把一些相关深圳FC表现抢眼,渐入佳境豪取三分的知识点总结一下。这个比长,感兴趣的挑自己相关的那部分看。
都是一些基础知识,面相关岗位问到的比较多。
(回答时对算法要有一定的见解,最好不要照书上的背)
(一) 机器学习方面
SVM
1、 支撑平面---和支持向量相交的平面;;;分割平面---支撑平面中间的平面(最优分类平面)
2、 SVM不是定义损失,而是定义支持向量之间的距离à目标函数看PPT13~17页
3、 正则化参数对支持向量数的影响
LR
1、 LR的形式深圳FC表现抢眼,渐入佳境豪取三分:h(x)=g(f(x));其中x为原始数据;f(x)为线性/非线性回归得到的值,也叫判定边界;g()为Sigmoid函数,最终h(x)输出范围为(0,1)
LR对样本分布敏感。
***LR和朴素贝叶斯(NB)的区别?
LR是loss最优化求出的,NB是统计跳过loss最优,直接得出权重
NB比LR多了一个条件独立假设
一个是判别模型(LR),一个是生成模型(NB)
1、 判别模型和生成模型???
2、 机器学习中,LR和SVM有什么区别?à
两者都可以处理非线性问题;LR和SVM最初都是针对二分类问题的。
SVM最大化间隔平面、LR极大似然估计;SVM只能输出类别,不能给出分类概率
两者loss function不同;LR的可解释性更强;SVM自带有约束的正则化
2、LR为什么用sigmoid函数,这个函数有什么优点和缺点?为什么不用其他函数?(sigmoid是伯努利分布的指数族形式)
Logistic Regression 只能用于二分类,而sigmoid对于所有的输入,得到的输出接近0或1
Sigmoid存在的问题:梯度消失、其输出不是关于原点中心对称的(训练数据不关于原点对称时,收敛速度非常慢à输入中心对称,得到的输出中心对称时,收敛速度会非常快)、计算耗时
Tanh激活函数存在的问题:梯 度消失、计算耗时,但是其输出是中心对称的
ReLU:其输出不关于原点对称;反向传播时,输入神经元小于0时,会有梯度消失问题;当x=0时,该点梯度不存在(未定义);
ReLu失活(dead RELU)原因:权重初始化不当、初始学习率设置的非常大
Maxout:根据设置的k值,相应的增大了神经元的参数个数
Xavier权重初始化方法:对每个神经元的输入开根号
3、 SVM原问题和对偶问题关系?
SVM对偶问题的获得方法:将原问题的目标函数L和约束条件构造拉格朗日函数,再对L中原参数和lambda、miu分别求导,并且三种导数都等于0;再将等于0的三个导数带入原目标函数中,即可获得对偶问题的目标函数
关系:原问题的最大值相对于对偶问题的最小值
4、 KKT(Karysh-Kuhn-Tucker)条件有哪些,完整描述?
KKT条件是思考如何把约束优化转化为无约束优化à进而求约束条件的极值点
下面两个思考题的答案都是在需要优化的目标为凸函数(凸优化)的情况下。
问题一:当一个优化问题是凸优化问题时,可以直接用KKT条件求解。
5、 凸优化(可行域为约束条件组成的区域)
5、 SVM的过程?Boost算法?
6、 决策树过拟合哪些方法,前后剪枝
决策树对训练属性有很好的分类能力;但对位置的测试数据未必有好的分类能力,泛化能力弱,即发生过拟合。
防止过拟合的方法:剪枝(把一些相关的属性归为一个大类,减少决策树的分叉);随机森林
7、 L1正则为什么可以把系数压缩成0,坐标回归的具体实现细节?
L1正则化可以实现稀疏(即截断),使训练得到的权重为0;
l1正则会产生稀疏解,即不相关的的特征对应的权重为0,就相当于降低了维度。但是l1的求解复杂度要高于l2,并且l1更为流行
正则化就是对loss进行惩罚(加了正则化项之后,使loss不可能为0,lambda越大惩罚越大-->lambda较小时,约束小,可能仍存在过拟合;太大时,使loss值集中于正则化的值上)
正则化使用方法:L1/L2/L1+L2
8、 LR在特征较多时可以进行怎样的优化?-->L1正则有特征选择的作用
如果是离线的话,L1正则可以有稀疏解,batch大点应该也有帮助,在线的解决思路有ftrl,rds,robots,还有阿里的mlr。当然还可以用gbdt,fm,ffm做一些特性选择和组合应该也有效果。
9、 机器学习里面的聚类和分类模型有哪些?
分类:LR、SVM、KNN、决策树、RandomForest、GBDT
回归:non-Linear regression、SVR(支持向量回归-->可用线性或高斯核(RBF))、随机森林
聚类:Kmeans、层次聚类、GMM(高斯混合模型)、谱聚类
10、 聚类算法(可以作为监督学习中稀疏特征的处理):Kmeans、层次聚类、GMM(高斯混合模型)
聚类算法唯一用到的信息是样本和样本之间的相似度。
评判聚类效果准则:高类间距,低类内距;高类内相似度,低类间相似度。
相似度与距离负相关。
图像之间的距离的度量是对每个像素操作,最后获得距离
Kmeans和GMM需要制定类别K
A、Kmeans算法:对于已有的未标记的样本,同时给定结果聚类的个数K;目标是把比较接近的样本归为一类,总共得到k个cluster
Kmeans中初始k个中心点(Kmeans对中心点的选取比较敏感)的选取方法:a、随机选取k个初始的样本中心点(b、直接选取k个样本点),然后计算每个样本到k个选定的样本中心点的距离;再比较待聚类样本到初始样本点的距离,将待聚类的样本指定为距离较近的各个类别(离哪个近,就归为哪一类);最后重新计算聚类中心:;重复迭代。
Kmeans收敛状态:
(1)聚类中心不再变化(2)每个样本到对应聚类中心的距离之和不再有很大的变化
损失函数àloss function后面的||xn-uk||^2表示采用欧式距离作为距离度量:
Kmeans可以用于图像分割;
Kmeans的缺点:对初始样本点的选取敏感;对异常点(如:一个远离大多数点的孤立的点)的免疫不好;对团状数据点效果较好,对带状效果不好;
Kmeans与Kmeans++初始化的区别:Kmeans初始样本点的选取是随机选取的;Kmeans++是选取最远的k个点作为初始样本点
A、 层次聚类
有两种层次聚类--)bottom-up(从多个类聚成一个类-->每次都是合并最相似的两个类)、up-bottom(一个类到多个类-->每次都剔除最不相似的类);层次距离是一种树状结构
Kmeans与层次聚类对比:
C、高斯混合模型à由单高斯模型线性加权组合
初始参数:样本点属于各个高斯函数的概率,以及每个高斯函数的均值和方差(参数都是随机给定)
GMM求解过程àEM算法求解
E-step(由已知的均值和方差估算在该参数下的样本点的分布)和M-step(由样本点的分布再求均值和方差)是EM算法。
à这和EM求解的过程一样
Kmeans是硬聚类(每个样本只能属于某一类);而GMM对于每个样本点,都有属于每个类的概率。
GMM优势:多个分布的组合、速度快(EM算法求解)、最大数据似然概率
GMM劣势:对初始化值敏感,容易陷入局部最优、需指定k个高斯分布;对非凸分布数据集效果不好。
11、 kmeans的分类过程,用kmeans的数据有什么样的分布(高斯分布),loss函数是啥?
见问题“9”
12、 逻辑斯特回归和线性回归的损失函数?
13、 正则化为什么能防止过拟合?(https://www.zhihu.com/question/20700829)
过拟合表现在训练数据上的误差非常小,而在测试数据上误差反而增大。其原因一般是模型过于复杂,过分得去拟合数据的噪声. 正则化则是对模型参数添加先验,使得模型复杂度较小,对于噪声的输入扰动相对较小。
正则化时,相当于是给模型参数w 添加了一个协方差为1/lambda 的零均值高斯分布先验。对于lambda =0,也就是不添加正则化约束,则相当于参数的高斯先验分布有着无穷大的协方差,那么这个先验约束则会非常弱,模型为了拟合所有的训练数据,w可以变得任意大不稳定。lambda越大,表明先验的高斯协方差越小,模型约稳定,相对的variance(方差)也越小。
10、关键词
1、训练集测试集验证集划分方式
https://www.zhihu.com/question/26588665/answer/33490049
2、TPR(Recall)、FPR、ROC 、AUC(与准确率和召回率有关)
https://blog.csdn.net/feiyang2010jin/article/details/50547365
3、坐标轴下降法->用来解决loss function对参数不可导时(此时梯度下降算法不再有效),求取参数更新量的方法
坐标轴下降法和梯度下降法具有同样的思想,都是沿着某个方向不断迭代,但是梯度下降法是沿着当前点的负梯度方向进行参数更新,而坐标轴下降法是沿着坐标轴的方向。
https://blog.csdn.net/ymmxz/article/details/69396222
lasso(Least absolute shrinkage and selection operator)
坐标轴下降法和最小角回归法(https://blog.csdn.net/bbbeoy/article/details/72523540)都是求解Lasso回归的方法。
4、批量梯度下降算法BGD,小批量梯度下降法MBGD,随机梯度下降算法SGD的比较
https://blog.csdn.net/yMMxz/article/details/69371926
5、学习率褪火 (衰减)-->没学习多少次都会将学习率减少(lr/decay_rate)
6、多分类问题转二分类方法-->组合多个二分类器来实现多分类器,方法如下:
a.一对多法(one-versus-rest,简称OVR SVMs)。训练时依次把某个类别的样本归为一类,其他剩余的样本归为另一类,这样k个类别的样本就构造出了k个SVM。分类时将未知样本分类为具有最大分类函数值的那类。
b.一对一法(one-versus-one,简称OVO SVMs或者pairwise)。其做法是在任意两类样本之间设计一个SVM,因此k个类别的样本就需要设计k(k-1)/2个SVM。当对一个未知样本进行分类时,最后得 票最多的类别即为该未知样本的类别。
c.层次支持向量机(H-SVMs)。层次分类法首先将所有类别分成两个子类,再将子类进一步划分成两个次级子类,如此循环,直到得到一个单独的类别为止。
说明:LR的多分类也可以用上面的方法。
https://blog.sina.com.cn/s/blog_4af0fab001010ybp.html
https://blog.sina.com.cn/s/blog_4c98b96001009b8d.html
1、 跳出局部极小值方法
-->优化方法,如momentum updata、Adam等;调整学习率
4、显著性检验
5、线性回归、广义线性回归
7、最小二乘误差及其概率解释
9、LDA(二类、多类)
11、类别不平衡解决方法:欠采样、过采样、阈值移动
12、模型融合方法:bagging、随机森林、ADABOOST、 Gradient Boosting Tree
前面两种是综合多个模型的结果;后面两个是重复训练
Bagging-->模型融合(随机森林也属于模型融合);有两种方法(bagging对朴素贝叶斯没什么用,因为NB太稳定,提升不大)
ADABOOST(boosting一类的算法)的步骤-->重复迭代和训练;每次分配给错的样本更高的权重;最简单的分类器(如:线性分类器的二分类)叠加
ADABOOST分类过程详细解释如下:先用一个简单的分类器将样本分成两类;为分错的样本分配更高的权重(初始权重设为1/N即可,N为样本数);重复上次两个过程(再次分类,并为错误的样本设置更高的权重);最后将所有样本数据正确分类后,将各个分类器叠加。
Gradient Boosting Tree:和Adaboost的思路类似,解决回归问题。
14、 决策树、随机森林、GBDT、XGBOOST
A、决策树(有监督学习):
建立决策树的关键,即在当前状态下选择哪个属性作为分类依据。根据不同的目标函数,建立决策树主要有一下三种方法:ID3、C4.5、CART
B、Bootstraping:不需要外界帮助,仅依靠自身力量让自己变得更好。
C、随机森林(bagging+决策树):
Bootstrap采样:有放回的重复抽样
D、Adaboost:
教程第11节 决策树随机森林……pdf –p37
E、 GBDT—梯度下降决策树(有监督学习)
15、 熵 信息增益(ID3算法)、信息增益率(C4.5算法)、基尼系数(CART)
教程第11节 决策树随机森林……pdf -p10
16、 投票机制
1)一票否决(一致表决)、2)少数服从多数、3)有效多数(加权)
16、数值优化理论:梯度下降、牛顿、共轭梯度
牛顿法(dk为更新量)-->引入了二阶偏导(Hessian矩阵)-->求解无约束优化(迭代的初始值一般是随机选取的)
缺点:不能保证Hessian矩阵(二阶偏导组成的矩阵)一定可逆
17、SVM、SVR、软间隔SVM、SMO
18、SVM核函数
核函数主要是将线性不可分的数据映射到高位空间再进行分类
核函数的种类:
高斯核是用的最多的核函数à对训练数据分类效果最好
高斯核的缺点:容易过拟合,需要更多的样本、泛化能力弱
19、距离方法:闵科夫斯基 、VDM、马氏距离
20、K-means、KNN、LVQ、DBSCAN、谱聚类
21、降维方法:LDA、PCA、SVD
22、特征选择方法:总体分为过滤型、包裹型、嵌入型(à基于模型的;如:正则化)
Relief、LVW、正则化(L1/L2)
特征选择的原因:特征存在冗余(特征相关度太高)、掺杂了噪声(特征对预测结果有负影响)
L1正则化是截断效应(实现稀疏,把不相关的特征的系数变成0);L2正则化是缩放效应,使最后得到的参数很小
25、交叉熵?KL散度(也叫KL距离)?
25、最大熵模型、EM(Expectation Maximization)算法
最大熵模型的求解可以转化为对偶问题的极大化;
26、特征-->数据中抽取出来的对结果预测有用的信息
特征工程-->使用专业背景知识和技巧处理数据,使得特征能在机器学习算法上发挥很好的作用的过程。
27、交叉验证
K折交叉验证(K-flod cross validation)
https://www.cnblogs.com/boat-lee/p/5503036.html
将训练集分成K份;依次将第i(i=k,…,1)折作为交叉验证集,其余k-1折(除第i折外)作为测试集;总共进行k次,每进行完一次训练,都用test data去测试,得到k个准确率;最后取k个准确率的均值作为最后结果。
28、过拟合和欠拟合
欠拟合(under fitting):参数过少,不足以表达数据的特征
过拟合(over fitting):参数过多,过渡拟合数据,泛化能力差(训练时的准确率很好,但测试的时候就很差)
欠拟合解决方法:找更多的特征;减小正则化系数
(二)深度学习方面
1、MLP的BP过程?delta的意义?每一层节点的残差?
2、max pool层怎么做的?
3、caffe架构?caffe如何构建网络?
4、去卷积过程(转置卷积)?https://blog.csdn.net/fate_fjh/article/details/52882134
5、单个神经元是否线性可分(模式识别的概念,是否能用用线性函数将样本分类)?
是否线性可分是对于样本集的;线性可分是数据集合的性质,和分类器没啥关系。
可以通过线性函数分类的即为线性可分
6、深度学习模型的发展?深度学习的评价标准?
7、强化学习应用场景和方法?adaboost和cascade adaboost?损失函数有哪些?分类回归聚类的区别与联系?目标检测的三种方法?
8、目标检测常用的网络,RCNN, SPP, Fast RCNN, Faster RCNN的区别?
9、随机梯度下降,标准梯度?softmax公式?信息熵公式?
10、SVM和softmax的区别?
Svm具有附加稳定性,当样例满足边界条件时,该样例不会影响损失函数;而softmax将考虑所有的样例
11、训练时,mini-batch与GPU的内存匹配-->训练网络时的mini batch是由GPU的内存决定的。
12、正则化:正则化表现的是对高维度W的惩罚力度,当正则化系数(lambda)很大时,使w变的非常小,最终的结果是函数变得非常平滑。正则化系数(lambda)越小,拟合程度越高,效果越好。
13、batch normalization中gamma和beta初始化为1和0,然后在训练中优化他们
BN可以减少dropout(可以不要dropout)
14、当训练到最后,loss值很大,但精度在上升?-->说明loss变化很小,需要增大学习率
梯度爆炸(loss发散,出现nan)-->学习率很大,需要减小学习率
15、如果loss开始一直不变,但是从某点开始下降的原因à因为初始值选定的不好,错误的初始值会让梯度一开始接近0。
16、优化策略的比较:
https://www.cnblogs.com/denny402/p/5074212.html
SGD-->Momentum updata-->Nesterov Momentum updata-->AdaGrad update--> RMSProp update-->Adam update
以上都是一阶优化方法,对于二阶优化方法(BFGS和L-BFGS),二阶优化方法不需要学习率这个参数,可以直接对目标进行优化。
SGD:根据梯度直接更新w
Momentum updata:不是通过计算得到的梯度直接更新w,而是增加一个变量V(定义为速度),改变了和梯度直接相关,再用V更新w
Nesterov Momentum updata:更新方式
AdaGrad update:每个参数自适应学习速率的方法(因为参数空间的每一维都有自己的学习速率,它会根据梯度的规模的大小动态变化)
长时间训练时,AdaGrad算法会发生什么?-->根据更新公式,不断有正数加到cache中,更新步长会逐渐衰减到0,最后完全停止学习。
1e-7:平滑因子,防止除数变成0
RMSProp update:解决了AdaGrad中会停止更新的问题
Adam update:
adagrad记录的是梯度的二阶矩,并按指数和形式表示
Momentum的作用:稳定梯度的方向
17、模型集成
先单独训练多个不同的模型;在训练时,将每个模型的结果取平均值即可。-->可提升精度
缺点是必须单独训练不同的模型
18、Cross entropy loss 和sigmod Cross entropy loss的区别?
https://blog.csdn.net/u012235274/article/details/51361290
看博文里写的就没啥区别
SmoothL1Loss
优势:smoothL1Loss在接近0的时候,看起来像二次函数
SoftMaxWithLoss
19、没有隐藏层的神经网络是线性的,只能处理线性可分的问题(线性可分问题从二维角度看,即分界线是一条直线,多维就是存在线性超平面将其分类)。
20、卷积神经网络中,在没有zero-padding的情况下,当输入为7*7,filter为3*3,stride为3是,这里的stride是不允许这样设置的,因为这样的话输出就是2.333*2.333(不是整数),所以zero-padding避免了这种情况的发生
Zero-padding的另一种作者用,就是避免图像在卷积神经网络中向前传播时,图像提取出来的特征越来越小,zero-padding可以保证图像的尺寸。
21、定位和检测的区别:
区别在于要找的目标的数量;
对于定位,图像中只有一个或一种对象,用框标出对象的位置
对于检测,图像中有多个目标或多种对象。
23、数据不足时:
数据增强、transfer learning(fine-tuning:根据数据集的大小,训练网络的最后一层或者最后几层)、修改网络
Fine-tuning:固定网络,即为学习率为0、需要训练的层的学习率比较高(原来训练好的网络的学习率的十分之一)、当预训练的层(中间层)需要改变时,学习率很小(如原学习率的一百分之一)
24、goolenet和resnet中用到的结构(瓶颈结构 bottlenecks:输入输出相同)
1x1的卷积层相当于全连接层-->遍历所有像素
3x3的卷积可以替换成1x3和3x1的不对称卷积(inception v3)-->减少参数
25、CNN中 卷积的实现
傅里叶变换可以用于大卷积核的运算
im2col(主要的):
caffe和torch不支持使用16位计算。
26、WindowDataLayer(窗口数据),用于检测,可以读取hdf5数据。
27、Caffe中的交叉验证?
定义两个prototxt文件(训练阶段和测试阶段),train_val.prototxt和deploy.prototxt;后者用于测试集中,测试阶段的train_val.prototxt用于验证。
28、其他框架?
Torch-->C和Lua语言写的,Torch中主要的是Tensors类
TensorFlow-->pip安装,TensorBoard为可视化工具 ,支持多GPU,支持分布式训练(多机),支持RNN
Theano、MxNet、
29、语义分割(Semantic Segmentation)和实例分割(Instance Segmentation)
语义分割-->操作像素,标记每个像素所属的标签à不关心具体的类,同一类目标标记为相同的像素
实例分割à 输出类别同时标记像素(同时检测并分割)-->关心目标的类,不同目标标记为不同的像素(同一类中的目标也标记为不同 的像素)
分割时使用全卷积网络(以filter为1*1的卷积层替换fc层,操作每个像素)可以得到所有像素的标签,而不用先将图像分成许多小块,再通过卷积为块 的中心像素分类(这样就很耗时)
30、反卷积(卷积转置)
31、Spatial Transformer Networks(空间变换网络)
32、无监督学习
聚类等、PCA(线性的)
自动编码器(Auto encoder)、Generative Adversarial Networks(GAN)
(三)图像方面
1、opencv遍历像素的方式?
2、LBP原理?
3、HOG特征计算过程,还有介绍一个应用HOG特征的应用?
4、opencv里面mat有哪些构造函数?
5、如何将buffer类型转化为mat类型?
6、opencv如何读取png格式的图片?(深圳FC表现抢眼,渐入佳境豪取三分我MK体育貌似记得opencv不能读取png格式的图片,好像每种格式图片的表头不一样,需要转化,给他说了半天他,他也没明白)
7、opencv如何读取内存图片?
8、opencv里面有哪些库?
9、用过opencv里面哪些函数?(我顺带回答了一下canny,HR又问opencv里面有c-a-n-n-y有这几个字母的函数吗,尴尬。。。又问我如何自己写canny边缘检测算法)
10、opencv里面为啥是bgr存储图片而不是人们常听的rgb?
12、深圳FC表现抢眼,渐入佳境豪取三分你说opencv里面的HOG+SVM效果很差?他就直接来了句为啥很差?差了就不改了?差了就要换其他方法?、
13、讲讲HOG特征?他在dpm里面怎么设计的,你改过吗?HOG能检测边缘吗?里面的核函数是啥?那hog检测边缘和canny有啥区别?
13、如何求一张图片的均值?(考虑了溢出和分块求解,貌似不满意。。。回头看看积分图里面如何解决溢出的。)
14、如何写程序将图像放大缩小?(我回答的插值,不太对。。。比如放大两倍可以插值,那放大1.1倍呢,)-->放大1.1倍也可以插值
15、如何遍历一遍求一张图片的方差?(回答的是采用积分图,并让我推导这样为啥可行。这个问题以前帮同学解决过。。。)
(四)编程方面(C++/Python)
1、 全排列
2、 矩阵求最长连续递增的路径长度?à
329. Longest Increasing Path in a Matrix https://leetcode.com/problems/longest-increasing-path-in-a-matrix/discuss/
3、vector和list的区别?
4、c里面有哪些内存申请方法?
5、虚函数和纯虚函数的区别?
6、重载、覆盖、重写的区别?
7、用过C++11吗?用过里面的哪些?
8、有哪些类型转换函数?以及用在哪些场景?
9、用过GCC吗?会linux吗?
10、堆和栈的区别?
11、Python中定义类的私有变量?在变量前面加双下划线“__”,如:__x,则为私有变量
11、请描述指针数组和数组指针的区别
指针数组:array of pointers,即用于存储指针的数组,也就是数组元素都是指针
数组指针:a pointer to an array,即指向数组的指针
还要注意的是他们用法的区别,下面举例说明。
int* a[4] 指针数组
表示:数组a中的元素都为int型指针
元素表示:*a[i] *(a[i])是一样的,因为[]优先级高于*
int (*a)[4] 数组指针
表示:指向数组a的指针 元素表示:(*a)[i]
(五)开放性问题
1、最后问面试官的问题
(1)我以后的面试要注意哪些问题,提点建议?或为了更好地胜任这个岗位,我还需要补充哪些技能? 入职后是否有产品培训和技能培训?
(2)当感觉还可以时,就问公司培训制度,晋升机制,以及自己来了应该做什么,当感觉没戏时,就问,你给我一些关于职业的建议吧,以及怎么提升自己
3、 HR面试(自己总结的)
(1) 期望薪资
(2) 你理想的工作是什么样的?
(3) 关于你以后的工作打算,你有什么想法?
(4) 职业规划
(5) 做项目时遇到的困难及解决方法?
(6)做科研辛苦吗?
(6) 对公司的看法?为什么应聘我们公司?
(7) 你在同龄人中处于什么档次 和大牛的差距在哪?
(8) 你跟同龄人相比有什么优势?
(9) 你除了我们公司,还投了哪些公司?
说几个
(10) BAT之外,你最最想去的是哪家公司,为什么?
(11) 如果我们给你发offer,你还会继续秋招么?
(12) 【跨专业】本科+研究生在本专业学了多年,为什么没在本行业求职?
(13) 【家离企业所在地较远】为什么想来xx地方工作,父母支持么?
(14) 【对象】如果对象和你在意向工作地发生分歧,你怎么处理?
(15) 优缺点?
(16) 介绍你一次最失败的一次经历?
(17) 介绍你一次最成功的一次经历?
(18) 这份工作你有想过会面对哪些困难吗?
(19) 如果你发现上司做错了,你将怎么办?
(19)你觉得大学生活使你收获了什么?
(20)你对加班的看法?
(21)当公司给出的待遇偏低不足以吸引到优秀人才的时候,你该怎么去招聘?
这些知识点都是我自己总结的,包括HR面的问题。
轻 松 一 刻
发表评论
暂时没有评论,来抢沙发吧~