面經 | 面試題目記錄（美團）

以下內容帶有部分提示性答案

無論是查找博客還是翻閱論文

大家還是要參照最全面的講解哦～

一、開發基礎

TCP/IP

C++虛函數

由兩個部分組成的，虛函數指針與虛函數表

C++允許用戶使用虛函數(virtual function)來完成“運行時決議”這一操作，這與一般的“編譯時決定”有著本質的區別

“靜態存儲”和“動態存儲”

靜態存儲：全局變量

動態存儲：函數的形式參數

紅黑樹的原理

并發和并行的區別

https://www.jianshu.com/p/cbf9588b2afb

內存不夠的情況下如何以最快速度進行排序

（海量數據類問題）

二、機器學習方向

講一下LR

（sigmoid）

SVM介紹一下？為什么可以使用對偶來求解原始問題？

核函數了解嗎？核函數解決什么問題？

為什么高斯核函數可以擬合無限維

（無窮泰勒展開）

ID3缺點

（信息增益對可取值數目較多的屬性有所偏好）

樸素貝葉斯公式

抽象一個分類問題[m個樣本，n個特征，k種標簽]，問先驗概率后驗概率分別是什么

使用貝葉斯的前提條件

（貝葉斯公式沒有前提條件）

使用樸素貝葉斯的前提條件

（所有特征相互獨立的）

GDBT和RF區別

三、深度學習方向

介紹熟悉的深度學習模型，并介紹優缺點

模型中方差，偏差怎么定義的

偏差，方差和過擬合，欠擬合的關系

怎么解決模型的方差偏大問題

降低模型的復雜度

減少數據維度：降噪

使用驗證集

模型正則化

介紹loss的設計

樣本嚴重不平衡如何處理

BN解決了什么問題，為什么

（梯度消失與梯度爆炸/過擬合）

BN中怎么處理訓練集和測試集中均值，方差

訓練時對每一批的訓練數據進行歸一化，也即用每一批數據的均值和方差

測試時，比如進行一個樣本的預測，沒有batch的概念，因此，這個時候用的均值和方差是全量訓練數據的均值和方差，這個可以通過移動平均法求得

對于BN，當一個模型訓練完成之后，它的所有參數都確定了，包括均值和方差，gamma和bata

normalization方法原理綜述，GN，BN，LN，IN，他們的共性和特性

極大似然與交叉熵有什么區別

四、編程題 & 概率題

一個家庭有兩個孩子，已知有一個是女孩子，全是女孩子的概率是多少

一個商店，1個小時賣出去5個包子，問下一個小時賣出6個的概率

寫個快排

用最快的方法計算2的N次冪

（快速冪，O(logn)）

鏈表：

找中點

是否有環，環的入口

是否有交點，找到交點

N個鏈表是否有交點，復雜度分析