首页 > 笔经面经 > 小米推荐算法新鲜面经3-25

小米推荐算法新鲜面经3-25

头像
腾讯loser
编辑于 2019-03-26 10:49:02 app内打开
赞 6 | 收藏 61 | 回复12 | 浏览3742
楼主小白,研二才参加第一次线下技术面试,抱着弱鸡的心态,吃完午饭从学校打车半小时来到小米,下车的时候竟然晕车吐了(一直告诉自己不紧张,可惜身体不争气!!!)
——————————————————————————————————————————————————————————————————————分割线

一共两面,然后两面的面试官都超级NICE,属于那种面试风格非常温和然后态度非常友好,遇到不会的时候会提示你而且会延申一下你的认知,总之面试体验非常好,感觉小白第一次遇到这么好的面试官是自己的荣幸。
下面是面试遇到的问题
一面:简单介绍然后直接走简历。一面面试官非常强调基础,大致项目和比赛经历没怎么问。
第一个问题是开放型的问题,你觉得机器学习解决了什么问题,机器学习对比人的优势在哪里,你觉得有哪些场景是机器学习不适用的?
第二个问题是 LR的损失函数,很简单嘛,基于极大似然估计,然后楼主嘴贱不小心说了一下最大后验估计和极大似然估计,然后问题来了!!!!!!你知道最大后验估计?那么最大后验估计和极大似然估计解释一下两个分别是什么意思。然后概率估计中贝叶斯学派和频率学派的区别是什么!然后楼主提了嘴先验分布啊,然后接着就解释一下beta分布和二项分布的共轭关系,beta分布的表达式会写吗,beta分布的两个参数是什么意义,比赛中用贝叶斯平滑解决了啥问题。
第三个问题是svm和xgboost面试官看我比赛写了xgboost觉得我很熟悉就说不问了,SVM是非常经典的问题,就和我讨论了下SVM的用法吧, 挖的比较细,不过在高斯分布那块,有个问题是为什么高斯核经过大量调参可以出很好的效果,楼主回答的是因为可以映射到无穷维,但是具体不太清楚,然后面试官超级NICE的给我讲导了很多blabla的知识。
前三个问题,由于展开的很深,这个时候差不多1个小时过去了,最后的话面试官就出了道 两个链表求交点的code题,不是很难,感觉面试官是现场想出来的,根本也没准备为难
最后聊了聊之前本科的经历,然后觉得挺有共鸣了,和我聊了20分钟,然后继续下一面

二面:简单介绍了自己,二面面试官人非常佛系,给你一种风轻云淡的感觉,没错就是大佬的感觉,由于一面时间比较长,二面相对比较短,感觉是面试官交流了不用问基础了,就问了些模型
第一个问题,介绍一下CTR预估里面的模型,画一下DeepFM的示意图,然后解释一下这些的区别
第二个问题,手撕代码,写一个矩阵旋转90度的代码,解释一下坐标变换公式
第三个问题,用非递归的方式实现一个二叉树的删除操作,引申问题O(1)的空间复杂度怎么解决? 时间换空间,面试官给我说了很多blabla
然后就是聊天环节,感觉一面二面面试官都超级年轻,看到我们这种小白也能有共鸣,当年这些老哥都是这么过来的,所以说了很多自己的经验,然后对我的建议。

面完感觉十分轻松,因为面试中感觉就是两个好友在聊天的模式,非常非常nice的氛围,觉得小米真的超级赞。最后楼主吃了顿沐鱼小食,安心回学校好好学习,天天向上,查漏补缺!!!!

12条回帖

回帖
加载中...

本文相关内容

近期热帖

热门推荐