• 签到
  • 竞技宝|官网之家

    苹果/安卓/wp

  • Peixun.net

    苹果/安卓/wp

  • 客户端
  • 就业指导一对一
  • 竞技宝|官网大学堂
  • 现金交易
  • 专家入驻
  • 求职招聘
  • 3关注
  • 39粉丝
  • 运营管理员

    院士

    49%

    还不是VIP/贵宾

    -

    威望
    3
    论坛币
    99113 个
    通用积分
    414.8800
    学术水平
    92 点
    热心指数
    101 点
    信用等级
    82 点
    经验
    58969 点
    帖子
    1138
    精华
    8
    在线时间
    1353 小时
    注册时间
    2019-9-11
    最后登录
    2020-12-1

    签到天数: 2 天

    连续签到: 1 天

    [LV.1]初来乍到

    AIU人工智能学院 学生认证  发表于 2020-10-27 10:36:11 |显示全部楼层
    题海战“数”——数据分析求职、备考、笔试免费刷题神器!
    三大题库
    数据分析专项练习题库
    100541509047194307.png

    内容涵盖Python,SQL,统计学,数据分析理论,深度学习,可视化,机器学习,Spark八个方向的专项练习题库,数据分析从业者刷题必备神器!
    适用人群
  • 计划从事数据分析行业,却不知如何入门上手练习的同学们;
  • 已从事数据分析1-2年,但却没有太多技(xin)能(zi)提升的同学;
  • 想要进阶为数据分析大神,想根据自身学习情况进行针对性测试的同学;

  • CDA数据分析认证模拟题库
    100518e4e9e9566011.png

    数据分析师认证考试模拟题,你的最佳CDA备考攻略!

    包含这四套题
  • CDA level 1 模拟试题
  • CDA level 2 建模分析师模拟试题
  • CDA level 2 大数据分析师 模拟试题
  • CDA level 3 数据科学家 模拟试题

  • 企业数据分析面试题库
    101627bc75ec918034.png

    企业真实的数据分析面试题,解决准数据分析师求职之前“最后一公里”的问题!
  • 去企业面试的时候不知道企业会提出哪些问题
  • 自己做准备,不知道侧重点是什么
  • 去面试总是心惊胆战
  • 遇到好的机会却因为面试卡住

  • 如果你遇到这些问题,企业数据分析面试题库帮你解决这些!

    数据分析师面试常见内容及面试技巧
    机器学习、大数据相关岗位的职责
      自己参与面试的提供算法岗位的公司有 BAT、小米、360、飞维美地、宜信、猿题库 等,根据业务的不同,岗位职责大概分为:
      1.平台搭建类
      数据计算平台搭建,基础算法实现,当然,要求支持大样本量、高维度数据,所以可能还需要底层开发、并行计算、分布式计算等方面的知识;
      2.算法研究类
  •   文本挖掘,如领域知识图谱构建、垃圾短信过滤等;
  •   推荐,广告推荐、APP 推荐、题目推荐、新闻推荐等;
  •   排序,搜索结果排序、广告排序等;
  •   广告投放效果分析;
  •   互联网信用评价;
  •   图像识别、理解。

  •   3.数据挖掘
  •   商业智能,如统计报表;
  •   用户体验分析,预测流失用户。

  •    以上是根据本人求职季有限的接触所做的总结。有的应用方向比较成熟,业界有足够的技术积累,比如搜索、推荐,也有的方向还有很多开放性问题等待探索,比如互联网金融、互联网教育。在面试的过程中,一方面要尽力向企业展现自己的能力,另一方面也是在增进对行业发展现状与未来趋势的理解,特别是可以从一些刚起步的企业和团队那里,了解到一些有价值的一手问题。
    以下首先介绍面试中遇到的一些真实问题,然后谈一谈答题和面试准备上的建议。
      1.面试问题
  •   你在研究/项目/实习经历中主要用过哪些机器学习/数据挖掘的算法?
  •   你熟悉的机器学习/数据挖掘算法主要有哪些?
  •   你用过哪些机器学习/数据挖掘工具或框架?

  •   2.基础知识
  •   无监督和有监督算法的区别?
  •   SVM 的推导,特性?多分类怎么处理?
  •   LR 的推导,特性?
  •   决策树的特性?
  •   SVM、LR、决策树的对比?
  •   GBDT 和 决策森林 的区别?
  •   如何判断函数凸或非凸?
  • 解释对偶的概念。
  •   如何进行特征选择?
  •   为什么会产生过拟合,有哪些方法可以预防或克服过拟合?
  •   介绍卷积神经网络,和 DBN 有什么区别?
  •   采用 EM 算法求解的模型有哪些,为什么不用牛顿法或梯度下降法?
  •   用 EM 算法推导解释 Kmeans。
  •   用过哪些聚类算法,解释密度聚类算法。
  •   聚类算法中的距离度量有哪些?
  •   如何进行实体识别?
  •   解释贝叶斯公式和朴素贝叶斯分类。
  •   写一个 Hadoop 版本的 wordcount。
  •   ……
      3.开放问题
  •   给你公司内部群组的聊天记录,怎样区分出主管和员工?
  •   如何评估网站内容的真实性(针对代刷、作弊类)?
  •   深度学习在推荐系统上可能有怎样的发挥?
  •   路段平均车速反映了路况,在道路上布控采集车辆速度,如何对路况做出合理估计?采集数据中的异常值如何处理?
  •   如何根据语料计算两个词词义的相似度?
  •   在百度贴吧里发布 APP 广告,问推荐策略?
  •   如何判断自己实现的 LR、Kmeans 算法是否正确?
  •   100亿数字,怎么统计前100大的?
  •   ……

      答题思路
      1.用过什么算法?
      最好是在项目/实习的大数据场景里用过,比如推荐里用过 CF、LR,分类里用过 SVM、GBDT;
      一般用法是什么,是不是自己实现的,有什么比较知名的实现,使用过程中踩过哪些坑;
      优缺点分析。
      2.熟悉的算法有哪些?
      基础算法要多说,其它算法要挑熟悉程度高的说,不光列举算法,也适当说说应用场合;
      面试官和你的研究方向可能不匹配,不过在基础算法上你们还是有很多共同语言的,你说得太高大上可能效果并不好,一方面面试官还是要问基础的,另一方面一旦面试官突发奇想让你给他讲解高大上的内容,而你只是泛泛的了解,那就傻叉了。
    3.用过哪些框架/算法包?
      主流的分布式框架如 Hadoop,Spark,Graphlab,Parameter Server 等择一或多使用了解;
      通用算法包,如 mahout,scikit,weka 等;
      专用算法包,如 opencv,theano,torch7,ICTCLAS 等。

      基础知识
      对知识进行结构化整理,比如撰写自己的 cheet sheet,我觉得面试是在有限时间内向面试官输出自己知识的过程,如果仅仅是在面试现场才开始调动知识、组织表达,总还是不如系统的梳理准备;
      从面试官的角度多问自己一些问题,通过查找资料总结出全面的解答,比如如何预防或克服过拟合。
      产生背景,适用场合(数据规模,特征维度,是否有 Online 算法,离散/连续特征处理等角度);
      原理推导(最大间隔,软间隔,对偶);
      求解方法(随机梯度下降、拟牛顿法等优化算法);
      优缺点,相关改进;
      和其他基本方法的对比;
      个人感觉高频话题是 SVM、LR、决策树(决策森林)和聚类算法,要重点准备;
      算法要从以下几个方面来掌握:
      产生背景,适用场合(数据规模,特征维度,是否有 Online 算法,离散/连续特征处理等角度);
      原理推导(最大间隔,软间隔,对偶);
      求解方法(随机梯度下降、拟牛顿法等优化算法);
      优缺点,相关改进;
      和其他基本方法的对比;
      不能停留在能看懂的程度,还要:
      对知识进行结构化整理,比如撰写自己的 cheet sheet,我觉得面试是在有限时间内向面试官输出自己知识的过程,如果仅仅是在面试现场才开始调动知识、组织表达,总还是不如系统的梳理准备;
      从面试官的角度多问自己一些问题,通过查找资料总结出全面的解答,比如如何预防或克服过拟合。

      开放问题
      由于问题具有综合性和开放性,所以不仅仅考察对算法的了解,还需要足够的实战经验作基础;
      先不要考虑完善性或可实现性,调动你的一切知识储备和经验储备去设计,有多少说多少,想到什么说什么,方案都是在你和面试官讨论的过程里逐步完善的,不过面试官有两种风格:引导你思考考虑不周之处 or 指责你没有考虑到某些情况,遇到后者的话还请注意灵活调整答题策略;
      和同学朋友开展讨论,可以从上一节列出的问题开始。

      准备建议
      基础算法复习两条线
  •   材料阅读 包括经典教材(比如 PRML,模式分类)、网上系列博客,系统梳理基础算法知识;
  •   面试反馈 面试过程中会让你发现自己的薄弱环节和知识盲区,把这些问题记录下来,在下一次面试前搞懂搞透。

  • 除算法知识,还应适当掌握一些系统架构方面的知识,可以从网上分享的阿里、京东、新浪微博等的架构介绍 PPT 入手,也可以从 Hadoop、Spark 等的设计实现切入。
      如果真的是以就业为导向就要在平时注意实战经验的积累,在科研项目、实习、比赛(Kaggle,阿里大数据竞赛等)中摸清算法特性、熟悉相关工具与模块的使用。

      总结
      如今,好多机器学习、数据挖掘的知识都逐渐成为常识,要想在竞争中脱颖而出,就必须做到
  •   保持学习热情,关心热点;
  •   深入学习,会用,也要理解;
  •   在实战中历练总结;
  •   积极参加学术界、业界的讲座分享,向牛人学习,与他人讨论。
  • 关键词:数据分析题库 大数据题库 数据挖掘题库 机器学习题库


    CDA人工智能学院http://edu.cda.cn)专注于数据科学与人工智能技术的在线教育平台。内容涵盖数据分析、机器学习、深度学习、人工智能、TensorFlow、PyTorch、知识图谱等众多核心技术及其行业案例,自由灵活的在线学习方式,让每一个学员快速掌握AI时代最前沿的技术!
    stata SPSS
    时光人 学生认证  发表于 2020-10-27 11:39:18 |显示全部楼层
    如何根据语料计算两个词词义的相似度?
    在百度贴吧里发布 APP 广告,问推荐策略?
    如何判断自己实现的 LR、Kmeans 算法是否正确?
    100亿数字,怎么统计前100大的?
    感觉很难。。
    回复

    使用道具 举报

    Studio-R 在职认证  发表于 2020-10-27 11:45:38 |显示全部楼层
    已从事数据分析1-2年,但却没有太多技(xin)能(zi)提升
    回复

    使用道具 举报

    Studio-R 在职认证  发表于 2020-10-27 11:50:13 |显示全部楼层
    回复

    使用道具 举报

    三重虫 发表于 2020-10-27 14:32:41 |显示全部楼层
    回复

    使用道具 举报

    myazure 发表于 2020-10-28 11:58:38 |显示全部楼层
    回复

    使用道具 举报

    escaflowne1985 在职认证  发表于 2020-10-30 13:10:11 |显示全部楼层
    感谢分享~~~~~~么么哒
    回复

    使用道具 举报

    alexwoooo 发表于 2020-10-30 16:02:35 |显示全部楼层
    回复

    使用道具 举报

    BYN2580 发表于 2020-11-2 20:47:05 |显示全部楼层
    感谢好心人的分享
    回复

    使用道具 举报

    bofeng 发表于 2020-11-3 00:31:03 |显示全部楼层
    回复

    使用道具 举报

    返回列表
    发帖 回复
    您需要登录后才可以回帖 登录 | 我要注册

    京ICP备16021002-2号 京B2-20170662号 京公网安备 11010802022788号 论坛法律顾问:王进律师 知识产权保护声明   免责及隐私声明

    GMT+8, 2020-12-2 04:46