2022年4月中旬，美團CV崗實習(xí)面試題6道
公眾號福利
??回復(fù)【100題】領(lǐng)取《名企AI面試100題》PDF
??回復(fù)【干貨資料】領(lǐng)取NLP、CV、ML等AI方向干貨資料
??回復(fù)【往期招聘】查看往期重要招聘
問題1：簡單介紹gbdt算法的原理
GBDT是梯度提升決策樹，是一種基于Boosting的算法，采用以決策樹為基學(xué)習(xí)器的加法模型，通過不斷擬合上一個弱學(xué)習(xí)器的殘差，最終實現(xiàn)分類或回歸的模型。關(guān)鍵在于利用損失函數(shù)的負梯度在當(dāng)前模型的值作為殘差的近似值，從而擬合一個回歸樹。
對于分類問題：常使用指數(shù)損失函數(shù)；對于回歸問題：常使用平方誤差損失函數(shù)（此時，其負梯度就是通常意義的殘差），對于一般損失函數(shù)來說就是殘差的近似。
無論損失函數(shù)是什么形式，每個決策樹擬合的都是負梯度。準確的說，不是用負梯度代替殘差，而是當(dāng)損失函數(shù)是均方損失時，負梯度剛好是殘差，殘差只是特例。
問題2：pca屬于有監(jiān)督還是無監(jiān)督
PCA 按有監(jiān)督和無監(jiān)督劃分應(yīng)該屬于無監(jiān)督學(xué)習(xí)，所以數(shù)據(jù)集有無 y 并不重要，只是改變樣本 X 的屬性(特征)維度。
問題3：介紹svm算法
是一種二分類模型，它的基本模型是定義在特征空間上的間隔最大的線性分類器，間隔最大使它有別于感知機。
SVM可分為三種：
線性可分SVM
當(dāng)訓(xùn)練數(shù)據(jù)線性可分時，通過最大化硬間隔（hard margin）可以學(xué)習(xí)得到一個線性分類器，即硬間隔SVM。
線性SVM
當(dāng)訓(xùn)練數(shù)據(jù)不能線性可分但是近似線性可分時，通過最大化軟間隔（soft margin）也可以學(xué)習(xí)到一個線性分類器，即軟間隔SVM。
非線性SVM
當(dāng)訓(xùn)練數(shù)據(jù)線性不可分時，通過使用核技巧（kernel trick）和最大化軟間隔，可以學(xué)習(xí)到一個非線性SVM。
SVM的的學(xué)習(xí)策略就是間隔最大化，可形式化為一個求解凸二次規(guī)劃的問題，也等價于正則化的合頁損失函數(shù)的最小化問題。SVM的的學(xué)習(xí)算法就是求解凸二次規(guī)劃的最優(yōu)化算法。
SVM如何選擇核函數(shù)
Linear核：主要用于線性可分的情形。參數(shù)少，速度快，對于一般數(shù)據(jù)，分類效果已經(jīng)很理想了。
RBF核：主要用于線性不可分的情形。參數(shù)多，分類結(jié)果非常依賴于參數(shù)。有很多人是通過訓(xùn)練數(shù)據(jù)的交叉驗證來尋找合適的參數(shù)，不過這個過程比較耗時。
問題4：介紹transformer算法
Transformer本身是一個典型的encoder-decoder模型，Encoder端和Decoder端均有6個Block，Encoder端的Block包括兩個模塊，多頭self-attention模塊以及一個前饋神經(jīng)網(wǎng)絡(luò)模塊；Decoder端的Block包括三個模塊，多頭self-attention模塊，多頭Encoder-Decoder attention交互模塊，以及一個前饋神經(jīng)網(wǎng)絡(luò)模塊；需要注意：Encoder端和Decoder端中的每個模塊都有殘差層和Layer Normalization層。
問題5：layernorm和batchnorm的比較
Batch Normalization 是對這批樣本的同一維度特征做歸一化， Layer Normalization 是對這單個樣本的所有維度特征做歸一化。
區(qū)別：LN中同層神經(jīng)元輸入擁有相同的均值和方差，不同的輸入樣本有不同的均值和方差；
BN中則針對不同神經(jīng)元輸入計算均值和方差，同一個batch中的輸入擁有相同的均值和方差。所以，LN不依賴于batch的大小和輸入sequence的長度，因此可以用于batchsize為1和RNN中sequence的normalize操作。
問題6：Leetcode—兩數(shù)之和
該題較為簡單。
— 推薦閱讀 — 最新大廠面試題
學(xué)員最新面經(jīng)分享
七月內(nèi)推崗位
AI開源項目論文
NLP ( 自然語言處理 )
CV（計算機視覺）
推薦