1. 贝叶斯公式复述并解释应用场景
1)P(A|B) = P(B|A)*P(A) / P(B)
2)如搜索query纠错,设A为正确的词,B为输入的词,那么:
a. P(A|B)表示输入词B实际为A的概率
b. P(B|A)表示词A错输为B的概率,可以根据AB的相似度计算(如编辑距离)
c. P(A)是词A出现的频率,统计获得
d. P(B)对于所有候选的A都一样,所以可以省去
2. 如何写SQL求出中位数平均数和众数(除了用count之外的方法)
1)中位数:
方案1(没考虑到偶数个数的情况):
declare @m int
set @m = (select count(*)/2 from table)
select column from table order by column limit @m, 1
方案2(考虑偶数个数,中位数是中间两个数的平均):
declare @index int
set @index = -1
select avg(table.column)
from
(select @index=@index+1 as index, column
from table order by column) as t
where t.index in (floor(@index/2),ceilling(@index/2))
2)平均数:select avg(distince column) from table
3)众数:select column, count(*) from table group by column order by column desc limit 1(emmm,好像用到count了)
3. 学过的机器学习算法有哪些
略。
4. 如何避免决策树过拟合
1)限制树深
2)剪枝
3)限制叶节点数量
3)正则化项
4)增加数据
5)bagging(subsample、subfeature、低维空间投影)
6)数据增强(加入有杂质的数据)
7)早停
5. 朴素贝叶斯的理解
1)推导(参考:https://www.cnblogs.com/pinard/p/6069267.html)
2)理解:朴素贝叶斯是在已知一些先验概率的情况下,由果索因的一种方法
3)其它:朴素的意思是假设了事件相互独立
6. SVM的优点
1)优点:
a. 能应用于非线性可分的情况
b. 最后分类时由支持向量决定,复杂度取决于支持向量的数目而不是样本空间的维度,避免了维度灾难
c. 具有鲁棒性:因为只使用少量支持向量,抓住关键样本,剔除冗余样本
d. 高维低样本下性能好,如文本分类
2)缺点:
a. 模型训练复杂度高
b. 难以适应多分类问题
c. 核函数选择没有较好的方法论
7. Kmeans的原理
1)初始化k个点
2)根据距离点归入k个类中
3)更新k个类的类中心
4)重复(2)(3),直到收敛或达到迭代次数
8. 对拼多多有什么了解,为什么选择拼多多
略。
9. 口答两个SQL题(一个跟留存率相关,一个要用到row number)
1)留存率:略
2)mysql中设置row number:
SET @row_number = 0;SELECT (@row_number:=@row_number + 1) AS numFROM table
10. 业务场景题,如何分析次日留存率下降的问题
业务问题关键是问对问题,然后才是拆解问题去解决。
1)两层模型:从用户画像、渠道、产品、行为环节等角度细分,明确到底是哪里的次日留存率下降了
2)指标拆解:次日留存率 = Σ 次日留存数 / 今日获客人数
3)原因分析:
1)内部:
a. 运营活动
b. 产品变动
c. 技术故障
d. 设计漏洞(如产生可以撸羊毛的设计)
2)外部:
a. 竞品
b. 用户偏好
c. 节假日
d. 社会事件(如产生舆论)
11. 处理需求时的一般思路是什么,并举例
1)明确需求,需求方的目的是什么
2)拆解任务
3)指定可执行方案
4)推进
5)验收
12. 为什么选择拼多多
略。
13. 用过拼多多下单没,感受如何
略。
14. 可以接受单休和加班么
略。
15. 为啥要选数据分析方向(我简历上写的是数据挖掘工程师。。。)
略。
16. 开始聊项目,深究项目,我研究生阶段的方向比较偏,所以面试的三分之二时间都是在给他讲项目,好在最后他终于听懂了,thx god、、、
略。
17. hadoop原理和mapreduce原理
1)Hadoop原理:采用HDFS分布式存储文件,MapReduce分解计算,其它先略
2)MapReduce原理:
a. map阶段:读取HDFS中的文件,解析成<k,v>的形式,并对<k,v>进行分区(默认一个区),将相同k的value放在一个集合中
b. reduce阶段:将map的输出copy到不同的reduce节点上,节点对map的输出进行合并、排序
(参考:https://www.cnblogs.com/ahu-lichang/p/6645074.html)
18. 还有啥问题要问的?于是我出于本能的问了一句“为啥不写代码!” 然后面试官说“时间不够了。。。。”
略。
19.
现有一个数据库表Tourists,记录了某个景点7月份每天来访游客的数量如下:id date visits1 2017-07-01 100……非常巧,id字段刚好等于日期里面的几号。现在请筛选出连续三天都有大于100天的日期。上面例子的输出为:date2017-07-01……
解:
select t1.date
from Tourists as t1, Tourists as t2, Tourists as t3
on t1.id = (t2.id+1) and t2.id = (t3.id+1)
where t1.visits >100 and t2.visits>100 and t3.visits>100
20.
在一张工资表salary里面,发现2017-07这个月的性别字段男m和女f写反了,请用一个Updae语句修复数据例如表格数据是:id name gender salary month1 A m 1000 2017-062 B f 1010 2017-06
解:
update salary
set gender = replace('mf', gender, '')
21.
现有A表,有21个列,第一列id,剩余列为特征字段,列名从d1-d20,共10W条数据!另外一个表B称为模式表,和A表结构一样,共5W条数据请找到A表中的特征符合B表中模式的数据,并记录下相对应的id有两种情况满足要求:1 每个特征列都完全匹配的情况下。2 最多有一个特征列不匹配,其他19个特征列都完全匹配,但哪个列不匹配未知
解:(这题不懂怎么解)
select A.id,
((case A.d1 when B.d1 then 1 else 0) +
(case A.d2 when B.d2 then 1 else 0) +
...) as count_match
from A left join B
on A.d1 = B.d1
22.
我们把用户对商品的评分用稀疏向量表示,保存在数据库表t里面:t的字段有:uid,goods_id,staruid是用户id;goodsid是商品id;star是用户对该商品的评分,值为1-5。现在我们想要计算向量两两之间的内积,内积在这里的语义为:对于两个不同的用户,如果他们都对同样的一批商品打了分,那么对于这里面的每个人的分数乘起来,并对这些乘积求和。例子,数据库表里有以下的数据:U0 g0 2U0 g1 4U1 g0 3U1 g1 1计算后的结果为:U0 U1 2*3+4*1=10……
解:
select uid1, uid2, sum(result) as dot
from
(select t1.uid as uid1, t2.uid as uid2, t1.goods_id, t1.star*t2.star as result
from t as t1, t as t2
on t1.goods_id = t2.goods_id) as t
group by goods_id
23.
微信取消关注分析,题目太长了,没记录
略。