現(xiàn)在大數(shù)據(jù)行業(yè)如此火爆，國家和企業(yè)都需要發(fā)展大數(shù)據(jù)技術(shù)，但是人才高度稀缺，企業(yè)用人難！

而大學(xué)生們有出現(xiàn)這樣的問題：就業(yè)難。有的崗位可能面臨著幾百個(gè)人競(jìng)爭的情況，今天小編帶大家來看看大數(shù)據(jù)相關(guān)崗位的職責(zé)和面試問題有哪些

489034603

根據(jù)業(yè)務(wù)的不同，崗位職責(zé)大概分為：

1、平臺(tái)搭建類

· 數(shù)據(jù)計(jì)算平臺(tái)搭建，基礎(chǔ)算法實(shí)現(xiàn)，當(dāng)然，要求支持大樣本量、高維度數(shù)據(jù)，所以可能還需要底層開發(fā)、并行計(jì)算、分布式計(jì)算等方面的知識(shí)；

2、算法研究類

·文本挖掘，如領(lǐng)域知識(shí)圖譜構(gòu)建、垃圾短信過濾等；

·推薦，廣告推薦、APP 推薦、題目推薦、新聞推薦等；

·排序，搜索結(jié)果排序、廣告排序等；

·其它，· 廣告投放效果分析；· 互聯(lián)網(wǎng)信用評(píng)價(jià)；· 圖像識(shí)別、理解。

3、數(shù)據(jù)挖掘類

· 商業(yè)智能，如統(tǒng)計(jì)報(bào)表；

· 用戶體驗(yàn)分析，預(yù)測(cè)流失用戶。

以上就是大數(shù)據(jù)的一些相關(guān)崗位職責(zé)，小伙伴會(huì)哪些了呢？又能從事哪個(gè)方面的工作呢？

下面小編再來看看面試中會(huì)實(shí)際遇到的一些問題 （這是小編親自經(jīng)歷過的，各位面試的時(shí)候也會(huì)有極大的概率遇到同樣的問題）

1、你在研究/項(xiàng)目/實(shí)習(xí)經(jīng)歷中主要用過哪些機(jī)器學(xué)習(xí)/數(shù)據(jù)挖掘的算法？

2、你熟悉的機(jī)器學(xué)習(xí)/數(shù)據(jù)挖掘算法主要有哪些？

3、你用過哪些機(jī)器學(xué)習(xí)/數(shù)據(jù)挖掘工具或框架？

4、基礎(chǔ)知識(shí)

比如無監(jiān)督和有監(jiān)督算法的區(qū)別？· SVM 的推導(dǎo)，特性？多分類怎么處理？· LR 的推導(dǎo)，特性？· 決策樹的特性？· SVM、LR、決策樹的對(duì)比？· GBDT 和決策森林的區(qū)別？· 如何判斷函數(shù)凸或非凸？· 解釋對(duì)偶的概念。· 如何進(jìn)行特征選擇？· 為什么會(huì)產(chǎn)生過擬合，有哪些方法可以預(yù)防或克服過擬合？· 介紹卷積神經(jīng)網(wǎng)絡(luò)，和 DBN 有什么區(qū)別？· 采用 EM 算法求解的模型有哪些，為什么不用牛頓法或梯度下降法？· 用EM 算法推導(dǎo)解釋 Kmeans?！?用過哪些聚類算法，解釋密度聚類算法?！?聚類算法中的距離度量有哪些？· 如何進(jìn)行實(shí)體識(shí)別？· 解釋貝葉斯公式和樸素貝葉斯分類等等

5、開放問題

比如給你公司內(nèi)部群組的聊天記錄，怎樣區(qū)分出主管和員工？

如何評(píng)估網(wǎng)站內(nèi)容的真實(shí)性（針對(duì)代刷、作弊類）？

深度學(xué)習(xí)在推薦系統(tǒng)上可能有怎樣的發(fā)揮？

路段平均車速反映了路況，在道路上布控采集車輛速度，如何對(duì)路況做出合理估計(jì)？采集數(shù)據(jù)中的異常值如何處理？

如何根據(jù)語料計(jì)算兩個(gè)詞詞義的相似度？

好了，對(duì)于這個(gè)問題小編先講到這里（當(dāng)然，不會(huì)只有這些問題，每個(gè)公司的側(cè)重點(diǎn)不同，在面試的時(shí)候會(huì)更趨向于公司所需要涉及的部分），小伙伴可以根據(jù)以上的問題發(fā)現(xiàn)自己的不足，完善自己，在這也希望各位都能找到一份滿意的工作。。

?

創(chuàng)作挑戰(zhàn)賽新人創(chuàng)作獎(jiǎng)勵(lì)來咯，堅(jiān)持創(chuàng)作打卡瓜分現(xiàn)金大獎(jiǎng)

總結(jié)

以上是生活随笔為你收集整理的分享几个大数据相关岗位的职责和面试问题的全部內(nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。