面试的十个问题及回答

Posted 2023-04-15

参考技术A

面试的十个问题及回答

　　面试的十个问题及回答，职场的生活充满了竞争，求职的时候一定要注意礼貌，如果没有一步步的学习深造就不会做出成绩，学会放下自己的职场压力也是很重要的，我这就带你了解面试的十个问题及回答。

　　面试的十个问题及回答1

　　 1、请你自我介绍一下

　　这道题90%以上的用人单位都会问，面试者事先最好以文字的形式写好背熟。其实面试者的基本情况用人单位已掌握，考这道题的目的是考核面试者的语言表达能力、逻辑能力、以及诚信度。面试者只需用2分钟时间，最好把握在1分钟左右条理要清晰，层次分明的介绍一下就好。

　　 2、你为什么选择我们公司？

　　“我十分看好贵公司所在的行业，我认为贵公司十分重视人才，而且这项工作很适合我，相信自己一定能做好。”可以从此题中了解面试者求职的动机、愿望以及对此项工作的态度，面试者最好不要说像待遇好的一些回答。

　　 3、薪水和工作，哪个对你更重要？

　　”两者对我都很重要。因为薪水可以解决个人生存问题，是生活条件基本需要，工作是为了发展自己的能力”如果你希望获得一个既有高薪待遇，又有长期职业发展前途的工作的话，没必要非排除一个选择另一个。

　　 4、你有能力胜任应聘的职位吗？

　　“没问题！这虽然较难，但是我会想办法做好的，对我来说这是一个新的挑战，我相信能够战胜它”要表现出你的自信心，你喜欢这份工作，愿意挑战，并且为之付出努力。

　　 5、你对加班有什么看法

　　“如果是工作需要，我会义不容辞加班，但是我会提高工作效率，全身心投入工作，减少不必要的加班”这个问题并不一定证明需要加班，只是想测试你是否愿意为公司奉献。

　　 6、谈谈你的业余爱好

　　因为企业主要想通过此题了解面试者的性格是否开朗，是否具有团队精神。你可以说从小学就开始练习书法，直到现在还经常参加各种书法竞赛，主考官就会对你的毅力及书法艺术的修养肃然起敬。或者说喜欢中长跑，而且成绩也比较好，就会让人认为你有毅力、耐力、竞争意识强，而且能够忍受长时间的工作。再或者是下棋，经常看棋谱，说明爱动脑子、善于分析、逻辑性强。

　　 7、如果我录用你，你将怎样开展工作

　　“首先听取领导的指示和要求，然后就有关情况进行了解和熟悉，接下来制定一份近期的工作计划并报领导批准，最后根据计划开展工作”这是一道陷阱题，如果应聘者对于应聘的职位缺乏足够的了解，最好不要直接说出自己开展工作的具体办法，以免引起不良的效果。

　　 8、你希望与什么样的上级共事

　　“做为刚步入社会新人，我应该多要求自己尽快熟悉环境、适应环境，而不应该对环境提出什么要求，只要能发挥我的专长就可以了。”可以判断出面试者对自我要求的意识，这既是一个陷阱，又是一次机会。面试者要好好把握此机会，最好回避对上级具体的希望，多谈对自己的要求。

　　 9、你今后打算是什么？

　　“我希望我能够在这个公司里长久地工作。根据自己的能力和表现，不断地增加工作中所担负的责任。”这个问题主要是判定你是否会长期在公司工作，所以一定要表明自己的立场，希望长久的在公司工作。

　　 10、谈一谈你在过去生活中遇到的问题，是如何解决的

　　举一个你在过去的工作中或生活中遇到的问题，说明你是如何解决该问题的。这个问题主要是判断你对问题的分析能力，看看你有没有团队精神和克服困难的信心。这也是给你一个表现自我的机会。

　　面试的十个问题及回答2

　　 应届生常被问的八个问题

　　 1、你的暑期工作是怎样找到的

　　所有用人单位对有工作经历的应届毕业生都一致看好，无论参与过什么样的工作。一家就业服务机构的人事经理说：“读书时期有过工作经历的人容易与人相处，他们会更好地安排时间，更务实，而且更成熟，与我们有更多的共同语言。”因此，在你应答时，要加上这样的内容：企业就是要创造利润，个人要更有效率地工作，遵章守纪，尽全力完成工作。简而言之，无论你的暑假工作多么微不足道，都要将其视为一段在企业的工作经历。

　　 2、你如何规划自己未来的事业

　　这是下列问题的有趣翻版：“你在今后的五年中要达到什么职位？”几乎所有初级专业人士都会落入这个圈套中，答道“管理阶层”，因为他们自以为可以以此能表明其雄心壮志。这是一个老掉牙的答案，这会立即引发一系列大多数据应届毕业生无法回答的问题：管理阶层的定义是什 么？一个经理的基本责任是什么？做什么领域的经理？最保险的回答应该先说明你要发展或进取的专业方向，并表明你脚踏实地地工作态度。“我的事业计划是勇于进取，所做的事情必须是能够将我的精力与专业知识融入我所在行业与我的工作单位所需要的地方。因此，我希望在今后几年中，成为一名内行的专业人士，很清楚地理解自己的公司、行业、最大的挑战以及机会之所在。到那时，我未来的发展目标应该会清晰地显露出来。”类似于这样的应答会使你远远地高于你的同龄人。

　　 3、你是否愿意做常规工作

　　又是一个“诱供”的提问。主试人从以往痛苦的经历中体会到，新近毕业的大学生不愿做常规工作，是一些无望成材的员工，直到他们接受了现实生活中的这个事实后才会有改变。你应向对方解释，你理解需要有人做常规工作，在你奉命完成更有责任的工作之前，你知道要先完成一定数量的日常常规工作，这也是你有准备接受这项必要的工作的原因。只要是在正常工作时间之内，你可以这样回答：“行，没问题，企业就是要产生效益，因此在正常营业时间必须开门，并且有人值守。”

　　 4、你想找一份长期的还是临时性的工作

　　主试人是想确认你是真心实意地对这份工作感兴趣，而不会干了几个月后便又到某个学校去做博士后研究了。不要简单地只说个“是”，要解释清楚你找这份工作的.理由，可以说：“当然，我要找一份长期性的工作，我想在这个领域发展自己的事业，找机会学习业务，寻求新的挑战，向有经验的专业人士学习。”在你回答完毕之后，你也要反问对方以确认其所提的问题：“你们要招的这个岗位是长期的还是临时的？”不要怕问，偶尔也会有些不道德的用人单位短期聘用一些新手参与某个项目，完工之后便把他们辞退掉。

　　 5、你在接受别人指导时，会不会感到难受或受到伤害

　　这是个顺从性问题，如果你的失误被别人指出来之后，会轻易地顶撞或发火，那么你在公司里不会干得很久。初级岗位的竞争相当激烈，这也是你表明自己与众不同的又一个机会。“我会接受别人的意见，更重要的是，我能接受建设性的批评而没有抵触情绪。即使主观上尽全力而为，我也还会出现失误，还需要别人把我引回正确的方向上。我明白，如果我想在公司里有所发展，我必须首先要证明自己服从管理。”

　　 6、你对哪类职位感兴趣

　　这又是一个试探你的服从性的问题，不要直接回答，要表示你服从安排：“我对这些初级岗位感兴趣，可以从中学到公司内外的业务，并能给我发展的机会，当我证实了自己的实力之后，可以沿着专业方向或管理方向发展。”

　　 7、你对企业运作的看法是什么

　　主试人并不想就此与你长谈，只是想证实一下你并不会将企业想象成一个慈善机构。你的理解应该是：“任何一家公司的作用是尽可能多赚钱，尽可能快速、高效地赚钱，其运作方式应该鼓励老客户做回头生意，用出色的口碑和信誉发展新客户。”就答结束时，要说明员工作为团队中的一员，所起的作用都是为了达到这个目的。

　　 8、你觉得作为你应聘的第一家单位，是否要考虑你在学校时的分数

　　如果你的分数很高，应答时显然要答"是"；如果你的分数并不高，你就得多加考虑了：“当然，用人单位要全面考虑，要看分数，同时也要考查一下应聘者的工作积极性和服从性、对开发业务的理解及实际工作经验，总体来看，经历与专业技能要比分数更有价值。”

面试Python机器学习时，常见的十个面试题

小千整理了一下往期同学再面试Python机器学习工作的时候常见的十个面试题，并且附上了详细解答，供同学们参考，面试前看一看，说不准就用得上呢？

1.有监督学习和无监督学习有什么区别？

有监督学习：对具有标记的训练样本进行学习，以尽可能对训练样本集外的数据进行分类预测。（LR,SVM,BP,RF,GBDT）

无监督学习：对未标记的样本进行训练学习，比发现这些样本中的结构知识。(KMeans,DL)

2.什么是正则化？

正则化是针对过拟合而提出的，以为在求解模型最优的是一般优化最小的经验风险，现在在该经验风险上加入模型复杂度这一项（正则化项是模型参数向量的范数），并使用一个rate比率来权衡模型复杂度与以往经验风险的权重，如果模型复杂度越高，结构化的经验风险会越大，现在的目标就变为了结构经验风险的最优化，可以防止模型训练过度复杂，有效的降低过拟合的风险。

奥卡姆剃刀原理，能够很好的解释已知数据并且十分简单才是最好的模型。

3.什么是生成模型和判别模型？

生成模型：由数据学习联合概率分布P(X,Y)，然后求出条件概率分布P(Y|X)作为预测的模型，即生成模型：P(Y|X)= P(X,Y)/ P(X)。（朴素贝叶斯、Kmeans）

生成模型可以还原联合概率分布p(X,Y)，并且有较快的学习收敛速度，还可以用于隐变量的学习

判别模型：由数据直接学习决策函数Y=f(X)或者条件概率分布P(Y|X)作为预测的模型，即判别模型。（k近邻、决策树、SVM）

直接面对预测，往往准确率较高，直接对数据在各种程度上的抽象，所以可以简化模型

4.线性分类器与非线性分类器的区别以及优劣

如果模型是参数的线性函数，并且存在线性分类面，那么就是线性分类器，否则不是。

常见的线性分类器有：LR,贝叶斯分类，单层感知机、线性回归

常见的非线性分类器：决策树、RF、GBDT、多层感知机

SVM两种都有(看线性核还是高斯核)

线性分类器速度快、编程方便，但是可能拟合效果不会很好

非线性分类器编程复杂，但是效果拟合能力强

5.特征比数据量还大时，选择什么样的分类器？

线性分类器，因为维度高的时候，数据一般在维度空间里面会比较稀疏，很有可能线性可分
对于维度很高的特征，你是选择线性还是非线性分类器？

理由同上

对于维度极低的特征，你是选择线性还是非线性分类器？

非线性分类器，因为低维空间可能很多特征都跑到一起了，导致线性不可分

下面是吴恩达的见解：

1、如果Feature的数量很大，跟样本数量差不多，这时候选用LR或者是Linear Kernel的SVM

2、如果Feature的数量比较小，样本数量一般，不算大也不算小，选用SVM+Gaussian Kernel

3、如果Feature的数量比较小，而样本数量很多，需要手工添加一些feature变成第一种情况

6.为什么一些机器学习模型需要对数据进行归一化？

归一化就是要把你需要处理的数据经过处理后（通过某种算法）限制在你需要的一定范围内。

1）归一化后加快了梯度下降求最优解的速度。等高线变得显得圆滑，在梯度下降进行求解时能较快的收敛。如果不做归一化，梯度下降过程容易走之字，很难收敛甚至不能收敛

2）把有量纲表达式变为无量纲表达式, 有可能提高精度。一些分类器需要计算样本之间的距离（如欧氏距离），例如KNN。如果一个特征值域范围非常大，那么距离计算就主要取决于这个特征，从而与实际情况相悖（比如这时实际情况是值域范围小的特征更重要）

3. 逻辑回归等模型先验假设数据服从正态分布。

7.哪些机器学习算法不需要做归一化处理？

概率模型不需要归一化，因为它们不关心变量的值，而是关心变量的分布和变量之间的条件概率，如决策树、rf。而像adaboost、gbdt、xgboost、svm、lr、KNN、KMeans之类的最优化问题就需要归一化。

8.标准化与归一化的区别

简单来说，标准化是依照特征矩阵的列处理数据，其通过求z-score的方法，将样本的特征值转换到同一量纲下。归一化是依照特征矩阵的行处理数据，其目的在于样本向量在点乘运算或其他核函数计算相似性时，拥有统一的标准，也就是说都转化为“单位向量”。

9.随机森林如何处理缺失值

方法一（na.roughfix）简单粗暴，对于训练集,同一个class下的数据，如果是分类变量缺失，用众数补上，如果是连续型变量缺失，用中位数补。

方法二（rfImpute）这个方法计算量大，至于比方法一好坏？不好判断。先用na.roughfix补上缺失值，然后构建森林并计算proximity matrix，再回头看缺失值，如果是分类变量，则用没有缺失的观测实例的proximity中的权重进行投票。如果是连续型变量，则用proximity矩阵进行加权平均的方法补缺失值。然后迭代4-6次，这个补缺失值的思想和KNN有些类似12。

10.如何进行特征选择？

特征选择是一个重要的数据预处理过程，主要有两个原因：一是减少特征数量、降维，使模型泛化能力更强，减少过拟合;二是增强对特征和特征值之间的理解

常见的特征选择方式：

1、去除方差较小的特征

2、正则化。1正则化能够生成稀疏的模型。L2正则化的表现更加稳定，由于有用的特征往往对应系数非零。

3、随机森林，对于分类问题，通常采用基尼不纯度或者信息增益，对于回归问题，通常采用的是方差或者最小二乘拟合。一般不需要feature engineering、调参等繁琐的步骤。它的两个主要问题，一是重要的特征有可能得分很低（关联特征问题），二是这种方法对特征变量类别多的特征越有利（偏向问题）。

4、稳定性选择。是一种基于二次抽样和选择算法相结合较新的方法，选择算法可以是回归、SVM或其他类似的方法。它的主要思想是在不同的数据子集和特征子集上运行特征选择算法，不断的重复，最终汇总特征选择结果，比如可以统计某个特征被认为是重要特征的频率（被选为重要特征的次数除以它所在的子集被测试的次数）。理想情况下，重要特征的得分会接近100%。稍微弱一点的特征得分会是非0的数，而最无用的特征得分将会接近于0。

本文来自千锋教育，转载请注明出处。