面试时候需要做的准备(持续更新~)

快速排序 class Solution { public: const int N = 1e6+10; void quickS(int l, int r, vector &v) { if(l >= r) return; int mid = v[l], i = l – 1, j = r + 1; while(i < j) { do i++; while(v[i] < mid); do j--; while(v[j] > mid); if(i < j) std::swap(v[i], v[j]); } quickS(l, j, v); quickS(j+1, r, v); } vector sortArray(vector& nums) { quickS(0, nums.size() - 1, nums); return nums; } }; KL散度 KL散度不能作为距离,因为不满足距离的对 去看看~

《深度学习在美团推荐平台排序中的运用》知识点整理

深度学习在美团推荐平台排序中的运用这篇文章写得非常好,但是对于小白的我来说有一些知识点不是那么容易啃,所以在此特意做一个整理,防止自己以后会忘记…本文是对《深度学习在美团推荐平台排序中的运用》的二次加工,里面有我自己对这篇文章的理解,无意侵权,如有违反,我愿意尽快删除。 美团推荐系统面临的挑战 首先美团点出了美团O2O生活服务平台目前在推荐系统中面临的挑战,主要有以下两点: 1. 业务形态多样性:除了推荐商户外,我们还根据不同的场景,进行实时判断,从而推出不同形态的业务,如团单、酒店、景点、霸王餐等。 2. 用户消费场景多样性:用户可以选择在家消费:外卖,到店消费:团单、闪惠,或者差旅消费:预定酒店等。 (在读到这里之前,需要先想想“如果我面临这个问题,我是怎么解决的?我有没有什么更好的解决办法?”) 针对上述问题,美团定制了一套完善的推荐系统框架,包括基于机器学习的多选品召回与排序策略, 去看看~

How to win a data science competition

Course goals Week 1 Intro to competitions & Recap Feature preprocessing & extraction Week 2 EDA Validation Data leaks(what to, how to, how to find it, data leaks exploration) Week 3 Metrics Mean-encodings Week 4 Advanced features(T-sne) Hyperparameter optimization Ensembles(Bagging, stacking) Week 5 Final project Winning solutions Competitions’ concepts Data: Model:(feature transform inclu 去看看~