🎯 机器学习基础 是算法类岗位校招的 核心考察点，而作为整个机器学习理论的核心——极大似然估计（Maximum Likelihood Estimation）是每年校招算法岗的热门考点之一。今天我们就来聊一下经典考题之——《手推MLE等价于 BCELoss》✅ 今天我就用 「2 张图」来让大家理解MLE与BCELoss的等价性。我这里举了一个二分类问题的例子帮助各位同学理解，具体的分析如图所示。💪 看完之后可千万别觉得自己就能在面试中迅速推导出来了，一定要在面试前自己在草稿纸上手推几次，这样才能在实战中惊艳面试官，让他觉得「这offer非你不发！」

🎯 在推荐系统中，通常需要 多目标模型 来同时对 多个目标 进行建模，常见目标如点击率（CTR）、转化率（CVR）、视频播放时长等。📉 模型的 整体损失函数 一般由各子目标损失函数 加权求和得到。因此，合理地调节各个子目标的 权重 ，对于提升 整体效果 具有重要意义。✅ 本期介绍一种适合“说给面试官听的”多任务调节方法，具体方法如图所示。除此之外，还有一些其他可行的方案，感兴趣的同学可以自行查阅相关 资料～

 与实习面试不同，秋招的算法岗面试经常会遇到智力题或概率论的题目（主要是字节、阿里、腾讯这些一线大厂）。如果仅准备了深度学习八股和算法题，是无法应付这类面试题的。「悄悄地说一声：如果这类题没一点思路，80%的概率本场面试就挂了！」 所以这次我们来看一道【某大厂】经常考的概率题，题目为：“连续抛掷 1 枚均匀硬币，直到出现连续 2 次正面为止，求抛掷次数的数学期望。”其中，图 2 是相应的分析过程，图 3 是题目答案。建议同学先自己想想怎么做，做完之后再看答案自己想的对不对哦！ 各位同学的算法秋招都进行到哪一步了呢！欢迎大家评论区讨论～

可帮忙看进度！

自取～：JNFKRHG

🤔 今天我们来聊聊机器学习中的过拟合问题，这道题可以说是 10 场面试中有 7 场都能碰到，只要你找的是机器学习相关的岗位都离不开这道面试题。📄 这道题要说出1️⃣个答案很简单，但面试官肯定希望你知道的越多越好。所以我在这里给各位算法攻城狮总结了5️⃣个答案可供参考。每个方式的原理以及实现方式在图2-图6中。💪 如果有大佬知道其他的防止模型过拟合的方法可以在评论区留言讨论哈～让我们一起学习、一起进步！

📖 这道题的被考的几率还挺高的，考频4🌟左右。大多数面试官会直接问你：“亿级数据量该如何计算AUC？”那答案显然就是第3种方法了。✅ p1-3为三种方法的解释和公式推导，p4-6 是三种方法对应的代码实现。💻 分桶法计算跨桶正序对的代码没有用后缀和算法优化，有兴趣的同学可以优化一下试试，也比较简单，维护一个后缀和变量即可。😊 如果各位大佬还了解其他AUC的计算方式，欢迎在评论区讨论～

节子内推码自取：JNFKRHG

🤔 这道题是经典中的经典，超容易被问到，如果答不出来是很减分的！作者参加过的暑期实习和秋招的面试中这道题考了得有7次以上了（大多数为一面考察的）。每当面试官问到Transformer相关的八股，这道题几乎是必问的。📖 此题的答案是：由于Query和Key的点积操作使得结果方差变大d倍，导致模型容易出现梯度消失现象，因此需要除以根号d减小方差，避免梯度消失问题。详细的分析如图1所示。📈 图3和图4为验证不除以根号d会导致的注意力分数靠近0或1现象的代码。图2为结果。

📖 这道题的被考的几率还挺高的，考频4🌟左右。大多数面试官会直接问你：“亿级数据量该如何计算AUC？”那答案显然就是第3种方法了。✅ 图1-3为三种方法的解释和公式推导，图4-6是三种方法对应的代码实现。💻 分桶法计算跨桶正序对的代码没有用后缀和算法优化，有兴趣的同学可以优化一下试试，也比较简单，维护一个后缀和变量即可。

📖 答案是 如果神经网络参数全部初始化为0，模型会陷入对称状态，模型等价于N层单神经元的神经网络，无法有效训练。🤔 这道题如果事先没有思考过的话，面试时是很难想到正确答案的。为了举一反三，笔记图中分析了 模型全初始化为相同的值 会出现什么问题，可供各位参考。

不太理解为啥挂我，不会是因为暑期实习把它鸽了吧，我拿到offer也没接啊bg：双非本9硕，三段互联网实习

直接让讲实习项目，讲完只问了一个问题，当时就觉得kpi了。    然后就问题了    第一道：最大子数组和    第二道：如果把数组首尾拼起来成一个环如何计算最大子数组和    第三道：链表题，如果一个节点可以存两个指针怎么存可以快速访问到第k个节点    第四道：在一个坐标轴里，给定n个（x，y）坐标对（n<1000），如何快速得到这些点组成的和坐标轴平行的长方形数量    多多这么爱问算法题么，面试官看起来也比较佛哈哈哈，感觉kpi了