warning：和offer大佬面经不同，以下全是失败的面试。        描述一下自己，无实习、无科研、无项目的三无渣硕，本科、研究生都和机器学习一点关系没有。开发不会，算法自学，只会写python，感觉没有比我经历更差的投算法岗的了。真正开局一卷草席，装备全靠捡。    面了也好几家了，都是回去等消息吧，挂！9月继续努力，不行明年春招，大家也要加油！面经和大家分享一下，也算攒个人品，会持续更新。 我基础特别差，很多都不会，真的希望自己一步一步做的更好吧，大家别嘲笑我，谢啦！       ----------------------------------    首先个人感觉，基础一定要非常扎实，了解算法背后的原理，多想多思考，要扎实到你觉得很稀松平常的问题也要问自己为什么（当然我做不到）。项目每个点都要异常熟悉，不熟悉的干脆不写，哪怕编也要编熟悉（当然我也做不到...）。    以下项目有关的只讲一个kaggle的小比赛（没成绩），有用xgboost和词嵌入和lstm，所以问xgboost和word2vec和lstm的问题比较多，但深度学习其实不会所以问深度学习的都是被怼的。    以下大致能回忆的都回忆了，有些题出现在左神的书里我会标注出来页数。       ----------------面经------------------           一、拼多多提前批           1、问主要编程语言。会java吗？会hadoop吗？描述项目。       2、描述word2vec算法，描述sent2vec，描述一下sent2vec怎么得到向量？（当时没复习，不会）       3、我们的商品的标题有几十个字符，怎么得到和某个商品最相似的K个商品？（我说先分词再用词嵌入，平均之后拿这个向量互相算余弦距离）       4、他于是问得到向量后，如何在几千万甚至上亿个商品内找到前K个最相似的。如果提高效率？（我说哈希分片到不同机器并行运算，他说这样是可以，但是总复杂度没降下来，要用什么高维特征检索，我猜测有点类似kd-tree的意思）              二、小红书提前批        1、最有意思的项目。       2、在线做题。一个m*m的矩阵，其中每个n*n矩阵中都有一个最大值（n<m），求这些最大值的之和。（我没做出来，写得很烂。实际上一维的这个问题中，滑动窗口求最大值的和要实现O(n)也需要双端队列去做这个事（左神书P19）。二维的相当于X轴先做一遍、Y轴再做一遍，O(m^2)。最后面试官说这个问题其实是出现在雷达扫描的实际场景中）              三、360提前批        第一次现场面，完全不知道面试是什么套路，稀烂。       1、介绍xgboost一下。写下xgboost目标函数。（因为我提到xgboost在目标函数里显式地加入了正则项..血雪崩）       2、问项目里英语分词器用了啥，jieba用过吗，怎么调整XGB参数，除了logloss用了别的评估方式吗       3、了解其他的分类模型吗，问LR缺点，LR怎么推导（当时我真没准备好，写不出来）       4、写LR目标函数，目标函数怎么求最优解（也不会）       5、讲讲LR的梯度下降，梯度下降有哪几种       6、写代码：快拍，如何写非递归的快排（不会非递归）       7、写代码：最长公共子序列（当时不会写，DP，左神书P210）       7、逻辑函数是啥（Log-Sigmoid，1/(1+e^(-x))）       8、机器学习的模型自己实现过吗（对不起我是真开局一卷草席，装备全靠捡）       8、word2vec是怎么实现的       9、nlp做过吗？讲一讲textrank如何做的（有用过）       10、写一下信息增益       女面试官语重心长地对我说，你小子一个应届生，基础差得一批，啥啥不会，我们这要实现算法的，赶紧滚回去巩固基础，并且多自己实现实现。              四、百度提前批        一面           1、C语言，指针和引用区别（略懵逼，后来发现C里没有引用啊...C++我真不了解）          2、线程、进程的区别（太早以前看的，都忘了，以为算法岗不问这些...）          3、线程间通信方式，进程间通信方式，管道是什么（不会，后来补学了一发）          4、同步、异步区别，服务器客户端场景下（再度答错）          5、堆了解吗？有个什么场景非常适合使用堆？（Top-K问题）Top-K问题怎么用堆，怎么更新堆？          6、红黑树了解吗（具体不了解，只知道是种特别叼的二叉搜索树，为什么叼不知道，大概是比较接***衡，调整的步骤少）          7、散列表了解吗，怎么存储散列表（基础差真的不行，再次答错）          8、散列表读取的时间复杂度，散列表很大的情况下读取（O(1)）          9、hadoop，spark这块用过吗（没）          10、python 垃圾回收机制（不会）          11、python 深、浅复制区别和应用场景（微微一讲）          12、python 可不可以多线程、多进程（我说都可以，不过忘了GIL，晕）          13、python 语言有什么特性 或者你编程时比较喜欢的方面          14、xgboost原理          15、gbdt树根据什么分裂（瞎扯的梯度近似残差、梯度下降方向，其实还是信息增益这种东西）          16、gbdt怎么并发（特征选择层面，树层面不能并发）          17、最长公共子序列，复杂度（DP，时间复杂度O(n*m)，空间复杂度可以缩小到O(min(n,m))，左神书P210）          18、写代码：翻转链表（原地翻转，左神书P40）          19、两个单向链表第一个公共结点（左神书P62）                    二面          1、写代码：一个有序的连续的数组，其中少一个数，如2、3、5、6、7，O(lgn)找出这个数（写的二分我感觉没错她说我少考虑了...）          3、讲项目，参数是如何调整的，获得了多少收益；一个月的工作中，产生特征的思路，获得了多少收益          4、除了xgboost还知道那些机器学习的模型          5、写一下SVM要优化的函数，直接推导SVM（写到L(w,b,α)时让不用写了）          6、写的过程中问了几个问题，为什么要除以||w||，为什么优化问题中间隔γ可以取1（没答太好）          7、一个六位数的随机密码生成器，不小心拿反了，结果读取获得的密码仍然是正确的，概率多大（前三位和后三位要是中心对称的数字）          8、关键词分析有什么模型，情感分类有什么模型（项目相关）          9、自己搭的搜索引擎结果是如何排序的（elasticsearch用了一下而已），有没有评估效果（没），建索引时和query时分词的颗粒大小                    经理面          1、为什么一面面的不好，这些不复习也应该知道，代码是不是写的少，按理学电子的写C也很多（别说了，是我的错，基础差）          2、想从事的技术方向，为什么想做这个（我随意..）          3、为什么说喜欢机器学习，你说的推荐系统和购买预测有什么不同（说不清）          4、未来想做到什么水平，什么人适合做什么，就做什么，不论是技术还是管理，适合最重要，不要羡慕别人的风光          5、当领导需要什么能力，你适合当领导吗          8、怎么学习机器学习，最近看了什么书什么论文，有没有去实现它（说看了gans）          聊人生，特别看重逻辑性                    五、58转转内推            1、项目介绍，xgboost介绍       2、为什么要用梯度拟合残差       3、为了达到相似的预测结果，RF和GBDT哪个树深（这个我真答反了，还振振有词地说了一统bagging....可以看看这个https://www.zhihu.com/question/45487317）       4、准确率，召回率解释一下       5、假设加了很多很多负例，auc和prc哪个对此不敏感（实际上auc不敏感，但也有人说因为prc比auc在极端不平衡时曲线差很多，所以用prc能反映真实的分类效果，这个问题各自有各自的道理，可以看看这个https://www.zhihu.com/question/30643044）       6、xgboost对特征缺失敏感吗，对缺失值做了什么操作（知道不敏感，但不知道什么操作..）       7、哪些模型对特征缺失敏感，哪些不敏感（不知道）       8、特征缺失，不用说求均值之类的填补方法，用LR、RF去预测缺失值，哪个好（这个求大佬解答，我真没想明白，我扯的RF，又拎出bagging扯了一番.....）              六、美团内推      一面       1、写代码：一个数组和一个num，O(n)找到数组中两个和为num的数字对的下标（哈希，找num-lists[i]）       2、xgboost介绍，项目的一些问题以及没有做到的，很细       3、项目中用到LSTM怎么用的（血崩开始，LSTM真不会，只是用了下）       4、为什么过拟合，怎么判断过拟合，怎么减少过拟合       5、不变动模型和参数，只对数据来说怎么减少过拟合（说是增加数据，略无语）              二面       1、SVM数据线性不可分怎么办 （软间隔，核函数，讲下软间隔）       2、为什么LR要用对数似然，为什么不用平方损失或者差的绝对值之类的损失（我说类似最大熵问题，得到了光滑的凸函数，面试官说就是为了得到凸函数）       3、接上题，LR中使用平方损失会不会形成凸函数（我没敢答，事实上不是）       4、XGB和GBDT区别       5、泰勒展开怎么写（忘了..）       6、L0、L1、L2范式，他们的作用（雪崩2，我以为自己背得牢牢的，然而...其实L1相当于曼哈顿距离，L2相当于欧氏距离，这下不会忘了）       7、外卖时间预测的整个流程（想了一堆特征，天气、路况、外卖员历史速度、菜色大小之类的，监督学习，用XGB之类的回归）       8、LSTM怎么用，back propagation through time是啥，为什么会梯度消失，back propagation推导，讲链式法则（雪崩3，不会深度学习）       9、讲k-fold CrossValidation，然后问说有一百个数，随机选取数字，让其均匀分成十份，不允许有一次碰撞（面试官说随机一个数字后和最后一个数字交换，依次减小数字的范围。略无语，感觉并没有实际解决问题，又在哈希方向思考了半天）              七、作业帮            一面          1、讲项目，特征工程的细节、不足          2、介绍xgboost，讲讲xgboost怎么用以及常用参数          3、介绍word2vec          4、怎么判断是否过拟合，工程上怎么减少过拟合          5、让我用C语言实现char* strcpy(char *strDest, const char* strSrc)（我说不太会C了，只会python做题可以吗..结果开始问python语言）          python：          6、[[],[0,1,2],[]]之类的list用2位置的数排序，sorted(a,key=lambda x:x[2])，排序怎么反向，reverse          7、[[],[0,1,2],[]]之类的list怎么取出2位置是2的形成新的list：[[0,1,2]]（还真不会，给写了个for循环的....好蠢）          8、写正则表达式（忘了）          9、对list有什么常用操作          10、python with语句是啥，单下划线/双下划线（不会）          面试官认为python没指针，写代码好像不自然，所以以下都没写代码：          11、单向链表判断是否成环（左神书P62）          12、二叉树前序、中序遍历还原树（很常见）          13、0.7概率生成1、0.3概率生成0的随机数生成器和0.3概率生成1、0.7概率生成0的随机数生成器，用任意个组合成为0.5、0.5概率生成1、0的随机数生成器（我说用俩，生成11或者00则对应1和0，生成01或10就continue，感觉不优雅...）          14、字符串如‘abcDefG’，如何把小写的放前面，大写的放后面，相互间顺序不变，即‘abcefDG’，要求不能额外申请空间（没想出来，主要难点就是想办法如何交换）          15、上一题提醒：有两个数字a和b，如何交换a和b的值，要求不能申请额外空间（异或，左神书P317，问我python怎么异或两个数可以直接异或吗，我说^，这个我试过可行）          16、讲堆排序的过程。建堆，调整等。                    二面          1、讲项目、特征工程的细节          2、讲xgboost和gbdt区别          3、n人参加0-100分的考试，确定排名n/2的人几分（桶排序）          4、一个输入流，一直不断输出一个数字，随时可能停止，停止时要求立即输出一个之前所有数中的随机数，即每个数字输出的概率都相同，要求是只能申请常数大小的存储空间，不能O(n)大小。（一直在瞎想哈希，实际上要以概率问题来考虑这个题，即新来的数以1/n概率保留，原来的数以(n-1)/n概率保留。每次来一个数按概率抛弃一个数，剩一个数）          5、然后是上一题停止时要求输出K个数字的方案。（差不多的方法，新来的数k/n概率保留）          6、为什么很多实践或论文中，训练时要分为train、validation、test三部分，分成train、validation不就够了吗？（没说好，我感觉还是测试预测效果，实际上一般k-fold也就是train、validation啊...大佬可以说说）