程的過程中，學生可以逐步提高自己在數學和邏輯思維方面的技能，從而更好地應對飛控演算法工程師的工作挑戰。此外，相關專業的學生還可能有機會參與科研項目、實習等，進一步提升自己的實踐能力和職業素養。
綜上所述，對於希望成為飛控演算法工程師的人來說，選擇計算機、電子、通信、數學等相關專業是非常明智的決定。這些專業不僅能夠提供必要的理論知識，還能通過實踐和項目經驗，幫助學生更好地掌握所需的技能。