面了中邮消金算法岗、开水团数据挖掘岗，做个系统性总结
最近技术群的同学，分享了面试数据挖掘/算法岗(实习)的经验。
今天整理后分享给大家，如果你对这块面试感兴趣，可以文末加入我们的面试、技术群
1、中邮消费金融AI算法工程师
面试官是nlp方向的，主要是问nlp相关
首先自我介绍
说一个在上段实习中的项目 这里说了一个搭建智能客服对话助手 我说了一下思路 面试官很快get到了 又问了一些细节（比如我用了DPR文本检索模型 面试官顺带问了对比学习的方法和流程）
看我做的是机器学习和优化算法比较多 问了遗传算法 如何找全局最优解和局部最优解
遗传算法为什么能找到全局最优 它的交叉操作是怎么实现的
神经网络如何与这种元启发式算法结合起来
问了最优化方法的框架 重点问了无约束优化方法 分为哪几类（这里答了分为确定方向步长的方法和信赖域方法 并分别举例说明了）
了解AIGC吗 有哪几种结构（这块只作为用户体验过 并不了解）
了解文本生成模型吗 这里答了LDA主题模型 问了LDA的实现原理和两种求解方法（吉普斯采样和EM算法）
概率图有哪些
gpt的结构是什么 这里我答了transformer的结构
python中的迭代器有哪些
http的协议有哪些
面了将近35分钟 终于结束了 已经出了一层虚汗hhhh
总体体验是面试内容很硬核 面试官很年轻 性格很好 很多地方没答出来面试官一直说没事
2、美团 机器学习/数据挖掘
- 手撕，给出中序遍历和后序遍历，构建树
- 介绍树模型，（GBDT，XGBoost等）
- 项目为什么用XGBoost
- 介绍LR
- XGB和LR的区别，各适用哪些场景。
- 项目中Lovain算法是个什么算法。
- 项目中使用的评价指标
- 准确率有什么缺点和问题
- AUC
- 优化算法
- 激活函数
- 特征提取方法？
- CNN和MLP区别，CNN的优势，为什么不使用MLP。
- RNN和LSTM，优缺点
- 反问
技术交流
独学而无优则孤陋而寡闻，技术要学会交流、分享，不建议闭门造车。
技术交流与答疑、源码获取，均可加交流群获取，群友已超过2000人，添加时最好的备注方式为：来源+兴趣方向，方便找到志同道合的朋友。
方式①、微信搜索公众号：Python学习与数据挖掘，后台回复：交流
方式②、添加微信号：dkl88194，备注：交流
资料1
资料2
我们打造了《数据分析实战案例宝典》，特点：从0到1轻松学习，方法论及原理、代码、案例应有尽有，所有案例都是按照这样的节奏进行表述。