小米推荐算法新鲜面经3-25
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！！！！
小米二面400人在聊
查看7道真题和解析