秋招Day 0

大佬们指导指导我的简历 25届刚毕业，还有啥不足吗

为什么需要数据建模  核心痛点  数据冗余：不同业务重复存储相同数据（如用户基础信息），导致存储成本激增。 计算资源浪费：未经聚合的明细数据直接参与计算（如全表扫描），消耗大量CPU/内存资源。 数据一致性缺失：同一指标在不同业务线的口径差异（如“活跃用户”定义不同），引发决策冲突。 开发效率低下：每次分析需重新编写复杂逻辑，无法复用已有模型。   数据建模核心价值  性能提升：分层设计（ODS→DWD→DWS→ADS），查询响应速度提升10~100倍。 成本优化：数据压缩存储（列式存储）、 生命周期管理（冷热数据分层）、计算资源复用（公共层下沉）。 质量保障：统一指标口径（OneData体系...

bg：双一流本，两年工作经验，给还在学习的朋友们分享一些对应经验下企业所问的问题，也有助于自己未来进行总结。以下打⭐为印象深刻的问题。Q：技术面：（1）自我介绍（背景+工作经验+工作内容+成果）（2）项目拷打①推荐算法：（3）注意力Q,K,V计算公式（4）self-attention和external-attention的区别（5）了解过哪些主流的推荐算法（6）讲一下Wide&Deep原理（7）推荐算法中正负样本集是如何构建的（8）如何理解auc指标（9）平时用哪些框架（pytorch），如果接触到tensorflow项目，最快需要多长时间能上手②机器学习算法：（10）了解什么是特征偏移么（11）对于数据不平衡问题的解决办法（12）训练集和测试集的正负样本比相差过大怎么办（如训练集1:49，测试集1:199）（13）知道什么是概率校准么（14）讲述一下二分类的原理⭐（15）平时有了解过LLM么（16）做过xgboost的超参数优化么，以及对早停机制（early stopping）有没有什么深刻理解⭐（17）平时做过哪些衍生特征（18）如何筛选重要特征（19）如何避免特征之间的多重共线性，避免了又会有什么缺点（20）以业务的角度筛选特征有什么缺点⭐（21）xgboost是如何处理缺失值的（22）对类别变量有什么处理方法（23）机器学习和深度学习分别建模有哪些不同点（24）xgboost的多分类和神经网络中的多任务有什么区别

26届的bro，秋招笔试/面试开始有一段时间了，之前牛客小师妹给大家争取的免费牛客题库用的还顺手嘛（指路👉：https://www.nowcoder.com/discuss/777144342610829312?sourceSSR=users有需要的还可以自取哈）最近在站内潜水，发现好多兄弟姐妹分享了热乎的面试经验。今天小师妹就来给大家当一回“课代表”，把这些宝藏帖子整理成一个合集，而且按照公司分好了类👇（会持续更新哒），希望这个“情报汇总”能帮到正在备战的你！【领取方式】微信扫码添加牛客大师姐，免费领取