昨天剛開始是筆試，完事後兩面技術面，最後hr面。第一次面試算法實習生，在此做下筆記，記錄面試問題與自己的不足。

筆試：

回來看牛客網，居然發現大部分都有，但可惜我還沒刷。

回憶下知識點從網上搜出這套題好多都有（2,5,6,7,8,9,21,42,46,48,49,53,55）

一、選擇題

    1. 某超市研究銷售紀錄數據後發現，買啤酒的人很大概率也會購買尿布，這種屬於數據挖掘的哪類問題？(A)

      A. 關聯規則發現 B. 聚類

      C. 分類 D. 自然語言處理

      2. 以下兩種描述分別對應哪兩種對分類算法的評價標準？ (A)

      (a)警察抓小偷，描述警察抓的人中有多少個是小偷的標準。

      (b)描述有多少比例的小偷給警察抓了的標準。

      A. Precision, Recall B. Recall, Precision

      A. Precision, ROC D. Recall, ROC

      
 
3. 將原始數據進行集成、變換、維度規約、數值規約是在以下哪個步驟的任務？(C)

      A. 頻繁模式挖掘 B. 分類和預測 C. 數據預處理 D. 數據流挖掘

      4. 當不知道數據所帶標簽時，可以使用哪種技術促使帶同類標簽的數據與帶其他標簽的數據相分離？(B)

      A. 分類 B. 聚類 C. 關聯分析 D. 隱馬爾可夫鏈

      5. 什麽是KDD？ (A)

      A. 數據挖掘與知識發現 B. 領域知識發現

      C. 文檔知識發現 D. 動態知識發現

      6. 使用交互式的和可視化的技術，對數據進行探索屬於數據挖掘的哪一類任務？（A）

      A. 探索性數據分析 B. 建模描述

      C. 預測建模 D. 尋找模式和規則

      
 
7. 為數據的總體分布建模；把多維空間劃分成組等問題屬於數據挖掘的哪一類任務？(B)

      A. 探索性數據分析 B. 建模描述

      C. 預測建模 D. 尋找模式和規則

      8. 建立一個模型，通過這個模型根據已知的變量值來預測其他某個變量值屬於數據挖掘的哪一類任務？(C)

      A. 根據內容檢索 B. 建模描述

      C. 預測建模 D. 尋找模式和規則

      9. 用戶有一種感興趣的模式並且希望在數據集中找到相似的模式，屬於數據挖掘哪一類任務？(A)

      A. 根據內容檢索 B. 建模描述

      C. 預測建模 D. 尋找模式和規則

      
 
11.下面哪種不屬於數據預處理的方法？ (D)

      A變量代換 B離散化 C 聚集 D 估計遺漏值

      12. 假設12個銷售價格記錄組已經排序如下：5, 10, 11, 13, 15,35, 50, 55, 72, 92, 204, 215 使用如下每種方法將它們劃分成四個箱。等頻（等深）劃分時，15在第幾個箱子內？ (B)

      A 第一個 B 第二個 C 第三個 D 第四個

      13.上題中，等寬劃分時（寬度為50），15又在哪個箱子裏？ (A)

      A 第一個 B 第二個 C 第三個 D 第四個

      14.下面哪個不屬於數據的屬性類型：(D)

      A 標稱 B 序數 C 區間 D相異

      15. 在上題中，屬於定量的屬性類型是：(C)

      A 標稱 B 序數 C區間 D 相異

      16. 只有非零值才重要的二元屬性被稱作：( C )

      A 計數屬性 B 離散屬性 C非對稱的二元屬性 D 對稱屬性

      17. 以下哪種方法不屬於特征選擇的標準方法： (D)

      A嵌入 B 過濾 C 包裝 D 抽樣

      18.下面不屬於創建新屬性的相關方法的是： (B)

      A特征提取 B特征修改 C映射數據到新的空間 D特征構造

      19. 考慮值集{1、2、3、4、5、90}，其截斷均值（p=20%）是 (C)

      A 2 B 3 C 3.5 D 5

      20. 下面哪個屬於映射數據到新的空間的方法？ (A)

      A 傅立葉變換 B特征加權 C 漸進抽樣 D維歸約

      21. 熵是為消除不確定性所需要獲得的信息量，投擲均勻正六面體骰子的熵是： (B)

      A 1比特 B 2.6比特 C 3.2比特 D 3.8比特

      22. 假設屬性income的最大最小值分別是12000元和98000元。利用最大最小規範化的方法將屬性的值映射到0至1的範圍內。對屬性income的73600元將被轉化為：(D)

      A 0.821 B 1.224 C 1.458 D 0.716

      23.假定用於分析的數據包含屬性age。數據元組中age的值如下（按遞增序）：13，15，16，16，19，20，20，21，22，22，25，25，25，30，33，33，35，35，36，40，45，46，52，70, 問題：使用按箱平均值平滑方法對上述數據進行平滑，箱的深度為3。第二個箱子值為：(A)

      A 18.3 B 22.6 C 26.8 D 27.9

      24. 考慮值集{12 24 332 4 55 68 26}，其四分位數極差是：(A)

      A 31 B 24 C 55 D 3

      25. 一所大學內的各年紀人數分別為：一年級200人，二年級160人，三年級130人，四年級110人。則年級屬性的眾數是： (A)

      A 一年級 B二年級 C 三年級 D 四年級

      26. 下列哪個不是專門用於可視化時間空間數據的技術： (B)

      A 等高線圖 B餅圖 C 曲面圖 D 矢量場圖

      27. 在抽樣方法中，當合適的樣本容量很難確定時，可以使用的抽樣方法是： (D)

      A 有放回的簡單隨機抽樣 B無放回的簡單隨機抽樣 C分層抽樣 D 漸進抽樣

      28. 數據倉庫是隨著時間變化的,下面的描述不正確的是 (C)

      A. 數據倉庫隨時間的變化不斷增加新的數據內容;

      B. 捕捉到的新數據會覆蓋原來的快照;

      C. 數據倉庫隨事件變化不斷刪去舊的數據內容;

      D. 數據倉庫中包含大量的綜合數據,這些綜合數據會隨著時間的變化不斷地進行重新綜合.

      29. 關於基本數據的元數據是指:(D)

      A. 基本元數據與數據源,數據倉庫,數據集市和應用程序等結構相關的信息;

      B. 基本元數據包括與企業相關的管理方面的數據和信息;

      C. 基本元數據包括日誌文件和簡歷執行處理的時序調度信息;

      D. 基本元數據包括關於裝載和更新處理,分析處理以及管理方面的信息.

      30. 下面關於數據粒度的描述不正確的是: (C)

      A. 粒度是指數據倉庫小數據單元的詳細程度和級別;

      B. 數據越詳細,粒度就越小,級別也就越高;

      C. 數據綜合度越高,粒度也就越大,級別也就越高;

      D. 粒度的具體劃分將直接影響數據倉庫中的數據量以及查詢質量.

      31. 有關數據倉庫的開發特點,不正確的描述是: (A)

      A. 數據倉庫開發要從數據出發;

      B. 數據倉庫使用的需求在開發出去就要明確;

      C. 數據倉庫的開發是一個不斷循環的過程,是啟發式的開發;

      D. 在數據倉庫環境中,並不存在操作型環境中所固定的和較確切的處理流,數據倉庫中數據分析和處理更靈活,且沒有固定的模式

      32. 在有關數據倉庫測試,下列說法不正確的是: (D)

      A. 在完成數據倉庫的實施過程中,需要對數據倉庫進行各種測試.測試工作中要包括單元測試和系統測試.

      B. 當數據倉庫的每個單獨組件完成後,就需要對他們進行單元測試.

      C. 系統的集成測試需要對數據倉庫的所有組件進行大量的功能測試和回歸測試.

      D. 在測試之前沒必要制定詳細的測試計劃.

      33. OLAP技術的核心是: (D)

      A. 在線性;

      B. 對用戶的快速響應;

      C. 互操作性.

      D. 多維分析;

      34. 關於OLAP的特性,下面正確的是: (D)

      (1)快速性 (2)可分析性 (3)多維性 (4)信息性 (5)共享性

      A. (1) (2) (3)

      B. (2) (3) (4)

      C. (1) (2) (3) (4)

      D. (1) (2) (3) (4) (5)

      35. 關於OLAP和OLTP的區別描述,不正確的是: (C)

      A. OLAP主要是關於如何理解聚集的大量不同的數據.它與OTAP應用程序不同.

      B. 與OLAP應用程序不同,OLTP應用程序包含大量相對簡單的事務.

      C. OLAP的特點在於事務量大,但事務內容比較簡單且重復率高.

      D. OLAP是以數據倉庫為基礎的,但其最終數據來源與OLTP一樣均來自底層的數據庫系統,兩者面對的用戶是相同的.

      36. OLAM技術一般簡稱為”數據聯機分析挖掘”,下面說法正確的是: (D)

      A. OLAP和OLAM都基於客戶機/服務器模式,只有後者有與用戶的交互性;

      B. 由於OLAM的立方體和用於OLAP的立方體有本質的區別.

      C. 基於WEB的OLAM是WEB技術與OLAM技術的結合.

      D. OLAM服務器通過用戶圖形借口接收用戶的分析指令,在元數據的知道下,對超級立方體作一定的操作.

      37. 關於OLAP和OLTP的說法,下列不正確的是: (A)

      A. OLAP事務量大,但事務內容比較簡單且重復率高.

      B. OLAP的最終數據來源與OLTP不一樣.

      C. OLTP面對的是決策人員和高層管理人員.

      D. OLTP以應用為核心,是應用驅動的.

      38. 設X={1，2，3}是頻繁項集，則可由X產生__(C)__個關聯規則。

      A、4 B、5 C、6 D、7

      40. 概念分層圖是__(B)__圖。

      A、無向無環 B、有向無環 C、有向有環 D、無向有環

      41. 頻繁項集、頻繁閉項集、最大頻繁項集之間的關系是： (C)

      A、頻繁項集 頻繁閉項集 =最大頻繁項集

      B、頻繁項集 = 頻繁閉項集 最大頻繁項集

      C、頻繁項集 頻繁閉項集最大頻繁項集

      D、頻繁項集 = 頻繁閉項集 = 最大頻繁項集

      42. 考慮下面的頻繁3-項集的集合：{1，2，3}，{1，2，4}，{1，2，5}，{1，3，4}，{1，3，5}，{2，3，4}，{2，3，5}，{3，4，5}假定數據集中只有5個項，采用 合並策略，由候選產生過程得到4-項集不包含（C）

      A、1，2，3，4 B、1，2，3，5 C、1，2，4，5 D、1，3，4，5

      43.下面選項中t不是s的子序列的是 ( C )

      A、s=<{2,4},{3,5,6},{8}>t=<{2},{3,6},{8}>

      B、s=<{2,4},{3,5,6},{8}>t=<{2},{8}>

      C、s=<{1,2},{3,4}>t=<{1},{2}>

      D、s=<{2,4},{2,4}>t=<{2},{4}>

      44. 在圖集合中發現一組公共子結構，這樣的任務稱為 ( B )

      A、頻繁子集挖掘 B、頻繁子圖挖掘 C、頻繁數據項挖掘 D、頻繁模式挖掘

      45. 下列度量不具有反演性的是(D)

      A、 系數 B、幾率 C、Cohen度量 D、興趣因子

      46. 下列__(A)__不是將主觀信息加入到模式發現任務中的方法。

      A、與同一時期其他數據對比

      B、可視化

      C、基於模板的方法

      D、主觀興趣度量

      47. 下面購物籃能夠提取的3-項集的最大數量是多少（C）

      ID 購買項

      1 牛奶，啤酒，尿布

      2 面包，黃油，牛奶

      3 牛奶，尿布，餅幹

      4 面包，黃油，餅幹

      5 啤酒，餅幹，尿布

      6 牛奶，尿布，面包，黃油

      7 面包，黃油，尿布

      8 啤酒，尿布

      9 牛奶，尿布，面包，黃油

      10 啤酒，餅幹

      A、1 B、2 C、3 D、4

      48. 以下哪些算法是分類算法，A，DBSCAN B，C4.5 C,K-Mean D,EM （B）

      49. 以下哪些分類方法可以較好地避免樣本的不平衡問題， A，KNN B，SVM C，Bayes D，神經網絡 （A）

      50. 決策樹中不包含一下哪種結點，A,根結點（root node) B,內部結點（internal node） C,外部結點（external node） D,葉結點（leaf node） (C)

      51. 不純性度量中Gini計算公式為（其中c是類的個數） (A)

      A, B, C, D, （A）

      53. 以下哪項關於決策樹的說法是錯誤的 (C)

      A. 冗余屬性不會對決策樹的準確率造成不利的影響

      B. 子樹可能在決策樹中重復多次

      C. 決策樹算法對於噪聲的幹擾非常敏感

      D. 尋找最佳決策樹是NP完全問題

      54. 在基於規則分類器的中，依據規則質量的某種度量對規則排序，保證每一個測試記錄都是由覆蓋它的“最好的”規格來分類，這種方案稱為 (B)

      A. 基於類的排序方案

      B. 基於規則的排序方案

      C. 基於度量的排序方案

      D. 基於規格的排序方案。

      55. 以下哪些算法是基於規則的分類器 (A)

      A. C4.5 B. KNN C. Na?ve Bayes D. ANN

      56. 如果規則集R中不存在兩條規則被同一條記錄觸發，則稱規則集R中的規則為

      （C）；

      A, 無序規則 B，窮舉規則 C， 互斥規則 D，有序規則

      57. 如果對屬性值的任一組合，R中都存在一條規則加以覆蓋，則稱規則集R中的規則為(B)

      A, 無序規則 B，窮舉規則 C，互斥規則 D，有序規則

      58. 如果規則集中的規則按照優先級降序排列，則稱規則集是 (D)

      A, 無序規則 B，窮舉規則 C， 互斥規則 D，有序規則

      59. 如果允許一條記錄觸發多條分類規則，把每條被觸發規則的後件看作是對相應類的一次投票，然後計票確定測試記錄的類標號，稱為（A）

      A, 無序規則 B，窮舉規則 C， 互斥規則 D，有序規則

      60. 考慮兩隊之間的足球比賽：隊0和隊1。假設65%的比賽隊0勝出，剩余的比賽隊1獲勝。隊0獲勝的比賽中只有30%是在隊1的主場，而隊1取勝的比賽中75%是主場獲勝。如果下一場比賽在隊1的主場進行隊1獲勝的概率為 (C)

      A，0.75 B,0.35 C,0.4678 D, 0.5738

      61. 以下關於人工神經網絡（ANN）的描述錯誤的有 (A)

      A，神經網絡對訓練數據中的噪聲非常魯棒 B，可以處理冗余特征 C，訓練ANN是一個很耗時的過程 D，至少含有一個隱藏層的多層神經網絡

      62. 通過聚集多個分類器的預測來提高分類準確率的技術稱為 (A)

      A,組合(ensemble) B,聚集(aggregate) C，合並(combination) D，投票(voting)

      63. 簡單地將數據對象集劃分成不重疊的子集，使得每個數據對象恰在一個子集中，這種聚類類型稱作（ B ）

      A、層次聚類 B、劃分聚類 C、非互斥聚類 D、模糊聚類

      64. 在基本K均值算法裏，當鄰近度函數采用（ A ）的時候，合適的質心是簇中各點的中位數。

      A、曼哈頓距離 B、平方歐幾裏德距離 C、余弦距離 D、Bregman散

二、簡答題

1、漏報和誤報的重要性判別標準以及分別在哪種場景可以允許

2、BI、數據分析、機器學習、數據挖掘的聯系與區別

三、編程題

1、10萬行日誌，裏面包含新增用戶信息，輸出新增了多少用戶（沒讀懂）

2、給定一個字符串，和一個字符列表，輸出全部包含這個字符列表的最短連續序列

總體而言筆試答的不太好，最後一個編程題有很多小細節沒想到，編程格式不規範，忘記寫函數了。習慣不好，沒有寫註解。

面試：

一面：

仔細按照簡歷上的點問的，實習經歷以及項目經驗。

（1）是不是用過word2vec，調參哪些，什麽影響，講word2vec的實現原理，是否看過源碼，是否自己實現了

（2）fasttext有沒有什麽問題，怎麽去優化（權重，tf-idf）

（3）自然語言處理方向還接觸哪些技術（降維：pca，svd），講原理

（4）看過哪些書，怎麽自學

（5）根據項目問爬蟲，針對反爬怎麽辦

（6）著重強調java高級語言的重要性以及大數據平臺，公司環境需要

（7）最後問編程能力怎麽樣，寫了個快排

二面：

二面技術總監，問了大體的實習經歷，具體實習做的事情以及怎麽解決的。二面不太好。

hr聊了下薪資待遇。

項目應用和實習這塊得準備好，這是短板。

面試算法實習生