向AI轉型的程式設計師都關注了這個號???

大資料探勘DT資料分析  公眾號： datadw

把一些相關的知識點總結一下。這個比長，感興趣的挑自己相關的那部分看。

都是一些基礎知識，面相關崗位問到的比較多。

（回答時對演算法要有一定的見解，最好不要照書上的背）  

（一）            機器學習方面

SVM  

1、  支撐平面---和支援向量相交的平面；；；分割平面---支撐平面中間的平面（最優分類平面）

2、  SVM不是定義損失，而是定義支援向量之間的距離à目標函式看PPT13~17頁

3、  正則化引數對支援向量數的影響

LR  

1、  LR的形式：h(x)=g(f(x))；其中x為原始資料；f（x）為線性/非線性迴歸得到的值，也叫判定邊界；g（）為Sigmoid函式，最終h(x)輸出範圍為（0,1）

LR對樣本分佈敏感。  

***LR和樸素貝葉斯（NB）的區別？  

LR是loss最優化求出的，NB是統計跳過loss最優，直接得出權重

NB比LR多了一個條件獨立假設

一個是判別模型（LR），一個是生成模型（NB）

1、  判別模型和生成模型？？？

2、  機器學習中，LR和SVM有什麼區別？à

兩者都可以處理非線性問題；LR和SVM最初都是針對二分類問題的。

SVM最大化間隔平面、LR極大似然估計；SVM只能輸出類別，不能給出分類概率

兩者loss function不同；LR的可解釋性更強；SVM自帶有約束的正則化

2、LR為什麼用sigmoid函式，這個函式有什麼優點和缺點？為什麼不用其他函式？（sigmoid是伯努利分佈的指數族形式）

Logistic Regression 只能用於二分類,而sigmoid對於所有的輸入，得到的輸出接近0或1

Sigmoid存在的問題：梯度消失、其輸出不是關於原點中心對稱的（訓練資料不關於原點對稱時，收斂速度非常慢à輸入中心對稱，得到的輸出中心對稱時，收斂速度會非常快）、計算耗時

Tanh啟用函式存在的問題：梯 度消失、計算耗時，但是其輸出是中心對稱的

ReLU：其輸出不關於原點對稱；反向傳播時，輸入神經元小於0時，會有梯度消失問題；當x=0時，該點梯度不存在（未定義）；

ReLu失活（dead RELU）原因：權重初始化不當、初始學習率設定的非常大

Maxout：根據設定的k值，相應的增大了神經元的引數個數

Xavier權重初始化方法：對每個神經元的輸入開根號

3、  SVM原問題和對偶問題關係？

SVM對偶問題的獲得方法：將原問題的目標函式L和約束條件構造拉格朗日函式，再對L中原引數和lambda、miu分別求導，並且三種導數都等於0；再將等於0的三個導數帶入原目標函式中，即可獲得對偶問題的目標函式

關係：原問題的最大值相對於對偶問題的最小值

4、  KKT（Karysh-Kuhn-Tucker）條件有哪些，完整描述？

KKT條件是思考如何把約束優化轉化為無約束優化à進而求約束條件的極值點

下面兩個思考題的答案都是在需要優化的目標為凸函式（凸優化）的情況下。  

問題一：當一個優化問題是凸優化問題時，可以直接用KKT條件求解。  

5、  凸優化（可行域為約束條件組成的區域）

5、 SVM的過程？Boost演算法？

6、  決策樹過擬合哪些方法，前後剪枝

決策樹對訓練屬性有很好的分類能力；但對位置的測試資料未必有好的分類能力，泛化能力弱，即發生過擬合。

防止過擬合的方法：剪枝（把一些相關的屬性歸為一個大類，減少決策樹的分叉）；隨機森林

7、  L1正則為什麼可以把係數壓縮成0，座標迴歸的具體實現細節？

L1正則化可以實現稀疏（即截斷），使訓練得到的權重為0；

l1正則會產生稀疏解，即不相關的的特徵對應的權重為0，就相當於降低了維度。但是l1的求解複雜度要高於l2,並且l1更為流行

正則化就是對loss進行懲罰（加了正則化項之後，使loss不可能為0,lambda越大懲罰越大-->lambda較小時，約束小，可能仍存在過擬合；太大時，使loss值集中於正則化的值上）

正則化使用方法：L1/L2/L1+L2

8、  LR在特徵較多時可以進行怎樣的優化？-->L1正則有特徵選擇的作用

如果是離線的話，L1正則可以有稀疏解，batch大點應該也有幫助，線上的解決思路有ftrl,rds,robots,還有阿里的mlr。當然還可以用gbdt,fm,ffm做一些特性選擇和組合應該也有效果。

9、  機器學習裡面的聚類和分類模型有哪些？

分類：LR、SVM、KNN、決策樹、RandomForest、GBDT

迴歸：non-Linear regression、SVR（支援向量迴歸-->可用線性或高斯核（RBF））、隨機森林

聚類：Kmeans、層次聚類、GMM（高斯混合模型）、譜聚類

10、              聚類演算法（可以作為監督學習中稀疏特徵的處理）：Kmeans、層次聚類、GMM（高斯混合模型）

聚類演算法唯一用到的資訊是樣本和樣本之間的相似度。  

評判聚類效果準則：高類間距，低類內距；高類內相似度，低類間相似度。

相似度與距離負相關。

影象之間的距離的度量是對每個畫素操作，最後獲得距離

Kmeans和GMM需要制定類別K

A、Kmeans演算法：對於已有的未標記的樣本，同時給定結果聚類的個數K；目標是把比較接近的樣本歸為一類，總共得到k個cluster

Kmeans中初始k箇中心點（Kmeans對中心點的選取比較敏感）的選取方法：a、隨機選取k個初始的樣本中心點(b、直接選取k個樣本點)，然後計算每個樣本到k個選定的樣本中心點的距離；再比較待聚類樣本到初始樣本點的距離，將待聚類的樣本指定為距離較近的各個類別（離哪個近，就歸為哪一類）；最後重新計算聚類中心：；重複迭代。

Kmeans收斂狀態:  

（1）聚類中心不再變化（2）每個樣本到對應聚類中心的距離之和不再有很大的變化  

損失函式àloss function後面的||xn-uk||^2表示採用歐式距離作為距離度量：  

Kmeans可以用於影象分割；

Kmeans的缺點：對初始樣本點的選取敏感；對異常點（如：一個遠離大多數點的孤立的點）的免疫不好；對團狀資料點效果較好，對帶狀效果不好；

Kmeans與Kmeans++初始化的區別：Kmeans初始樣本點的選取是隨機選取的；Kmeans++是選取最遠的k個點作為初始樣本點

A、 層次聚類  

有兩種層次聚類--)bottom-up（從多個類聚成一個類-->每次都是合併最相似的兩個類）、up-bottom（一個類到多個類-->每次都剔除最不相似的類）；層次距離是一種樹狀結構

Kmeans與層次聚類對比：  

C、高斯混合模型à由單高斯模型線性加權組合

初始引數：樣本點屬於各個高斯函式的概率，以及每個高斯函式的均值和方差（引數都是隨機給定）

GMM求解過程àEM演算法求解     

E-step（由已知的均值和方差估算在該引數下的樣本點的分佈）和M-step（由樣本點的分佈再求均值和方差）是EM演算法。

à這和EM求解的過程一樣

Kmeans是硬聚類（每個樣本只能屬於某一類）；而GMM對於每個樣本點，都有屬於每個類的概率。

GMM優勢：多個分佈的組合、速度快（EM演算法求解）、最大資料似然概率

GMM劣勢：對初始化值敏感，容易陷入區域性最優、需指定k個高斯分佈；對非凸分佈資料集效果不好。

11、              kmeans的分類過程，用kmeans的資料有什麼樣的分佈（高斯分佈），loss函式是啥？

見問題“9”

12、              邏輯斯特迴歸和線性迴歸的損失函式？

13、              正則化為什麼能防止過擬合？(https://www.zhihu.com/question/20700829)

過擬合表現在訓練資料上的誤差非常小，而在測試資料上誤差反而增大。其原因一般是模型過於複雜，過分得去擬合數據的噪聲. 正則化則是對模型引數新增先驗，使得模型複雜度較小，對於噪聲的輸入擾動相對較小。

正則化時，相當於是給模型引數w 添加了一個協方差為1/lambda 的零均值高斯分佈先驗。對於lambda =0，也就是不新增正則化約束，則相當於引數的高斯先驗分佈有著無窮大的協方差，那麼這個先驗約束則會非常弱，模型為了擬合所有的訓練資料，w可以變得任意大不穩定。lambda越大，表明先驗的高斯協方差越小，模型約穩定，相對的variance(方差)也越小。  

10、關鍵詞  

1、訓練集測試集驗證集劃分方式

https://www.zhihu.com/question/26588665/answer/33490049  

2、TPR（Recall）、FPR、ROC 、AUC(與準確率和召回率有關)

http://blog.csdn.net/feiyang2010jin/article/details/50547365  

3、座標軸下降法->用來解決loss function對引數不可導時（此時梯度下降演算法不再有效），求取引數更新量的方法

座標軸下降法和梯度下降法具有同樣的思想，都是沿著某個方向不斷迭代，但是梯度下降法是沿著當前點的負梯度方向進行引數更新，而座標軸下降法是沿著座標軸的方向。

http://blog.csdn.net/ymmxz/article/details/69396222  

lasso(Least absolute shrinkage and selection operator)

座標軸下降法和最小角迴歸法（http://blog.csdn.net/bbbeoy/article/details/72523540）都是求解Lasso迴歸的方法。

4、批量梯度下降演算法BGD，小批量梯度下降法MBGD，隨機梯度下降演算法SGD的比較  

http://blog.csdn.net/yMMxz/article/details/69371926  

5、學習率褪火 （衰減）-->沒學習多少次都會將學習率減少（lr/decay_rate）

6、多分類問題轉二分類方法-->組合多個二分類器來實現多分類器，方法如下：

a.一對多法（one-versus-rest,簡稱OVR SVMs）。訓練時依次把某個類別的樣本歸為一類,其他剩餘的樣本歸為另一類，這樣k個類別的樣本就構造出了k個SVM。分類時將未知樣本分類為具有最大分類函式值的那類。

b.一對一法（one-versus-one,簡稱OVO SVMs或者pairwise）。其做法是在任意兩類樣本之間設計一個SVM，因此k個類別的樣本就需要設計k(k-1)/2個SVM。當對一個未知樣本進行分類時，最後得 票最多的類別即為該未知樣本的類別。

c.層次支援向量機（H-SVMs）。層次分類法首先將所有類別分成兩個子類，再將子類進一步劃分成兩個次級子類，如此迴圈，直到得到一個單獨的類別為止。

說明：LR的多分類也可以用上面的方法。

http://blog.sina.com.cn/s/blog_4af0fab001010ybp.html  

http://blog.sina.com.cn/s/blog_4c98b96001009b8d.html  

1、  跳出區域性極小值方法

-->優化方法，如momentum updata、Adam等；調整學習率

4、顯著性檢驗

5、線性迴歸、廣義線性迴歸

7、最小二乘誤差及其概率解釋

9、LDA（二類、多類）

11、類別不平衡解決方法：欠取樣、過取樣、閾值移動

12、模型融合方法：bagging、隨機森林、ADABOOST、 Gradient Boosting Tree

前面兩種是綜合多個模型的結果；後面兩個是重複訓練

Bagging-->模型融合（隨機森林也屬於模型融合）；有兩種方法(bagging對樸素貝葉斯沒什麼用，因為NB太穩定，提升不大)

ADABOOST（boosting一類的演算法）的步驟-->重複迭代和訓練；每次分配給錯的樣本更高的權重；最簡單的分類器（如：線性分類器的二分類）疊加

ADABOOST分類過程詳細解釋如下：先用一個簡單的分類器將樣本分成兩類；為分錯的樣本分配更高的權重（初始權重設為1/N即可，N為樣本數）；重複上次兩個過程（再次分類，併為錯誤的樣本設定更高的權重）；最後將所有樣本資料正確分類後，將各個分類器疊加。

Gradient Boosting Tree：和Adaboost的思路類似，解決迴歸問題。

14、              決策樹、隨機森林、GBDT、XGBOOST

A、決策樹（有監督學習）：  

建立決策樹的關鍵，即在當前狀態下選擇哪個屬性作為分類依據。根據不同的目標函式，建立決策樹主要有一下三種方法：ID3、C4.5、CART

B、Bootstraping：不需要外界幫助，僅依靠自身力量讓自己變得更好。

C、隨機森林（bagging+決策樹）：

Bootstrap取樣：有放回的重複抽樣

D、Adaboost：  

教程第11節 決策樹隨機森林……pdf –p37

E、  GBDT—梯度下降決策樹（有監督學習）

15、              熵 資訊增益（ID3演算法）、資訊增益率（C4.5演算法）、基尼係數（CART）

教程第11節 決策樹隨機森林……pdf -p10

16、              投票機制

1）一票否決（一致表決）、2）少數服從多數、3）有效多數（加權）

16、數值優化理論：梯度下降、牛頓、共軛梯度

牛頓法（dk為更新量）-->引入了二階偏導（Hessian矩陣）-->求解無約束優化（迭代的初始值一般是隨機選取的）  

缺點：不能保證Hessian矩陣（二階偏導組成的矩陣）一定可逆  

17、SVM、SVR、軟間隔SVM、SMO

18、SVM核函式

核函式主要是將線性不可分的資料對映到高位空間再進行分類

核函式的種類：

高斯核是用的最多的核函式à對訓練資料分類效果最好  

高斯核的缺點：容易過擬合，需要更多的樣本、泛化能力弱  

19、距離方法：閔科夫斯基 、VDM、馬氏距離

20、K-means、KNN、LVQ、DBSCAN、譜聚類  

21、降維方法：LDA、PCA、SVD

22、特徵選擇方法：總體分為過濾型、包裹型、嵌入型（à基於模型的；如：正則化）

Relief、LVW、正則化（L1/L2）

特徵選擇的原因：特徵存在冗餘（特徵相關度太高）、摻雜了噪聲（特徵對預測結果有負影響）

L1正則化是截斷效應（實現稀疏，把不相關的特徵的係數變成0）；L2正則化是縮放效應，使最後得到的引數很小

25、交叉熵？KL散度（也叫KL距離）？

25、最大熵模型、EM(Expectation Maximization)演算法

最大熵模型的求解可以轉化為對偶問題的極大化；

26、特徵-->資料中抽取出來的對結果預測有用的資訊

       特徵工程-->使用專業背景知識和技巧處理資料，使得特徵能在機器學習演算法上發揮很好的作用的過程。

27、交叉驗證

K折交叉驗證（K-flod cross validation）

http://www.cnblogs.com/boat-lee/p/5503036.html  

將訓練集分成K份；依次將第i（i=k,…,1）折作為交叉驗證集，其餘k-1折（除第i折外）作為測試集；總共進行k次，每進行完一次訓練，都用test data去測試，得到k個準確率；最後取k個準確率的均值作為最後結果。

28、過擬合和欠擬合

欠擬合（under fitting）：引數過少，不足以表達資料的特徵

過擬合（over fitting）：引數過多，過渡擬合數據，泛化能力差（訓練時的準確率很好，但測試的時候就很差）

欠擬合解決方法：找更多的特徵；減小正則化係數

（二）深度學習方面

1、MLP的BP過程？delta的意義？每一層節點的殘差？

2、max pool層怎麼做的？

3、caffe架構？caffe如何構建網路?

4、去卷積過程（轉置卷積）？http://blog.csdn.net/fate_fjh/article/details/52882134  

5、單個神經元是否線性可分（模式識別的概念，是否能用用線性函式將樣本分類）？

是否線性可分是對於樣本集的;線性可分是資料集合的性質，和分類器沒啥關係。

可以通過線性函式分類的即為線性可分

6、深度學習模型的發展？深度學習的評價標準？

7、強化學習應用場景和方法？adaboost和cascade adaboost？損失函式有哪些？分類迴歸聚類的區別與聯絡？目標檢測的三種方法？

8、目標檢測常用的網路,RCNN, SPP, Fast RCNN, Faster RCNN的區別？

9、隨機梯度下降，標準梯度？softmax公式？資訊熵公式？

10、SVM和softmax的區別？

Svm具有附加穩定性，當樣例滿足邊界條件時，該樣例不會影響損失函式；而softmax將考慮所有的樣例

11、訓練時，mini-batch與GPU的記憶體匹配-->訓練網路時的mini batch是由GPU的記憶體決定的。

12、正則化：正則化表現的是對高維度W的懲罰力度，當正則化係數（lambda）很大時，使w變的非常小，最終的結果是函式變得非常平滑。正則化係數（lambda）越小，擬合程度越高，效果越好。

13、batch normalization中gamma和beta初始化為1和0，然後在訓練中優化他們

BN可以減少dropout（可以不要dropout）

14、當訓練到最後，loss值很大，但精度在上升？-->說明loss變化很小，需要增大學習率

梯度爆炸（loss發散，出現nan）-->學習率很大，需要減小學習率

15、如果loss開始一直不變，但是從某點開始下降的原因à因為初始值選定的不好，錯誤的初始值會讓梯度一開始接近0。

16、優化策略的比較：

http://www.cnblogs.com/denny402/p/5074212.html  

SGD-->Momentum updata-->Nesterov Momentum updata-->AdaGrad update--> RMSProp update-->Adam update

以上都是一階優化方法，對於二階優化方法(BFGS和L-BFGS)，二階優化方法不需要學習率這個引數，可以直接對目標進行優化。

SGD:根據梯度直接更新w

Momentum updata：不是通過計算得到的梯度直接更新w，而是增加一個變數V（定義為速度），改變了和梯度直接相關，再用V更新w

Nesterov Momentum updata:更新方式

AdaGrad update：每個引數自適應學習速率的方法（因為引數空間的每一維都有自己的學習速率，它會根據梯度的規模的大小動態變化）

長時間訓練時，AdaGrad演算法會發生什麼？-->根據更新公式，不斷有正數加到cache中，更新步長會逐漸衰減到0，最後完全停止學習。

1e-7：平滑因子，防止除數變成0

RMSProp update:解決了AdaGrad中會停止更新的問題

Adam update:

  adagrad記錄的是梯度的二階矩，並按指數和形式表示

Momentum的作用：穩定梯度的方向

17、模型整合

先單獨訓練多個不同的模型；在訓練時，將每個模型的結果取平均值即可。-->可提升精度

缺點是必須單獨訓練不同的模型

18、Cross entropy loss 和sigmod Cross entropy loss的區別？

http://blog.csdn.net/u012235274/article/details/51361290  

看博文裡寫的就沒啥區別

SmoothL1Loss  

優勢：smoothL1Loss在接近0的時候，看起來像二次函式

SoftMaxWithLoss  

19、沒有隱藏層的神經網路是線性的，只能處理線性可分的問題（線性可分問題從二維角度看，即分界線是一條直線，多維就是存線上性超平面將其分類）。

20、卷積神經網路中，在沒有zero-padding的情況下,當輸入為7*7,filter為3*3，stride為3是，這裡的stride是不允許這樣設定的，因為這樣的話輸出就是2.333*2.333（不是整數），所以zero-padding避免了這種情況的發生

Zero-padding的另一種作者用，就是避免影象在卷積神經網路中向前傳播時，影象提取出來的特徵越來越小，zero-padding可以保證影象的尺寸。

21、定位和檢測的區別：

區別在於要找的目標的數量；

對於定位，影象中只有一個或一種物件，用框標出物件的位置

對於檢測，影象中有多個目標或多種物件。

23、資料不足時：

資料增強、transfer learning（fine-tuning：根據資料集的大小，訓練網路的最後一層或者最後幾層）、修改網路

Fine-tuning:固定網路，即為學習率為0、需要訓練的層的學習率比較高（原來訓練好的網路的學習率的十分之一）、當預訓練的層（中間層）需要改變時，學習率很小（如原學習率的一百分之一）

24、goolenet和resnet中用到的結構（瓶頸結構 bottlenecks：輸入輸出相同）

1x1的卷積層相當於全連線層-->遍歷所有畫素

3x3的卷積可以替換成1x3和3x1的不對稱卷積（inception v3）-->減少引數

25、CNN中 卷積的實現

傅立葉變換可以用於大卷積核的運算

im2col（主要的）：

caffe和torch不支援使用16位計算。

26、WindowDataLayer（視窗資料），用於檢測，可以讀取hdf5資料。

27、Caffe中的交叉驗證？

定義兩個prototxt檔案（訓練階段和測試階段），train_val.prototxt和deploy.prototxt;後者用於測試集中，測試階段的train_val.prototxt用於驗證。

28、其他框架？

Torch-->C和Lua語言寫的，Torch中主要的是Tensors類

TensorFlow-->pip安裝，TensorBoard為視覺化工具 ，支援多GPU，支援分散式訓練（多機），支援RNN

Theano、MxNet、

29、語義分割（Semantic Segmentation）和例項分割（Instance Segmentation）

語義分割-->操作畫素，標記每個畫素所屬的標籤à不關心具體的類，同一類目標標記為相同的畫素

例項分割à 輸出類別同時標記畫素（同時檢測並分割）-->關心目標的類，不同目標標記為不同的畫素（同一類中的目標也標記為不同 的畫素）

分割時使用全卷積網路（以filter為1*1的卷積層替換fc層，操作每個畫素）可以得到所有畫素的標籤，而不用先將影象分成許多小塊，再通過卷積為塊 的中心畫素分類（這樣就很耗時）

30、反捲積（卷積轉置）

31、Spatial Transformer Networks（空間變換網路）

32、無監督學習

聚類等、PCA(線性的)

自動編碼器（Auto encoder）、Generative Adversarial Networks（GAN）

（三）影象方面

1、opencv遍歷畫素的方式？

2、LBP原理？

3、HOG特徵計算過程，還有介紹一個應用HOG特徵的應用？

4、opencv裡面mat有哪些建構函式？

5、如何將buffer型別轉化為mat型別？

6、opencv如何讀取png格式的圖片？（我貌似記得opencv不能讀取png格式的圖片，好像每種格式圖片的表頭不一樣，需要轉化，給他說了半天他，他也沒明白）

7、opencv如何讀取記憶體圖片？

8、opencv裡面有哪些庫？

9、用過opencv裡面哪些函式？（我順帶回答了一下canny，HR又問opencv裡面有c-a-n-n-y有這幾個字母的函式嗎，尷尬。。。又問我如何自己寫canny邊緣檢測演算法）

10、opencv裡面為啥是bgr儲存圖片而不是人們常聽的rgb？

12、你說opencv裡面的HOG+SVM效果很差？他就直接來了句為啥很差？差了就不改了？差了就要換其他方法？、

13、講講HOG特徵？他在dpm裡面怎麼設計的，你改過嗎？HOG能檢測邊緣嗎？裡面的核函式是啥？那hog檢測邊緣和canny有啥區別？

13、如何求一張圖片的均值？（考慮了溢位和分塊求解，貌似不滿意。。。回頭看看積分圖裡面如何解決溢位的。）

14、如何寫程式將影象放大縮小？（我回答的插值，不太對。。。比如放大兩倍可以插值，那放大1.1倍呢，）-->放大1.1倍也可以插值

15、如何遍歷一遍求一張圖片的方差？（回答的是採用積分圖，並讓我推導這樣為啥可行。這個問題以前幫同學解決過。。。）

（四）程式設計方面（C++/Python）

1、  全排列

2、  矩陣求最長連續遞增的路徑長度？à

329. Longest Increasing Path in a Matrix https://leetcode.com/problems/longest-increasing-path-in-a-matrix/discuss/  

3、vector和list的區別？

4、c裡面有哪些記憶體申請方法？

5、虛擬函式和純虛擬函式的區別？

6、過載、覆蓋、重寫的區別？

7、用過C++11嗎？用過裡面的哪些？

8、有哪些型別轉換函式？以及用在哪些場景？

9、用過GCC嗎？會linux嗎？

10、堆和棧的區別？

11、Python中定義類的私有變數？在變數前面加雙下劃線“__”，如：__x，則為私有變數

11、請描述指標陣列和陣列指標的區別 
指標陣列：array of pointers，即用於儲存指標的陣列，也就是陣列元素都是指標

陣列指標：a pointer to an array，即指向陣列的指標

還要注意的是他們用法的區別，下面舉例說明。

int* a[4] 指標陣列

 表示：陣列a中的元素都為int型指標   

元素表示：*a[i]   *(a[i])是一樣的，因為[]優先順序高於*

int (*a)[4] 陣列指標

             表示：指向陣列a的指標

             元素表示：(*a)[i]  

（五）開放性問題

1、最後問面試官的問題

（1）我以後的面試要注意哪些問題，提點建議？或為了更好地勝任這個崗位，我還需要補充哪些技能？ 入職後是否有產品培訓和技能培訓？

（2）當感覺還可以時，就問公司培訓制度，晉升機制，以及自己來了應該做什麼，當感覺沒戲時，就問，你給我一些關於職業的建議吧，以及怎麼提升自己

3、 HR面試（自己總結的）  

（1）       期望薪資

（2）       你理想的工作是什麼樣的？

（3）       關於你以後的工作打算，你有什麼想法？

（4）       職業規劃

（5）       做專案時遇到的困難及解決方法？

（6）做科研辛苦嗎？

（6）       對公司的看法？為什麼應聘我們公司？

（7）       你在同齡人中處於什麼檔次 和大牛的差距在哪？

（8）       你跟同齡人相比有什麼優勢?

（9）       你除了我們公司，還投了哪些公司？

說幾個

（10）   BAT之外，你最最想去的是哪家公司，為什麼？

（11）   如果我們給你發offer，你還會繼續秋招麼？

（12）   【跨專業】本科+研究生在本專業學了多年，為什麼沒在本行業求職？

（13）   【家離企業所在地較遠】為什麼想來xx地方工作，父母支援麼？

（14）   【物件】如果物件和你在意向工作地發生分歧，你怎麼處理？

（15）   優缺點？

（16）   介紹你一次最失敗的一次經歷？

（17）   介紹你一次最成功的一次經歷？

（18）   這份工作你有想過會面對哪些困難嗎？

（19）   如果你發現上司做錯了，你將怎麼辦？

      （19）你覺得大學生活使你收穫了什麼?

      （20）你對加班的看法？

      （21）當公司給出的待遇偏低不足以吸引到優秀人才的時候，你該怎麼去招聘？

這些知識點都是我自己總結的，包括HR面的問題。
 

人工智慧大資料與深度學習

搜尋新增微信公眾號：weic2c

長按圖片，識別二維碼，點關注

大資料探勘DT資料分析

搜尋新增微信公眾號：datadw

教你機器學習，教你資料探勘

長按圖片，識別二維碼，點關注

輕    鬆     一   刻