历经四面收到字节跳动意向书！附简短面筋
字节的面试难度真的挺高的，是我最遇到最艰难的🤧🤧，但是流程很快，8.31一面，9.2二面，9.7三面，9.10四面（上半，面试官临时有会议重新约时间），9.14四面（下半，接着上次继续），9.15 oc+意向书，面试官素质高，整体体验很赞！
后面更新一波面筋，记录一些我认为比较困难的问题🤣，面试官都很好，问题答不出来或者做不出来，都会耐心引导提示😣
8.31 一面
八股+项目+算法题+反问（八股问的很多，只记录些印象深刻的问题）
（1）ROC曲线和PR曲线的区别？适用场景？AUC的意义？
（2）优化方法有哪些？牛顿法和拟牛顿法？拟牛顿法怎么做的？
（3）随机森林和GBDT哪个树的深度更深？为什么？
（4）朴素贝叶斯分类怎么做的？为什么朴素？
（5）coding：判断二叉树是否对称
9.2 二面（交叉面）
八股+算法题+反问（同上一面，八股问的很多，当时脑子已经嗡嗡响了，也只记得回答比较困难的问题）
（1）SVM的优化算法SMO是怎么做的？怎么选择每次迭代中两个优化变量？
（2）最早解决梯度消失问题的方法是什么？（不知道，后来也没查到😥）
（3）推荐模型知道哪些(LR，FM，Wide&Deep，DeepFM)？有什么区别？FTRL优化算法？
（4）coding：第K大个数（快排思路）
9.7 三面
项目+算法题+反问
coding：
（1）手写Softmax
（2）卷积尺寸变化的计算，参数量，计算量
（3）给定二叉树前序和中序遍历，输出后序遍历；用到哈希表，提问哈希表和字典的实现用到的数据结构
9.10+9.14 四面（交叉面）
算法题+项目+反问
coding：
（1）投掷硬币直到出现“正正反”停止，第K次停止的概率（DP，以连续两次的正反面情况为状态进行推导更新，一开始并没有想到，说的思路是记录三次的情况，面试官提示说只用两次是不是就可以了，才做出来）
（2）Sigmoid(x)=0.2用梯度下降求解x
（3）设计逻辑回归LR模型（实现类），特征为离散的，利用Adagrad优化方法，能够实现预测样本和增量更新参数的功能（实现预测和更新两个函数即可，需要对特征做编码处理），提问特征维度过高怎么办？（降维，哈希映射处理）
投递美团等公司10个岗位 >