作者：Datawhale優秀回答者

目錄

有哪些好的秋招經驗分享？

機器學習中常用的最優化方法有哪些？

想通過數據競賽來提升實踐能力，作為小白有什么入門經驗？（今日問題）

有哪些好的秋招經驗分享？

1

李玲 - 攜程算法工程師

（1）首先是筆試，刷leetcode就夠了，主要刷中等難度的，如果一開始比較難進入狀態可以先試試簡單難度的找找信心，Hard的題目很少被問到。盡量多刷，先保證能通過筆試（當然面試也很有可能會問到）?

（2）如果有可以跳過筆試直通面試的內推那就更好啦，沒事多看看牛客網，有各種內推信息和面試經驗?

（3）如果對自己的能力不夠自信的話，前幾次面試盡量不要面大公司，先找幾家小公司積累面試經驗，補足短板。心儀的公司可以放靠后，但也不要放很后面，因為面試多了之后很容易疲憊。?

（4）基礎要扎實，常見的算法的原理要能夠說清楚。項目經歷的表述先打個草稿，想好怎么說，引導面試官問自己擅長的方面。一定要對項目有足夠的了解，面試官問到什么都能有回應。?

（5）平時可以多關注一下行業前沿，自己的研究領域的最新發展，最新的模型，表現最好的模型，最好有一定程度的了解。暫時想到這些，加油！

2

李碧涵 - 微軟工程師

簡歷→邀面→自我介紹→聊項目→面試官出算法題題/應用場景題?

（1）簡歷只是敲門磚，敲完后就看個人表現了

（2）有些公司很看重做題（外企和字節等），有些公司很看重項目。所以作為面試者，想要通過面試，要么在自己的項目上，要么在題目上做的很出色。這樣才能吸引面試官。詳細有三點原則：

????????① 無論項目還是做題都需要你：頭腦清晰，邏輯棒（自己私下多練習幾遍項目介紹或題目講解）?

????????② 項目出色：項目肯定要有，不然會出現尬聊沒話題的情況另外要會包裝項目。或者自我介紹中多為項目知識點挖坑，引導面試官來問你?

????????③ 刷題出色：連續1個月每天都刷題?

3

郭修均?-?字節跳動

（1）技術面一定要刷題，leetcode 200道走遍天下都不怕；

（2）有機會的話做些落地場景，會發現很多坑都是在純凈的題庫里看不到的，而且很多經驗要碰到過才能答出來；

（3）算法求解一定要能說清背后的數理邏輯。還有口才，清晰的說明你的答案，而不要東一榔頭西一棒槌。?

4

阿水 - 京東算法工程師

資料推薦：《百面機器學習》、《百面深度學習》、西瓜書《機器學習》、花書《深度學習》、Leetcode 200題。

5

肖然 - 百度算法工程師

據自己當年經歷，leetcode：200起步。然后才是其他，面試過程兩道題壓壓驚，壓住了基本可以談笑風生。以后就是項目經驗和基礎支持，研發或者算法的基礎知識，多看看相關的書，就可以了。建議簡歷上的任何一點都要會，不要寫上自己不會的坑自己。?

6

李嚴 - 白騎士數據分析

在簡歷無法更上一層的前提下，大量面試，大量試錯，總結技術經驗，邊面試邊學習，頂尖的不好說，但總能找到。

機器學習中常用的最優化方法有哪些？

Datawhale優秀回答者：五花肉，郭佳林

常見的最優化方法有最速下降法（梯度下降法），牛頓法，共軛梯度法，擬牛頓法等等。目的都是求解某個函數的極小值。

1

最速下降法

使用條件是函數具有一階連續偏導數。

步驟：首先通過求函數的一階偏倒數得出函數的最速下降方向（負梯度方向），然后給任意一個點作為初始點進行迭代，令每次迭代后新的點坐標為上一個迭代點坐標減去上一個點處的梯度值乘步長（步長可以根據每個點的坐標值進行求解）。若迭代到某個點后，該點梯度值小于某個預設的很小的閾值，則說明不需要繼續迭代。該點即為極小值點。

2

牛頓法

基本思想是用一個二次函數近似逼近目標函數，然后直接求解出二次函數的極小值點。首先令原函數在某點做二階泰勒展開，進行變換后可以得到原函數在某鄰域內的近似二次函數。為求該二次函數極小值，令其一階偏導數為零，可以直接得到函數在該鄰域的極小值（為原始點坐標減去該點的海森矩陣乘梯度）。

3

總結

可以看出，最速下降法是通過一步步迭代，每次迭代都要計算梯度和步長，最終得到最優解；牛頓法是函數先在某個鄰域內進行變形，再在這個鄰域內直接一步求出最優解，不進行多輪迭代，所以對初始點的選擇要求較高。擬牛頓法和共軛梯度法在這兩種迭代思想上繼續加以改進。

每日一問：想通過數據競賽來提升實踐能力，作為小白有什么入門經驗？

歡迎在留言區分享你的入門經驗。

往期精彩回顧適合初學者入門人工智能的路線及資料下載機器學習及深度學習筆記等資料打印機器學習在線手冊深度學習筆記專輯《統計學習方法》的代碼復現專輯 AI基礎下載機器學習的數學基礎專輯獲取一折本站知識星球優惠券，復制鏈接直接打開：https://t.zsxq.com/662nyZF本站qq群1003271085。加入微信群請掃碼進群（如果是博士或者準備讀博士請說明）：

總結

以上是生活随笔為你收集整理的【面试招聘】有哪些好的秋招经验分享？数据、算法岗的几点经验分享的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。