在与面试官在面对面进行交流的过程中，面试官不仅仅会针对简历中记录的内容进行深入的了解，还会进行一些发散性的提问。
目前也就很明显，就是要看看对方：
- 对于常见的问题是如何思考的？
- 有没有在持续性的学习本领域的新知识？
- 对于不知道的问题，是如何思考的？迁移能力咋样。
一、针对深度学习中，数据类别的长尾效应，如何处理这个问题？
在深度学习尤其是在计算机视觉任务中，数据类别的长尾效应指的是一种现象，其中
- 少数类别（头部）的样本非常多，
- 而大多数类别（尾部）的样本数量很少。
这会导致模型在训练过程中：
- 对头部类别过拟合，
- 而对尾部类别泛化能力差。
处理长尾效应的策略包括：
-
数据重采样：通过对尾部类别进行过采样或头部类别进行欠采样来平衡数据集。虽然这可能会导致头部类别的信息丢失，但它可以提高尾部类别的识别率。
-
数据增强：对尾部类别使用更多的数据增强技术，以此扩大其在训练数据中的表示。
-
cost敏感学习：修改损失函数来为尾部类别分配更高的权重。这种方法鼓励模型更加关注样本较少的类别，例如使用焦点损失（Focal Loss）或类别平衡损失。
-
迁移学习
)
