2018年招行Fintech精英训练营初赛复赛面试参营

2021招商银行FinTech训练营总结 文章目录一、初赛1. 赛题理解2. 思路解析二、复赛:高频交易预测1. 赛题背景课题研究要求比赛规则:评价标准数据说明计分规则2. 思路解析总结 一、初赛 时间:4/30/2021—5/12/2021 1. 赛题理解 近年来,以A(artificial intelligence)B(big data)C(cloud)为代表的数据智能技术飞速发展。为适应新时期银行科技转型的发展战略,招商银行提出“轻运营”理念,通过对未来业务量进行精准预测,可以合理安排人力,提升关键工作节点的精确化和自动化能力,向着以卓越、高 阅读详情

整个的过程大概是在4月中旬之前报名,然后4月22进行初赛。当时就是偶然看到了报了一下,没想到也一路走过来了。

一、初赛

    初赛是一个在线的笔试,满分100分,82分的选择题,18分的编程。选择题中涉及的范围很广。招行历史,金融知识,数据结构,分布式,云计算,区块链等,这些也跟后来参营的时候招行的领导介绍的他们在做的东西吻合。编程题是一道零钱分配问题,一道动态规划题。不算太难。初赛达到60分可以瓜分5万奖金。

二、复赛

    复赛是四道机器学习题选择一道题,并且有一道智能租房设计的附加题,偏产品。但附加题的作用感觉不大。

    复赛被很多人吐槽过,原因是只需要提交结果,和提交一下最终代码就好了,这样其实就有了可以作弊的空子,我们第二题最后一天的时候第十到第十五全部一个成绩。。。。我是开始的时候做完成绩比较好,没怎么改,到最后两天再去调参,但是提交次数已经试不出来了(每天限提交五次)。排名一点点往下降,以为自己凉凉了,没想到进了面试。

三、面试

    不太清楚进面试的标准是什么,但是进了面试还是挺开心的~

    面试时间选在了16号上午,过去之后等了大概一个小时吧。整个面试过程还是比较轻松的氛围,大概二十分钟。

    两个面试官,一个中年大叔感觉是技术leader,或者什么leader之类的,另一个是HR小哥哥,也是之后训练营带我们的。首先会让自我介绍一下,面试官看简历。

    然后开始问简历中的项目,我第一个项目写的是目前在做的项目,问的比较多,问了实现原理等等,没问太细节的东西。不过不知道我回答问题太言简意赅了还是因为我是最后一个他们已经提问不动了,中间有几个谜之沉默。

    之后是HR小哥哥提问,问了我做复赛题的一些事情,我也做了附加题,所以也给他讲了一下附加题的思路。然后问了一下有没有男朋友。。。。。工作地点的偏好之类的。然后这个面试就结束啦~

四、训练营

    大家都在说虽然复赛很值得吐槽,但是招行的训练营真的安排的不错。

    我们是第三期,为期三天,整个行程安排的特别满。整个训练营主要任务是在原本做的复赛题基础上完成一个项目并进行展示。白天会有团队熔炼和大咖授课的内容,所以就主要集中在晚上做,两天只睡7,8个小时了解一下。

    具体的细节就不说了,说一下训练营的整体感觉。一起去的一个博士学长跟我说能明显感觉到招行确实是在认真地做这个东西,而且整个的公司氛围,招行员工对于自己公司的认同感都是很好的。确实是这样,不过相对于技术来说,感觉我们训练营做的东西还是比较偏产品一些。关于晋升途径和薪资待遇HR也介绍了一下,晋升途径很惊喜,薪资待遇符合预期。

    关于Fintech管培生,轮岗两年,然后双选定岗。期间也可以根据自己意愿调整,比较灵活,也会有一些管培的特别福利。

整个过程大概就是酱啦~


招商银行2022FinTech数据赛道总结 招商银行2022FinTech数据赛道总结 比赛链接:FinTech精英训练营官方网站。 第一次参加这种比赛,真的学到了不少东西,感谢其他大佬在交流群里的无私分享,小白又了解到了很多可以学习的东西。这次比赛排名还是很拉的,A榜只有0.952,B榜只有0.723,综合排名应该到了快400名吧。但不管怎么说,既然参加了这次比赛,还学习了很多东西,还是值得好好整理一下的。 文章目录招商银行2022FinTech数据赛道总结1. 比赛简介2. 可提高的地方(1)探索性分析(2)数据预处理数据类型转换缺失值处理异 阅读详情

相关推荐

2018年招商银行FinTech精英训练营复赛

过了初赛就可以参加复赛,我初赛200+名(及格上榜的好像就400多人,具体名次我也不记得了),招行5.20给发了99.9的红包,很大方了~~~ 赛题背景     财经新闻作为重要却海量的投资数据,无时无刻不在影响着投资者们的投资决策,为了更好地提示客户当下新闻事件对应的投资机会和投资风险,本课以研发“历史事件连连看”为目的,旨在根据当前新闻内容从历史事件中搜索出相似新闻报道,后期可以结合事件与...

weixin_40411446的博客 5601

2022-06-26 华泰证券 Fintech 比赛题解

2022-06-26 华泰证券 Fintech 比赛题解 1. 小华拼单词 2. 股票买卖的最大收益 3. 运货 4. 区间乘积的因子数之和

weixin_46323890的博客 1709

招商银行2022 Fintech精英训练营数据赛道-第4名方案分享

招商银行2022 Fintech精英训练营数据赛道-第4名方案分享

CZYZDM的博客 880

招商银行2020FinTech精英训练营笔试题目题解

笔试题目为招商银行2020FinTech精英训练营笔试题目,都没有AC,记录一下,还是要多做题多进行总结 题目描述: 小招在玩一款游戏:在一个N层高的金字塔上,以金字塔顶为第一层,第i层有i个落点,每个落点有若干枚金币,在落点可以跳向左斜向下或向右斜向下的落点。若知道金字塔的层数N及每层的金币数量分布,请计算小招在本次游戏中可以获得的最多金币数量。 测试输入: 第一行输入为层数 5 8 3 8 ...

Pitt_96的博客 3479

2020年招商银行FinTech比赛数据

2020年招商银行FinTech比赛数据,包括训练数据集、评分数据集、数据说明、赛题说明等文件。对银行风控感兴趣的朋友可以下载学习。

虚拟机扩容——非LVM分区

虚拟机扩容——非LVM分区

ytraister的博客 3908

招商银行-FinTech精英训练营初赛-编程题

第一题是经典dp拼凑钱币的改版,看这里第二题题目化简为,一个数字环,才不能选择相邻的数字,问能选择的数字之和最大为多少类似于leetcode上的股票买卖问题,用一个二维数组表示第i个数字选或者不选的最大和因为是环,所以要分情况讨论第一个数字选不选的情况#include <iostream> #include <cstdio> #include <cstring>...

聂小白的专栏 5321

DMA学习笔记

DMA(direct memory access,直接内存访问),是一种避开CPU,可以直接对外设和内存进行访问的技术,可以实现外设与内存、内存之间、外设之间的数据的访问和搬移。

weixin_46220498的博客 3121

fintech备赛

数据类型特征判断方法二元数据(Binary)只有 0 和 1(或 True/False)describe() 显示 min=0, max=1多分类数据(Multiclass)有限个离散值(如 1, 2, 3)value_counts() 显示多个类别连续数值数据(Continuous)浮点数,范围广describe() 显示 std 较大类别型数据(Categorical)字符串或有限个整数df.info() 显示 dtype=object。

2301_80078939的博客 1337

美亚杯取证比赛必备:Veracrypt挂载+检材解压保姆级教程(附常见错误排查)

本文提供美亚杯数字取证竞赛的Veracrypt挂载与检材解压保姆级教程。详细解析从分卷压缩包解压(密码格式为MeiyaCup+年份)到使用Veracrypt正确挂载加密容器的全流程,并附有常见错误排查与高级应急方案,帮助选手高效突破技术门槛,顺利进入取证分析阶段。

alice7model的博客 1084

多台树莓派(主机)通信

在做无人机实验时,有个任务需要 两台无人机 或 无人机与小车 进行通信。 由于我们飞机上用了树莓派,相当于一台电脑,索性选用Socket网络编程。 条件:树莓派、局域网(手机热点或路由器)。需要通信的两台树莓派接入同一个局域网。 如若现场没有网络,可将树莓派配置为无线路由器,发射wifi。网上很多教程,注意一点是树莓派需要先用网线接入路由器再配置。 发送数据: # -*- coding...

LNL_LNL的博客 7692

2018年招商银行Fintech精英训练营初赛复赛面试

    4月中的时候招行来学校做Fintech项目的宣讲,刚好被拉去听了一下,就顺便报了个名,想着去打一下酱油。一、初试    初试,其实就是在线笔试,100分满分,82分选择题,18分编程。涉及面非常广,基本的数据结构和算法、分布式数据库、云计算、区块链等等。基本上除了数据结构部分其余的题目都靠百度,然而有的题目百度了也不会,感觉选择题做的非常烂,都是看缘分,编程题2道,和普通笔试的编程题难度差...

curryche的博客 1万+

PADS Layout差分对布线实战:从规则设置到高速信号优化

本文详细讲解了在PADS Layout中进行差分对布线的完整实战流程。从在Layout中定义差分对网络,到进入Router配置线宽、间距等关键规则,再到布线实战技巧与高速信号完整性优化,系统阐述了如何确保差分信号(如USB、HDMI)的稳定传输,是高速PCB设计的核心技能。

weixin_29274969的博客 527

【“前任点评”】:2021年招商银行Fintech精英训练营产品赛道初赛复盘

这是参加2021年招商银行fintech精英训练营比赛产品赛道的成果。官网介绍链接在此 https://career.cloud.cmbchina.com/index.html#fintech 我最终成绩为37名。证据在此: [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-NkNEJOBg-1622688785485)(https://github.com/JennyCCDD/2021_product_track_for_cmbchina/blob/main/%E6%8B%9B

weixin_42294255的博客 3003

从零到英雄:如何用FPGA和AD9288打造你的第一台便携式示波器

本文详细介绍了如何利用FPGA和AD9288 ADC芯片从零开始打造一台高性能便携式示波器。通过硬件架构设计、高速数据采集系统实现及信号处理与显示系统的开发,读者可以掌握400Msps采样率的实现方法,并了解关键器件选型与系统优化技巧。

jjj34的博客 282

【WorkBuddy专栏52】Codex与WorkBuddy生态适配、用户争夺与未来走向(下)

【WorkBuddy专栏52】Codex与WorkBuddy在中国大陆的发展——生态适配、用户争夺与未来走向(下)

AI人人懂 697

2022招商FinTech比赛总结

此博文为了记录双非研究生在此次比赛中的感受,以及学习到的内容 比赛介绍 FineTech比赛时招商银行举办的比赛,总共有三个赛道研发、数据、产品,比赛奖励不仅有奖金,还有实习offer,每年举办时间都是一样的;我选择了熟悉又陌生的数据赛道比赛,熟悉是因为以前参加过结构性比赛,陌生是因为上次参加还是2021年的事情了,最主自己不是本科班的出生,本科时候是学爬电线杆的,现在搞的是通信;(当初参加这个比赛,是奔着实习和三日游去的,当得知,即使在200名之内,也会因背景原因而收不到面试,但是有奖金) 比赛过程 .

A496608119的博客 1884

《从零搭建Vue3项目实战》(AI辅助搭建Vue3+ElemntPlus后台管理项目)零基础入门系列第一篇:开发环境准备

vue3入门实战:环境准备篇

感谢阅读 1387

2023招商Fintech数据赛道rank33 赛后分享

2023招商Fintech数据赛道rank33 赛后分享

A496608119的博客 3213

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

招商银行2022FinTech精英训练营 - 数据赛道方案分享

老肥今天和大家分享的是招商银行2022FinTech精英训练营的数据赛道。该赛题是表格类赛题,主要是对客户流失进行预测,是一个常规的二分类问题,评价指标为AUC,其特点是A榜和B榜两个阶段是完全不同的打法。A榜数据是与训练集同分布的数据,而B榜的数据则非同分布,因此成绩变化波动也比较大,下面我们一起从两个不同榜单的不同打法来简单回顾一下本赛题吧。A榜思路* 原始特征简单处...

老肥码码码 3291

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

招商银行2020FinTech精英训练营数据赛道比赛心得小结

文章目录1.招商银行2020FinTech精英训练营数据赛道比赛简介一、赛题背景二、课题研究要求三、评价指标AUC的介绍四、数据说明2.数据处理部分1.对用户标签数据的处理2.对用户交易数据的处理3.对用户APP行为的处理3.建模调参部分lightgbm模型 1.招商银行2020FinTech精英训练营数据赛道比赛简介 一、赛题背景 在当今大数据时代,信用评分不仅仅用在办理信用卡、贷款等金融场景,...

qq_39748940的博客 7208

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

2019年招行FinTech训练营面经

2019年招行FinTech训练营面试问题 昨天参加了招商银行2019FinTech精英训练营的面试环节,进入这个环节需要参加由招行举办的线上竞赛,我选的第五题。面试官问了两个专业的问题,现在总结一下。 问题一:解释一下梯度消失于梯度爆炸 这个问题可以从三个方面阐述: 一. 梯度消失和梯度爆炸 梯度消失: 梯度消失的根源—–深度神经网络和反向传播。 1.目前优化神经网络的方法都是基于反向传播的思想...

qq_40636392的博客 2792

招商银行2019Fintech训练营面试

昨天参加了招商银行Fintech训练营的面试,今天有时间就整理了一下,方便大家参考。 一个三个面试官,一个为总行HR,一个总行技术大佬,还有一个西安分行的HR(因为我在西安,感觉分行的HR就是划水的,应该是来帮忙的)个人感觉面试难度整体不大,主要是针对简历上的问题进行提问。以下为面试流程: 1.自我介绍,时间不限 2.总行HR提问,主要问题有:线上竞赛做的题你觉得自己做的怎么样?选择工作看中...

皮皮狗 3287

招商银行2022 FinTech训练营

招商银行2022 FinTech训练营

Wayne_233的博客 2253

2021招行Fintech数据赛Rank15开源分享

一、赛题理解 时序预测、回归类问题 任务一:预测未来一个月,A/B两个岗位按天的业务量 任务二:预测未来一个月,A/B两个岗位每天48个时段的细分业务量(半小时一个时间段) 数据: date:日期 post_id:A、B两种业务类型 biz_type:业务类型细分,A有13种,B只有一种 period:时段(每天48个) amount:业务量(label) PS;我又截图截晚了,官网只剩下这点了。。 二、数据预处理 周期性 取2020年11月的数据观察,分A/B两种业务类型,可以发现具有明显的周期

weixin_45826485的博客 2662
上一篇: 利用angr进行二进制静态分析
nku____
博客等级 码龄12年 4粉丝 2原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址