2022算法岗秋招总结

背景：

学校：211硕士，硕士研究方向：NLP，求职岗位：NLP

正文：

    2021年8月份开始投递简历，时至今日（11.11），投递公司近一百家，中国所有互联网大厂全部投了个遍，最终大厂梦破灭了，所有大厂均已凉凉结束，秋招正式结束。从8月份开始准备算法岗（NLP）的基础知识，虽然本人研究生是做NLP的，但是那些NLP算法模型自己都是一知半解，所以在这个领域差不多是从零开始，秋招之路甚是难走。提到NLP就不得不提Bert、Transformer本领域无人不知无人不晓的模型，那这些就算是做NLP的研究生真的能理解其中奥妙吗？我是觉得还挺费劲的。这些模型不说，神经网络的基础知识，激活函数有哪些？函数及其导函数长什么样子？有什么优缺点？应用场景是什么？这些基础问题我想可能也有些人都没有考虑过吧。校招的时候其实每个公司的要求都还挺低的，但是这个低它是个有底线的低，如果面试官问你这些非常基础的问题你没有回答上来感觉就会比较危险。所以如果你想从事这个行业，首先不是看最先进的模型，而是这些基础问题先给解决了。激活函数、损失函数、优化函数，它们的作用、优缺点、应用场景等先给整明白。

    在面试的时候大部分（80%左右）的面试官都会问一些机器学习的问题，当然问的不会很深。但是我在研究生期间传统机器学习（RF、GBDT、HMM等）几乎没有用过。所以机器学习部分都是从零开始学习，从原理到公式推导，并且有一些概念我还认为比较难理解，学习起来还挺费劲的。比如SVM（支持向量机）的凸优化问题，对偶问题等至今都难以理解其中的奥妙，真心感到数学家们提出此等公式真的太牛B了。这里我列几个我被问到的比较高频的问题（主要看简历上写了啥和研究方向会因人而异），线性回归、逻辑回归、支持向量机、决策树、梯度提升决策树、隐马尔可夫模型、随机森林、主成分分析等。据某面试官所说在公司中往往是机器学习模型与深度学习模型一起使用的，那个好就用那个，所以这些都需要了解一些。当然我在面试的过程中没有出现过让手推SVM等太难的问题，但是出现过让写一个Kmeans算法（没写出来）。

    算法岗位必不可少的就是代码，数据结构这门课是这个岗位的一门必修课，在笔试的时候需要用到编程（算法岗位的笔试编程题好像会更难一些），在面试的时候也会现场编程，无论你使用哪种语言，python也好，C++也罢，你对数据结构的理解程度都需要理解到看到一个问题你能立马想到解决办法。以我这么多次的面试经验来看，在面试的时候如果你看到问题不能立马想到解决方法，那么你想再久也写不出来程序。那么怎么做你才能做到看到问题就能想到解题方法呢？leetcode先来个200题再说，至少得先做100题才能面试，要不然就是浪费面试机会。前好多次面试感觉编程题没有编出来是我凉的其中一个原因吧，后来国庆节狂刷力扣勉强编程水平提升一点。这里也列出一些在面试中出现频里较高的问题，冒泡排序、快速排序、链表的原地反转、二叉树的前序中序后序层次遍历、二分查找、阶梯问题（懂得自然懂这是啥问题）等。还有一些算法的思想我认为也学要了解，比如递归、分治、回溯、贪心、动态规化。在刷力扣的时候可能会有很多题会用到这些思想，了解一下没啥坏处。多刷力扣，算法岗必备。

    我的秋招感觉在我认识的人里面属于非常坎坷的哪种，你的同门、你的舍友很早就收到心仪的offer的时候，他们每个人都有很多offer的时候，他们在为选择那个offer而纠结的时候，而你却还是0offer，感觉还挺酸爽的。现在这个点已经属于秋招结束的点了，而我也刚刚收到一个offer，和我心中所想的完美offer（薪资到位、岗位符合、还是大厂）差了一点，但是我也心满意足了。毕竟一个0offer的人还要什么自行车呢。

    最后感谢实验室同门的帮忙，老师、同学、父母的鼓励，感谢**科技给在下一个机会。