作者：要offer不要oppo 链接：https://www.nowcoder.com/discuss/203132 来源：牛客网 看你python用的比较多，先说一下python的一些基础知识吧。 1.read readline readlines的区别 2.*args **kwargs的含义与用法 3.说说项目 4.svm的核函数和对偶，核函数有哪些？区别是？svm模型C参数越大，代表模型的偏差大还是方差大？ 5.模型过拟合有哪些处理方式 6.解释一下你刚刚说的两个正则化的不同 7.画出RNN的结构图 8.scikit-learn中随机森林有哪些参数需要注意   9.快排写一下，时间复杂度       作者：husterVivi 链接：https://www.nowcoder.com/discuss/120676 来源：牛客网 一面是俩帅气的小哥哥，先让自我介绍，然后问了一下项目 项目特征选择怎么做的 怎么防止过拟合 L1和L2正则 ID3树用什么指标选择特征 开放题:预测一位学生期末是否挂科，需要挖掘哪些信息。 然后就是 有没有男朋友呀，地点意向什么的 对公司有哪些了解(结果我一点儿也不了解，尴尬了30秒)  上午十二点面完，一点通知下午三点终面  终面应该是主管 hr 问了下项目怎么做的，我觉得应该是考察你的表达能力，估计他们不太懂 也说了下特征工程的问题 如果有同学要学机器学习，你会建议他们从哪里做起 兴趣爱好 意向地点       作者：J.Q 链接：https://www.nowcoder.com/discuss/102053 来源：牛客网     美团AI算法提前批(已拿两提前批offer和一个转正offer)                 提前批       第一轮：          17号清华双选会，一人可以选两个部门面试，每个面试就大概15min          两个部门共问到的问题有（模型多是根据项目问）：          1. xgboost原理，怎么防过拟合          2. gbdt推导          3. boosting和bagging在不同情况下的选用          4. DBSCAN原理和算法伪代码，与kmeans，OPTICS区别          5. LSTM原理，与GRU区别          6. 算法题：翻转中间由各种符号隔开的字符串           第二轮第三轮：          20号在望京，每个部门两轮          共问到：          1. EM算法推导，jensen不等式确定的下界          2. xgboost和lightgbm的区别和适用场景          3. LR的推导，损失函数          4. gbdt推导和适用场景          5. DNN的梯度更新方式          6. 算法题：2sum，3sum          7. 算法题： 从右边看被遮挡的二叉树，求露出的node          8. 概率题，抽蓝球红球，蓝结束红放回继续，平均结束游戏抽取次数                    第四轮：          hr面          23-24号左右，两天把offer都发了，让意向选择            转正面：        主要就是介绍了实习期的工作，讨论做得好和不好的，然后写了一个快排一个归并，较简单，之后就是hr聊了聊                 -------------------------------------------------------------        腾讯技术研究-机器学习提前批(已拿offer)                        腾讯一面应用研究-机器学习                    1. 扣简历的项目，扣的很细          2. xgb，rf，lr优缺点场景。。。真的逢面必问，有不了解的可以留下评论，我可以提点拙见，最好还是自己去网上扣一下这题          3. 算法题，单链表判断是否有环 (leetcode easy)，以及判断环入口          4. 算法题，给前序和中序，求出二叉树          5. 是否写过udf，问udaf，udtf区别和一些细节           腾讯二面应用研究-机器学习           1. 扣项目，问简历，其中涉及的算法和上面差不多          2. 问推荐算法，fm，lr，embedding          3. 算法题，10亿个32位正整数，求不同值，只给1GB内存。。。我只答出来4GB的情况，时间负责度还不是最优的，所以稳稳凉了，如果有人知道怎么解1GB，求回复，感谢           腾讯三面应用研究-机器学习            1. 算法题： topK给出3种解法          2. 算法题：二叉树的最大深度和最小深度          2. 协同过滤的itemCF，userCF区别适用场景          3. 扣项目，问简历，其中涉及的算法和上面差不多          4. 对项目中一些技术选型产生质疑，并友好的一起讨论了这个问题          5. 推荐系统的大概步骤，解决冷启动。。。           腾讯四面应用研究-机器学习          最后技术总监面，onsite           1. 算法题：名人问题，给出最优解法          2. 问了一下项目和简历          3. 自我评价优缺点，怎么改进          4. 描述一个算法项目从kickoff-落地的全过程          腾讯五面应用研究-机器学习          总监面完立刻就hr面了           hr面就是常见的问题，城市啊，薪资待遇啊，对部门的评价，对总监的评价          然后就在系统中提示offer报批中。。。           -------------------------------------------------------------           阿里机器学习算法工程师(共面了两个部门，一个社招流程一个校招流程，拿了校招流程的offer)            校招部门：                一面：              1. 扣简历，问得太细了，每个项目都要回答如果再做一次，有什么改进的地方，both算法上和模型选择上             2. 算法题：反转链表             3. 算法题：trim二叉搜索树             二面：              1. 扣简历             2. CNN为什么比DNN在图像识别上更好，这题我答得很烂，有好答案的欢迎留言             3. 用mapreduce实现10亿级以上数据的kmeans             4. rf和gbdt基分类器区别，里面的决策树分别长啥样，怎么剪枝             5. 说一下gbdt的全部算法过程             6. 算法题：丑数             三面：              这面是总监面，主要根据我的经济学背景，没有写题，只是讨论一小时怎么把经济学的知识带到算法领域。             其实这面是最难的，非常不好回答很多问题，但这些问题对大多数牛友没意义，所以就不分享了，有相同经济学背景的想知道可以私信我。              四面 (交叉面)：             1. 聊了简历上做的项目，对其中一些项目做得不太满意，问我一些改进的方式             2. XGBoost推导和优点             3. 介绍了LSTM，里面的每个gate是干什么，怎么得出的，并与GRU做了对比             4. 让我挑一个最熟悉的模型讲，我说都可以，于是他问了GBDT，FM和FFM模型             5. 也聊到了我做算法的初心，为什么一个经济学的来做算法，有哪些优势，同时也给了我很多建议，希望我打牢基础，很感谢他的建议             hr面 (视频面)：             聊了一个小时             1. 怎么理解大数据             2. 怎么理解算法             3. 数据的价值在哪             4. 怎么看待数据贩卖，对还是不对             5. 怎么看待阿里，和其他公司比较，why阿里              另一个部门面到4面交叉面后就结束了，没有hr面，应该是凉了或者进备胎池了             具体就不说了，因为没拿到，总之套路差不多，我搞砸了3面总监面，很砸很砸！             -------------------------------------------------------------               华为算法工程师(hr说面试通过了，等流程，但具体offer还没有下来)             海外视频招聘，一共两面，没什么特殊的，比较少见的是问了C语言的常见坑和解决办法，其他基本差不多，整个过程感觉不太一样                        作者：今天又懒得不开心 链接：https://www.nowcoder.com/discuss/92701 来源：牛客网         自我介绍             项目经历详细介绍             两种预测方式区别             pair的预测方式             整体项目有哪些可以提升的             word2vec实施过程，遇到的困难之类的（问的比较多，记不太清了             softmax的原理了解             整个项目用了哪些库             使用gensim的word similar方法预测句子             SVM所有核函数的了解应用             SVM的损失函数             朴素贝叶斯基本原理和预测过程             LR推导             交叉熵，还有个什么熵不记得了。。。             开发环境、语言的掌握                                       作者：撒泼打滚求Offer 链接：https://www.nowcoder.com/discuss/92370 来源：牛客网               1. 目标检测了解吗，（了解一点）Faster RCNN跟RCNN有什么区别                      2. SPP， YOLO了解吗（不了解）（后悔没去看看= =）                      3. 梯度消失梯度爆炸怎么解决                      4. RNN容易梯度消失，怎么解决（LSTM）                      5. LSTM跟RNN有啥区别                      6. 传统的机器学习算法了解吗（不怎么了解，说了个KMeans）                      7. KMeans讲讲，KMeans有什么缺点，K怎么确定（不会）                      8. 卷积层和池化层有什么区别（不是很懂这个问题的点）                      9. 防止过拟合有哪些方法                      10. dropout咋回事讲讲                      11. 你有什么要问我的吗                                                         2.过拟合的解决方法                   3.L1/L2正则化                   4.特征如何降维                             作者：NickWong2 链接：https://www.nowcoder.com/discuss/111758 来源：牛客网               一面                                问本科地信咋回事                         问竞赛成绩 咋不是黑龙江赛区                         介绍一个自己最熟悉的项目                         是否考虑过前后两个实验精度不同是为什么                         数据集来源                         为什么选择迁移学习                         出现问题不应该说是inception框架的问题                         用没用resnet?                         集成学习的细节                         然后就是卡了能有半个多小时的题                         html源码结构的DOM模型转成什么样的数据结构存储，其实就是问多叉树怎么存储，我当时就没想到多叉树的存储是存chlid和brother.提示了还卡了辣么久                         然后说了我一下代码规范的问题                         然后问遍及(原题背景简化以后)然后我一直纠结brother.怎么返回到father.后来发现一个while找自己的brother.就好啦 最开始还忘记return.叶子结点的情况了😂😂                         再就是问如何处理过拟合                         l1 l2都是啥原理dropout是啥原理                         还有啥方法 工程上深度学习的方法有木有                         提前终止，扩大数据量，验证集。不知道还有啥                         集成学习用没用过 bagging boosting.都是咋回事？boosting做预测的过程？（这个没答对）                                         面试官很耐心很耐心，面试了70分钟，面试体验非常好，虽然答的啥也不是😂😂                                                  二面                                    自我介绍                            介绍一个自己做的好的项目                            用来描述精度的二次加权kappa是啥                            二次加权                            kappa是啥                            （当时紧张啥了，真的忘记了，还扯出来一个MSE，醉了醉了）                            问inception模型的演变                            （这个滴滴 AI lab就问过 真得好好看看了）                            估计面试官对我也挺无语的，问啥啥不会                            开始写题                            第一题                            I love you转换成you love I咋写？只允许申请O(1)的额外空间                            开始以为要计算变换后的位置，和面试官讲了一下发现行不通                            然后想了一会儿想出正解了 写完了 面试官没说有错误 问了一下代码意思                            第二个题                            取top100                            开始说大顶堆，发现没办法pop出来最小的                            说小顶堆，讲了一下操作。                            问时间复杂度，说nlogn，多说了100                            发现不对，二叉树就是log级别的                            然后让写top5的                            写完了，结束了，面试官撵我走了                                                作者：政化天下666 链接：https://www.nowcoder.com/discuss/111385 来源：牛客网             百度             岗位：机器学习/数据挖掘/自然语言处理工程师              状态：技术面完成              渠道：秋招              1、技术一面             2018年9月14号星期五 现场面              1、自我介绍             2、手撕代码             1）二维有序数组的二分查找某个数             2）找一棵二叉搜索树里面给定两个节点的公共祖先             3）最大的K个数             3、介绍思想             1）文件太大，内存太小时候，最大的K个数怎么样的求解过程？             4、手推公式             1）讲解并推导一下SVM             5、基础问题             1）LR和SVM的区别             2）讲一下做过计算机视觉的比赛             3）对着笔试题目写的内容，问过拟合有哪些解决方法             4）说看见笔试写了推荐的那题写了DNN，能讲讲自己用过么？结合了一个CVPR的文章讲一下我写的word embedding、DNN             5）详细介绍实习期间的工作，然后怎么做的？             6、有什么想问的问题             2、技术二面             2018年9月17号星期一 现场面              1、自我介绍             2、手撕代码：合并两个无序链表成为有序链表             3、讲一个项目，很看重思考的过程和处理的方式             4、讲一下实习的内容，说的比较详细，每一步怎么训练、用什么训练、怎么使用的、有什么好处             5、交流对深度学习的理解，从CNN、RNN等多个方面介绍自己掌握的             1）CNN方面:介绍结构，介绍发展历史，卷积用来干什么，顺便提了迁移学习，resnet的思想，中间问到了:BN的作用和原因             2）RNN方面:介绍RNN结构，梯度消失，介绍LSTM，介绍GRU，介绍最近两年的mrelu-GRU，介绍了并行RNN             3）DNN方面:介绍了dropout，relu等等             6、补充说明了强化学习及应用场景             7、提问环节             3、技术三面             2018年9月19号星期三 现场面              1、觉得比较有成就感的事情，对自己有什么持续激励么？             2、介绍一下实习的内容，然后自己怎么做的，然后差不多花了20分钟在上面探讨优化改进点，以及有哪些问题             3、实验室允许实习么？怎么去说服老师同意实习的？             4-9、关于项目分工怎么考虑，部门人际关系如何协调，宿舍舍友间关系，师生关系，实验室同学关系，个人兴趣爱好等             10、offer的考虑             11、提问环节:             1）岗位和内容，后面问对统计方法的了解，问了SVM的一些知识，损失函数，正则项等等             2）加班强度怎么样？面试官说百度是10:30-4:30必须要在公司工作，其他时间有事你可以走的，项目忙的时候可能加班到9点10点，还是比较灵活的             3）后面的流程                          作者：一一后 链接：https://www.nowcoder.com/discuss/121790 来源：牛客网           一、二面问题汇总：                自我介绍；                非CS专业为什么做机器学习（我记得有本书上说机器学习产生于控制学科...）；                看成绩单，因为我们学校信息学院分院之前自动化和计算机课程几乎相同，所以面试官比较满意；                与岗位相关的课程介绍；                分类器了解哪些，自己写过哪些；                熟悉的语言，用过哪些框架；                最熟悉哪个分类模型；                项目介绍；                项目中用到的算法详细；                树模型和熵介绍，为什么xgboost效果好；                除了课程外读了哪些书和视频公开课；                线性回归解析解的推导（三种方法），SVD与PCA的关系；                深度学习的适用场景；                深度学习与传统方法的区别，深度学习为什么效果这么好；                熟悉数据结构与算法吗；                贪婪在机器学习中有哪些应用；                想在哪个城市，为什么，为什么不去**城市；                面试了哪些公司，有哪些offer；                为什么去面试这些公司，找工作看重哪些方面；                有什么问题。                （已拿offer，感觉引导发问很重要，不建议坐等面试官提问再回答）                                作者：Owen😈💤 链接：https://www.nowcoder.com/discuss/95240 来源：牛客网             1.介绍项目，被外界打断三次，有种便秘的感觉，讲完了，面试官在百度问题，然后问我项目技术问题，回答之后他说他看过那篇论文，然后就没了                   2.项目花了30+分钟，跳出你的项目，谈谈传统机器学习（小弟深度学习弱渣），你觉得传统学习，深度学习本质区别？                   我回答：线性-非线性？                   面试官：不对。                   我再答：分类-回归？                   面试官：不对，你理解不行啊，基础有点差（我内心：。。。）那我再换个方式问：Linear    regression跟logistics regression的本质区别？                   我：线性非线性？                   面试官：不对                   我：内心就是mmp)不好意思，我没理解好这个点，请问你能跟我说下正确的理解答案吗？                   面试官：不可能啊，这是面试，百度很多你自己去百度                   我：目瞪口呆。。。                   面试官：再问个问题，预处理知道吗？我们讲讲归一化吧，归一化的本质是什么？                   我：去除数据的差异？                   面试官：不对                   我：把所有的data都scale到同一个range下？方便比较特征？                   面试官：不对，你不是搞深度学习吗？这个跟BN思想一样啊。                   我：BN的就是去除数据之间的差异，减少层层之间的依赖啊                   面试官：你没理解到点上去                   我：目瞪口呆twice                   3.这样吧，你桌面共享出来，你写个backprop:                   （内心OS：妈耶~怕不是被针对了，别人30分钟就出了，我1个多小时还要写code                   打开一个sublime，写了个SGD的简单方法敷衍了下                   交换问题：1.所在部门干啥的？2.对我的评价及建议：动手能力不错，但是理论基础差。。。。                   感觉自己要凉，1是表现估计确实是我状态最差的一次 2.面试官不爽我还是怎么样，有种被针对的感觉，我同学说我可能我碰到压力测试~                   ----------------------------------二面-------------------------------------------------                   人工智慧部技术 leader，全程1个小时：                   1.项目，实验室，与工业界落地                   2.场景题：如何在本地和云端进行用户推荐，说下解决方法和利弊                   3.介绍部门业务                   技术主管好像对我很满意，然后跟我聊去向，北京南京 NLP 方向，上海 CV，深圳 CV，说部门压力大，收入高能得到好的锻炼。                   怕留不住我，说应该能开到我满意的待遇，希望双向选择                   -----------------------------------三面，大 boss 面--------------------------------                   这次让我特别意外，我还熬夜肝论文，结果收到邀约面试。我可不开心了，因为我同学都直接面一轮就过了我技术面都三轮了                   可我跟学长聊了下说，面试官是鼎鼎大名的宝峰总，华为软件工程部副总裁，诺亚方舟创始人，人工智慧部最大 boss，应该是给 sp 或者越级定级                   全程一个小时                   开门见山，不聊任何技术，综合来交流                   1.tensorlayer 适用人群，适合企业吗？有什么优势？怎么能满足企业需求                   2. 实际机器学习落地项目有吗？喜欢平台还是项目落地？                   3. 分布式的规模能做多大？有啥弊端？瓶颈在哪里？                   4.工业界和学术界区别大，给我举例，结合部门业务                   宝峰总全程教导，从宏观到细节把我说的一愣一愣的，还是发现大佬们眼界真高。                   -----------------------------------------------------------------------------------------------                   更新 9.25 运气好拿到 SP offer-消费者终端智慧工程部                                      作者：政化天下666 链接：https://www.nowcoder.com/discuss/91192 来源：牛客网               2018年7月29号星期天 视频技术一面                      1.自我介绍                      2.选择一个项目介绍                      3.讲一下实习的内容，讲一下word2vec                      4.最熟悉的工具是什么？tensorflow                      5.Tensorflow里面有没有用过with关键字，它的作用                      6.有没有了解其他python关于上下文的信息                      7.Tensorflow里面的优化方法讲一下，你觉得哪个好，说了最新论文提出的adam改进的Adamw方法最好                      8.研究生所做的课题是什么？说毕业设计的内容。那你这个课题的规划？                      9.项目线上部署怎么办？有些包线上好装，但无法访问外网时除了离线安装还有什么办法？我说docker虚拟机也可以，直接部署docker                      10.你有什么想问的？顺丰这边算法工程师的工作？主要也是机器学习写模型，然后做模拟系统                      11.什么时候知道结果，因为工作日在实习不方便面试？我这边会帮你报备的                                            作者：Owen😈💤 链接：https://www.nowcoder.com/discuss/92851 来源：牛客网                 阿里一面                         1.自我介绍下： 我是XXX的硕士，机器学习专业，我研究方向偏向于深度学习；然后我本科是XXX的物联网工程专业，本科做过两个项目：1）基于大数据的股票市场分析 2）基于用户操作的推荐系统 ；研究生阶段目前印象最深是做了两个项目：1）机器人课程作业中的challenge 2）现在正在做的基于model的智能机器学习框架，着重介绍在最后一个，然后问了下实际工作，完成程度，贡献度。最后追问了一个对于物联网的看法                         2.hashmap介绍先说了下自己知道JAVA的hash map的用法，python中dictionary也是用hash表实现的：首先利用hash()将key和value映射到一个地址，它通过把key和value映射到表中一个位置来访问记录，这种查询速度非常快，更新也快。而这个映射函数叫做哈希函数，存放值的数组叫做哈希表。 哈希函数的实现方式决定了哈希表的搜索效率。具体操作过程是：                                   数据添加：把key通过哈希函数转换成一个整型数字，然后就将该数字对数组长度进行取余，取余结果就当作数组的下标，将value存储在以该数字为下标的数组空间里。                            数据查询：再次使用哈希函数将key转换为对应的数组下标，并定位到数组的位置获取value。                                  但是，对key进行hash的时候，不同的key可能hash出来的结果是一样的，尤其是数据量增多的时候，这个问题叫做哈希冲突。如果解决这种冲突情况呢？通常的做法有两种，一种是链接法，另一种是开放寻址法，Python选择后者。                         开放寻址法（open addressing）：                         开放寻址法中，所有的元素都存放在散列表里，当产生哈希冲突时，通过一个探测函数计算出下一个候选位置，如果下一个获选位置还是有冲突，那么不断通过探测函数往下找，直到找个一个空槽来存放待插入元素。                         3.算法：快排的时间复杂度和空间复杂度？平均多少？最差多少？还有那些排序的时间复杂度是O(nlogn)?知道排序中的稳定性吗？我：快排的时间复杂度我记很清楚是O(nlogn),空间复杂度是O(1)，平均就是O(nlogn)，最差是O(n^2),退化成了冒泡排序；此外还有时间复杂度为O（nlogn）的还有堆排序和归并排序；排序的稳定性知道是在排序之前，有两个元素A1,A2,A1在A2之前，在排序之后还是A1在A2之前。                         4.SVM和Logistic Regression对比：首先我介绍了下logistics regression的过程，就是把y=wx+b的结果放到sigmoid函数里，把sigmoid作为一个分类器，这样做的原因是sigmoid函数能把所有范围的值域控制在（0，1）区间内，然后我们把0.5作为一个分类的阈值，大于0.5的作为正类，小于0.5的作为负类。然后SVM是一个利用超平面将数据隔开分类的问题，首先我们在max所有距离平面最近的点的margin，同时subject to y(wx+b)>0,意味着分类正确：                         然后：我们可以的到最近点到平面的距离：                         我们最后再用拉格朗日乘子式将subjuct to 条件转换成一个等式求解最后的w,b 然后求得最有超平面。我说SVM有很多kernel，这个有点像regulation，面试官说错了，你讲讲kernel是什么干什么用的？我说kernel是把数据把低维映射到高维，因为有些数据在低维不可分，映射高维可以找到超平面去划分，更好准确。                         最后说了LR比较方便计算，SVM 高维kernel计算复杂，但是准确。如果数据多，要求实时得到预测结果，用LR；如果数据不多，要求准确率，我选择SVM。另外SVM可以用于多分类，而LR只能用于二分类                         5.解决Overfitting、regulation的方法：regulation，我才总结下了，大致主要聊了2点：                         1）dropout,介绍dropout的概念啊，问了下train和test阶段的不一样过程细节                         主要讲了下test把active function的输出都乘以P，这样就把train和test的输出期望都scale到了一个range，这样才是更加准确的                         2）Batch Normalisation:BN，BN的原理，问什么好，好在哪里？                         1.降低了样本之间的差异，scale到（0，1）                         2，降低了层层之间的依赖，主要体现在前一层的输出是下一层的输入，那么我们把所有数据都scale到了（0，1）的distribution，那么降低了层层之间的依赖关系，从而使数据更加准确                         全程聊了一个小时，我人都傻了，一面不是面简历吗？（内心OS。最后问了面试官两个问题：1）我本来跟老板汇报了工作在路上走着，电话就来了，我就说没准备好问了下面试官对我的评价，然后面试官很nice说基本面不错，给我评价偏正面；2）问了面试官的部门工作内容，balala讲了一堆。然后跟我说，后面可能有人联系你，也可能没人联系你，有人联系的话，可能是他同事，                         --------------------------------------------------------二面-------------------------------------------------------------                         一，介绍自己及项目：主要介绍自己在TensorLayer框架的制作，贡献，太细节了，导致面试官说本来要问我的都说了                         二.基础考察：                         1.你知道感知野吗？什么作用？你知道卷积的作用吗？你用过池化层吗？有哪些？                         当时一脸懵逼，感知野是神马啊？最后再次确认了感知野其实就是在多个kernel做卷积的时候的窗口区域，就是3个33等于1个77的感知大小。                         卷积的作用是提取特征，前面的卷积提取类似于人眼能识别的初步特征，后面的卷积是能够提取更加不容易发现但是真实存在的特征。                         Pooling 用过，max pooling， average pooling， global average pooling。再问这个两个分别有什么用？                         max pooling我蠢到说提取最有特征的特征，其实就是最具有代表性的特征；average pooling提取的是比较general 的特征；global average pooling用来分类的，因为后面网络的加深，full connected layer参数太多了，不容易训练，为了快速准确得到结果，采用global average pooling，没有参数，但是得到的分类效果跟FC差不多。                         2. 讲到这里有点尬，你说你做过爬虫，自己写的还是用的框架？                         用的框架，现在基本不用java我觉得我还是要补一补，差不多都忘光了，我所做的就是用Xpath找到爬取的元素，然后保存下来，再用脚本转成待用Jason                         3.你机器学习的，知道sequence to sequence吗？                         我第一反应是RNN，我说RNN没了解，主要我只做深度学习CNN相关工作，大佬呵呵一笑，说你们要补补基础啊                         4. 在线编程：                         给个题目你写写吧，不用math中的取平法差，判断一个自然数是不是可以开方（时间复杂度尽量低）？                         妈耶，第一反应二分查找                         一上去尬了写了一个boolean 然后删除，搞了个def开始写函数                         最后问了2个问题，他又问了我2个问题：1，（这次是个P8大佬）在杭州，你工作地点介不介意？（我多说了几句话，开了地图炮，真的内心话）2，你作为tensorlayer的contributor，对标Kreas，优势在哪里？他说Kears底层支持好多库caffe2, Pytorch,等等，我说TensorLayer出发点不一样，怎么样比比了一通方正我觉得没逻辑~感觉自己凉了~因为面试官给我回馈就是你要拓展你的机器学习知识面啊啊啊，我一个搞机器学习被吐槽这样。。。                         --------------------------------------------------------三面-------------------------------------------------------------                         全程50分钟，主要讲的是项目：针对项目提出几个优化问题；                         1.对于提供可以自由裁剪pre-train model，怎么保证你输出的前面部分的check point 参数与模型结构 freeze在一起能在新的任务里，表现好？有没有实验数据支撑？                         2.你知道depthwise-CNN吗？讲讲具体原理？那1*1的kernel的作用是什么呢？对网络model有什么影响？                         3.你还知道或者学习过那些传统机器学习算法？XGBoost？HMM？SVM等等都清楚吗？                         4. 你学过那些基本算法？数据结构的运用？                         5. 你是哪里人？老家？籍贯？                         6.问我大学经历，未来打算，为什么工作？听出来我想先工作，问我后面想不想读博？                         交换问题，1.面试官的工作内容。2.对自己的评价及建议：短时间内展示自己最闪亮的部分（第二天进四面，等待通知                                                  作者：Owen😈💤 链接：https://www.nowcoder.com/discuss/93959 来源：牛客网                   一，介绍自己及项目：主要介绍自己在TensorLayer框架的制作，贡献，太细节了，导致面试官说本来要问我的都说了                            二.基础考察：                            1.你知道感知野吗？什么作用？你知道卷积的作用吗？你用过池化层吗？有哪些？                            当时一脸懵逼，感知野是神马啊？最后再次确认了感知野其实就是在多个kernel做卷积的时候的窗口区域，就是3个3*3等于1个7*7的感知大小。                            卷积的作用是提取特征，前面的卷积提取类似于人眼能识别的初步特征，后面的卷积是能够提取更加不容易发现但是真实存在的特征。                            Pooling 用过，max pooling， average pooling， global average pooling。再问这个两个分别有什么用？                            max pooling我蠢到说提取最有特征的特征，其实就是最具有代表性的特征；average pooling提取的是比较general 的特征；global average pooling用来分类的，因为后面网络的加深，full connected layer参数太多了，不容易训练，为了快速准确得到结果，采用global average pooling，没有参数，但是得到的分类效果跟FC差不多。                            2. 讲到这里有点尬，你说你做过爬虫，自己写的还是用的框架？                            用的框架，现在基本不用java我觉得我还是要补一补，差不多都忘光了，我所做的就是用Xpath找到爬取的元素，然后保存下来，再用脚本转成待用Jason                            3.你机器学习的，知道sequence to sequence吗？                            我第一反应是RNN，我说RNN没了解，主要我只做深度学习CNN相关工作，大佬呵呵一笑，说你要补补基础啊                            4. 在线编程：                            给个题目你写写吧，不用math中的取平方差方法，判断一个自然数是不是可以开方（时间复杂度尽量低）？                            妈耶，第一反应二分查找                            一上去尬了写了一个boolean 然后删除，搞了个def开始写函数                            最后问了2个问题，他又问了我2个问题：1，我们组（这次是个P8大佬）在杭州，你工作地点介不介意？（我多说了几句话，开了地图炮，真的内心话）2，你作为tensorlayer的contributor，对标Kreas，优势在哪里？他说Kears底层支持好多库caffe2, Pytorch,等等，我说TensorLayer出发点不一样，怎么样比比了一通，反正我觉得没逻辑~感觉自己凉了~因为面试官给我回馈就是你要拓展你的机器学习知识面啊啊啊，我一个搞机器学习被吐槽这样。。。（还好过了一天内推人说过了，准备3面）                                                                  作者：青羽 链接：https://www.nowcoder.com/discuss/111220 来源：牛客网                   美团1、2、3面的面试面筋，回馈大家、顺便攒人品。                            一面：                            1、介绍项目，接下来的问题很多是根据项目来问的                            2、xgb和gbdt的区别（这个其实很多，注意按条理答全）                            3、特征选择（这个也是有很多，从过滤法、包装法、嵌入法来论述，条理依旧很重要）                            4、场景题，有很多正例，没有负例，然后有很多未标注数据，尽可能的从这些数据中寻找负例（我是从聚类、最近邻以及异常点检测的思路去想。one-class-svm应该也是可以的）。场景题回答的好是很关键的，其余的都可以背下来，但是只有这部分才会考你对算法的理解和对问题的处理方式。                            5、算法题：找相交链表的交点。。简单，leetcode有。                                                        二面：                            1、介绍项目，然后问如果再给一点时间，项目还有哪些可以改进的地方。                            2、为什么xgb和rf是必用的两个方法呢？（这个必用是我自己说的）                            3、xgb和gbdt的区别。再次问了这个问题。。尽可能的去多回答哈                            4、svm的推导， 对核函数的理解                            5、有智力题哈，但是太长了。而且每个人出的不太一样，所以就不贴出来了。                                                        三面：                            1、介绍项目，为什么项目会成功                            2、扯犊子。。。                            3、求根号n。你懂的那种最简单的那种。                                                                  作者：政化天下666 链接：https://www.nowcoder.com/discuss/111388 来源：牛客网                              腾讯                               岗位：应用研究（机器学习）                                渠道：内推                                1、技术一面                               电话面                                1、自我介绍                               2、问本科专业和计算机专业有哪些区别，专业主要是学什么，必修选修                               3、问项目，然后聊里面的算法，解释两个最熟悉的机器学习算法，项目里面的特征怎么处理的，为什么用这些机器学习方法去做，样本不均衡的话怎么处理                               4、学过哪些机器学习课程                               5、关于最优化方面学过哪些课程                               6、问牛顿法怎么求解                               7、最后问怎么解决过拟合的                               2、技术二面                               电话面                                1、问了实验室方向，所做的事情？实验室的毕业生一般去哪工资？                               2、实习允许么？问不是一般放假一个月两个月的么？                               3、问一个项目，项目需求、怎么做的，为什么选择LSTM?                               4、要写论文么？是实验室强制的么？                               5、了解阿尔法狗么？                               6、熟悉哪些机器学习算法？                               7、决策树有哪些选择最优划分节点的方法？有了信息增益为什么还提出了增益比？                               8、模型评价标准，RMSE\ROC\AUC等等                               9、平时一般用什么做工程、用什么做算法？喜欢工程一些还是算法理论研究？                               10、QT和python怎么结合？                               11、C 实现多态的好处，有哪些实现多态的方法？                               12、了解推荐算法么？举例说明一般个性化推荐怎么做的？                               13、你有什么问题？                               3、技术三面                               电话面                                1、问了实验室的方向，硕士生和博士生都做什么，实验室毕业生有多少？                               2、实验室要求不要求发论文？打算在哪方面做研究？举个例子说明想法。我就说了看CVPR上面少量样本学习的那篇文章里面的一些想法。                               3、专利内容是什么？并详细了解一个项目。                               4、还熟悉哪些机器学习算法？                               5、问那你说说决策树分类和回归时候有哪些区别？                               6、介绍阿尔法狗的原理                               7、了解最近提出的胶囊网络么？                               8、对推荐算法有了解么？                               9、分类模型评价标准有哪些？追问，AUC可以用于多分类模型么？                               10、看过哪些相关的书籍？                               11、学习过哪些机器学习课程？                               12、平时用什么语言?我一般做算法用python，做工程用C 。追问你用python主要是用scikit-learn库么？我说有的是用了，有的要自己写，比如GMR，RBF，还有的用tensorflow的深度学习框架。                               13、你说说C 多态的好处？                               14、纯虚函数的用处？                               15、虚函数的好处？                               16、C 类里面有一个静态成员，那么有什么特性？                               17、哪里人？                               18、做过笔试么？觉得考的怎么样？                               19、最后说两个月的实习有点短啊，我解释了原因，说不让出去实习，实验室允许请假一个月才有两个月的机会。                               4、技术一面                               现场面                                1、实验室方向是做什么的?                               2、python交换数字a,b                               3、python对一个列表删除所有为0的数字                               4、python怎么定义一个类的成员变量                               5、linux怎么删除一个进程?那么进程号怎么知道呢？(grep)                               6、linux命令怎么查看硬盘太小                               7、LR和SVM的区别，当聊到损失函数，问分别是什么?hinge损失函数里面的z是什么?                               8、决策树里面的分类树怎么选择划分属性，给了两个属性分布情况，问选择哪个?                               9、决策树做回归时候划分点怎么选择?                               10、LSTM对于RNN的改进地方在哪?解决了RNN的什么问题?(梯度弥散)                               11、那么RNN的梯度爆炸怎么解决?                               12、LSTM的结构，里面的遗忘门是一个数值还是向量?维度是多少?                               13、python写一个函数，实现给定一个列表，把列表所有0移到列表最后面，其余相对顺序不变，要求时间o(n)，空间o(1)                               14、python写一个函数，实现有1T 的数据，10亿个不重复单词，给你一台机器，16G的内存和5T的内存，怎么统计每个单词的个数?                               15、补充一个还有LSTM你用的优化方法是哪个，我说是Adam，他问还有哪些，我说SGD等等，他问GD和SGD的区别了                               5、技术二面                               现场面                                1、不打算读博么？                               2、能够实习几个月？                               3、为什么用到LSTM?                               4、解释一下AUC(ROC的面积)，从概率上面的解释一下?                               5、解释一下交叉熵                               6、解释梯度消失和梯度爆炸问题，然后怎么避免?                               7、解释一下模型训练里面的偏差和方差对于训练的意义?                               8、用了gcc没?                               9、用过python没?用了，zip作用，说打包。numpy里面的list的引号是什么意思?不知道问的是啥。                               10、自己在学习中比较高兴是什么时候?                               11、有没有关注最新科学界动态?讲了一篇CVPR2018的文章                               12、你有没有什么问题?我问您是哪个部门的?                               6、HR面                               现场面                                1、从2016年以来就是一直在做舰艇自适应决策是吧?这个是和企业合作么？什么时候做完?能来实习么？                               2、专业属于哪个学院?计算机还是软件?                               3、家在哪?家里面还有没有兄弟姐妹?                               4、还面了其他的公司么？                               5、主要熟悉的是tensorflow是吧?                               6、为什么没有看见论文呢?之前没有计划发是吧?                               7、平时怎么学习机器学习算法的?                               8、没有考虑做竞赛么？目前在做算法比赛                               9、有什么问题                                                                                             作者：朝花夕拾y 链接：https://www.nowcoder.com/discuss/128590 来源：牛客网 一面: 讲项目 特征选择的常用方法 bagging和boosting的区别 手推逻辑回归 过拟合的解决办法，以及在你的项目中怎么用的 L1和L2的区别    L1为什么能稀疏矩阵  L2为什么不能，L2为什么能解决过拟合 gbdt，xgboost模型的比较 lstm和Rnn区别 梯度消失的解决办法 手撕代码:链表反转   最大子序列和 智力题:马匹赛跑   25匹马，5个跑道，没有计时器，要找出前三名，最少要比多少场，答案是7  二面: 手推gbdt 手推xgboost 手撕代码两个有序数组，求其中位数，然后改进时间复杂度 LR和svm的区别 场景分析题，如何对新闻进行实效性分析，怎么挖特征 lstm.每个门的公式还会写吗？我说不记得😁 还有一些小问题记不清了，，，                  作者：你好，阳光201803211123427 链接：https://www.nowcoder.com/discuss/93329 来源：牛客网               一面：vivo一面的时间不长，没让手撕代码，主要问了下项目并针对项目提了些问题，然后就问了道算法题和一道机器学习问题，算法题之前没遇到过，没答出来，机器学习问题也答的不是很好，故来反思一波，把没答出来的问题的答案补上，希望对其他人有所帮助。                               自我介绍                         介绍觉得做的最好的的一个项目                                   算法题：如何判断单链表中是否有环？                            是个很经典的面试题，可惜没有答出来，面完后同学说了思路：用快慢指针或者哈希表。对于快慢指针方法，如果单链表存在环，快、慢指针必定会在环中的某个结点相遇；对于哈希表方法，可以使用STL的map将链表结点指针映射成map下标，每访问过一个结点p，就将m[p]赋为1(m[p]初始为0)，若在访问某个结点时其m[p[已经被设为1，说明已被访问过，即有环 参见：https://blog.csdn.net/cyuyanenen/article/details/51712420                                   机器学习中L1和L2范数各有什么特点以及相应的原因？ L1范数更容易产生稀疏的权重，L2范数更容易产生分散的权重，原因一般从公式角度或者几何空间角度去解释 从公式角度解释：深度学习花书7.1节（202页左右）。带L1正则化的最优参数w=sign(w星) max{|w星|- a/H , 0}，其中w星代表未正则化的目标函数的最优参数，H代表海森矩阵，a是正则化系数，只要a足够大，w 星就会在更大区间范围内使w变为0，而带L2正则化的最优参数w=H/(H+a)▪w星,只要w星不为0，w也不为0. 从几何空间角度解释：绿色等高线代表未施加正则化的代价函数，菱形和圆形分别代表L1和L2正则化约束，L1-ball 与L2-ball的不同就在于L1在和每个坐标轴相交的地方都有“角”出现，而目标函数的"等高线"除非位置摆得非常好，大部分时候都会在角的地方相交。注意到在角的位置就会产生稀疏性。相比之下，L2-ball 就没有这样的性质，因为没有角，所以第一次相交的地方出现在具有稀疏性的位置的概率就变得非常小  ps:其实L1和L2范数的问题感觉解释的还不是很清楚，如果有朋友有更好的解释，欢迎留言交流~                              二面：几天后意外收到hr面，感谢vivo给的机会，这里也简单记录一下                                         简单自我介绍                            家是哪里的？                            本科的成绩怎么样？                            自己觉得一面的表现如何（我说表现一般，在介绍项目的时候答得还可以，但后面的算法题没答上来，机器学习的题目也解释的不是很好）                            面试官说他之所以问这个是觉得我一面的实际表现与优秀简历不是很相称，问我原因是什么？（我回答说自己非计算机专业出身，算法和编程能力并不是很强，而且研究生阶段导师无法给予实际的指导。ps:其实我想说遇到了一个比较坑的研究生导师，非但不能给予实际的指导，有时还会乱指导）                            对vivo的了解是怎样的？（吹了一波vivo的手机和企业文化）                            期望的工作地是哪儿？                            最后有什么问题想问？（就简单问了下结果什么时候出来，面试官说20多号左右）                                  总结：vivo算是楼主第二家走完面试流程的公司（第一家是华为的优招），无论结果怎样，还是很感谢vivo给的机会。从vivo的一面中也暴露出自己在数据结构和算法方面还不够熟练（判断链表是否有环的那道题在剑指offer上有，不过是在附加题里面，可惜我面试的时候还没有做到，剑指offer还是要继续刷完），秋招之路还得继续奋战，fighting!                       作者：小蜗牛学技术 链接：https://www.nowcoder.com/discuss/93521 来源：牛客网 一面： （1）自我介绍 （2）介绍项目，介绍了一个CTR项目，针对项目提问题 特征选择，特征工程，随机森林是怎样重要筛选特征的，RF/XGboost/GBDT区别，树模型如何处理缺失值和连续值，模型融合stacking （3）手写代码，简单题目，有序数组的二分查找（重复数字返回第一个），二叉树相加，是否子结构，都是leetcode easy题目，写得有点慢。。。 二面： （1）自我介绍 （2）介绍项目 （3）给定一个项目，如何分阶段完成 （2）列举两个优点和缺点 （4）保研还是考研，为什么不能保研 （5）在实验室早上几点去，晚上几点回 （6）工作地点 （7）我去了两个公司实习，比较一下这两个公司 （8）如何看待你应聘的岗位                                作者：编程一头牛 链接：https://www.nowcoder.com/discuss/90245 来源：牛客网             知道应该在面试完及时整理面经，方便自己也方便他人，但是懒癌发作一直没有下手。（懒癌怎么能找到好工作呢？！）今天下午刚刚结束了作业帮一面，回来总结一下。                   1）科大讯飞合肥大数据中心，本来投的是北京的研究院但是被Hr分到了合肥，就索性面了。                   电话面试，一面20分钟左右，首先是自我介绍，说了基本情况。然后开始问项目，科大讯飞的面试官对比赛项目很关心，因为他们自己也在做。问了kaggle竞赛的贷款偿还能力预测问题， 他们在合肥好像有一个跟金融方向相关的部门，所以问了这个。问比赛是如何分工的，都给了哪些数据，对特征含义的理解程度。有哪些属性有缺失值，是怎么填充的。对长拖尾分布的数据进行log处理的好处。为什么用XGBoost模型，是怎么调参的。简单介绍LR、SVM和XGBoost，这三个模型中哪个处理数据不平衡的Cover能力最强？ （这个问题完全打错了，我说的是LR模型，因为LR模型的参数中有class_weight可以设置处理数据不平衡；被面试官指出是XGBoost，号称能处理10：1的数据不平衡。）还问了调参过程中recall达到了多少。SVM的核函数都有哪些？总之是围绕项目来的，而且问的比较细致，数据结构算法的东西完全没有涉及到。回答的磕磕绊绊，而且好多都没给出明确的回答，不过一面竟然过了，可能比较缺人吧。                                      补充二面：08.07                   电话面试，十五分钟左右。没有自我介绍，也没问具体的技术。大概看了我的简历说我做的都是预测，用过哪些模型。然后问了对深度学习掌握的情况。让介绍一下贷款偿还能力预测这个比赛，这个比赛的难点在什么地方。对未来工作地点是怎么考虑的，期望薪资是多少。然后问了我还有什么问题，就愉快的结束了。                   --------------------------------------------------华丽的分割线-----------------------------------------------------                   2）作业帮提前批机器学习算法岗，没有自我介绍，面试官拿着之前提交的电子版的简历，问项目。问了项目的分工情况，然后开始逐点问，对数据预处理怎么填充的缺失值，哪些判定为异常值，对连续属性进行离散化有什么好处，Logistic回归能处理浮点数吗？多项式组合特征对哪个模型中效果提升最大。这个没答上来，问了面试官，面试官说是Logistic回归里面提升最大，而且组合起来的两个特征也是想出来的，没什么理论支撑。还问了模型的评价指标AUC是如何计算的，ROC曲线的横纵坐标代表了什么含义。XGBoost模型里面参数有哪些？如何发现过拟合。XGBoost模型中对数据进行采样的好处？主要是针对简历里写的不清楚的地方提问的。给了一个编程题，如何最快的在循环有序数组中查找某个值，在纸上写，怕各种陷阱，迟迟不敢下笔。然后又给了一个算法题，如何最快的找出两个集合中的交集，提出用哈希表的方法，问了这种方法的复杂度，然后又问如果这两个集合都特别大，不能再内存中构建哈希表该如何做？可能是想让我回答多线程相关的内容，但是我不会。如何设计哈希表？期间也问过有编过多线程多进程的代码吗？没有。。。然后面试官总结数据结构基础知识不扎实，写代码太慢，说可以推荐我去数据分析岗，被我拒绝了hhhh                   面试官说的没错，确实基础知识非常欠缺，而且很多问题都没能给出正面回答，秋招之路还很漫长！明天面试ThoughtWorks，听说巨难，很慌张。。                                作者：编程一头牛 链接：https://www.nowcoder.com/discuss/94930 来源：牛客网           最近一周的面试有点吃不消，还没准备好就被推着走，小身板儿快承受不住了。                比特大陆面试，现场面。办公地点在奥体公园旁边，下了地铁还有挺远一段。官方流程不清楚，我面了两面。                两面面试官都开场直接说我们不做机器学习，是区块链方向的，你看你还有没有兴趣，有兴趣的话继续聊。虽然区块链很火，但是我也不太清楚具体是做什么的，然后也没明确回复我未来想走什么方向，所以就接着聊。面试官都很好，不清楚他们的方向也没关系，会考察基础的数据结构和算法，还有就是将自己以前做过的东西，他们会顺着你说的抛出新的问题。                一面面试官问了三个算法题：1）给出字符串，按正方形的方式输出。然后检查空字符串的情况，是否会出现异常。2）快排。3）在循环有序数组中找出某个值的位置。写了前两个，第三个只说了思路。面试官检查代码检查的超细致。一丢丢问题都能发现。                二面面试官问了实验室的情况，数学建模竞赛中用过的哪些成熟的模型，让讲一个自己做过的项目。面试官是数学专业的博士，对概率和数学推导比较看重，项目里用了XGBoost模型，然后问我原理，我大眼瞪小眼，然后又问了一个概率的问题，有关生日的，我又大眼瞪小眼。最后推荐了两本区块链方向以及一本计算机方向的书，说应届生不要去设想工作会是什么样子的，要把基础打扎实，具体模型的适用条件，假设条件，简化过程，原理等等要掌握，合适的工作自然会来。                                vivo，视频面。技术面+HR                周二晚上9：30的视频面，大概四十分钟。全程自己balabala，讲项目，讲自己会啥，感觉面试官比较疲惫话都不想说。晚上收到了第二天HR面的通知，效率惊人。                周三下午HR面试，10分钟。1）自我介绍。2）现在各行各业都有大批人转计算机，你怎么看。3）你觉得对你这个岗位来说需要哪些素质。4）基于你说的这些素质，你自身的优势在哪。5）工作地点怎么考虑的。期间HR还接了一个电话跟人说拜拜，我以为在跟我说，条件反射的跟她说了拜拜，后来才发现不是跟我说的。HR说后续通知大概在23号左右发出。                                阿里口碑，两面。一面现场，二面电话。                口碑地点在北三环环球贸易大厦，交通很方便。周三上午，面了一个半小时。先写代码，给出二叉树的前序和中序序列恢复二叉树的结构。开始没写出来，在面试官的提醒下写出来了。                然后自我介绍，介绍项目，项目里的特征都有哪些，哪些对结果的影响大？                机器学习课上都讲了些什么，有没有学过数据结构。                掌握了哪些机器学习模型。                然后LR、SVM、XGBoost模型的区别；RF、GBDT、XGBoost、AdaBoost的区别。                XGBoost和GBDT哪个模型性能好，为什么？                介绍LR的原理。                LR和SVM的时间代价比较过没有。                有没有看过python库里的源码？                无监督学习掌握什么方法？回答k-means，别的真的不知道了，从来没重点看过。                然后给了一个大概的数据分布，问如何聚类。最后面试官说了是密度聚类的方法。                问CRF、HMM知道不？不知道                LDA知道不？不知道                规则学习了解吗？不了解。                面试官说有时间把这些看一下，都要了解。一面给过了。                当天下午就接到电话，约了周四下午面试。二面面试官听声音就觉得有点严肃，说话也是句句戳脊梁骨。                自我介绍、介绍一个项目                问XGBoost如何实现的正则化？我说模型里面的目标函数本身就包含了正则化                然后说某个特征让加入正则化如何设计。我没听明白问题，然后面试官就放弃这个问题了                问前期的数据分析，怎么做的。有没有分析出什么有意思的东西来。没有。。其实都没什么分析                特征筛选怎么筛选的。我说用的模型里面有一个特征评分，选取了一个阈值，分数小于这个阈值的特征就删去了。然后问我阈值怎么选，我其实是随便定的，然后就含糊的回答。面试官说那你是排脑门定的啊。                问我有监督学习和无监督学习模型掌握了哪些。                问一个区域确定人口中心划区域用什么方法，开始我说用k-means，然后他问我具体怎么实现。我说先设定一个k值，他问k值怎么定，拍脑门吗？不过在没有先验信息的情况下，确实没法选，就多试几个不行吗。然后我说那用密度聚类。                那密度聚类的密度函数用什么？我不知道                给饭店确定菜系，是鲁菜、川菜、西餐、混合菜系。。。你需要收集哪些数据，用什么方法                两个有序数组怎样最快的确定差集，复杂度是多少？                面试官提议工作中很多时间都在做数据分析的事情，这个工作要先做好。                                经过这些面试确实发现自己掌握的只是冰山一角，感慨：得到的都是侥幸，失去的都是人生。                                作者：风引 链接：https://www.nowcoder.com/discuss/99349 来源：牛客网             一面 算法题 两条链表求第一个公共节点。                   逻辑回归推导                   最大似然及交叉熵                   正则及各自优劣                   评价指标及含义                   问了一个实习的项目，40分钟，过。                                      二面，                   问了kmeans的计算过程及复杂度                   剩下全程问项目，基本全程自己讲，40分钟过。                                      三面，总监面，主要问了问之前实习怎么跟pm对接需求，在每项工作中参与的程度。简单介绍了下每个项目背景和业务价值。                   场景题：网易云音乐评论的个性化推荐。40分钟，过。                                      HR面，常规问题，问了我手头offer，拉家常。                                      9.4日  收到offer                                       作者：offer我踩着七彩祥云接你们了 链接：https://www.nowcoder.com/discuss/97260 来源：牛客网             ---------------                   一面，等了半个小时， 结果我电脑了麦克风不好。面试官加了我的微信之后电话过来问的。一共30min                   0.没有自我介绍                   1.介绍实习项目                   2.特征选择的几种方式有没有特定的应用场景？                   3. 出了xgb和lr还了解哪些机器学习模型， svm核函数变换有什么好处？                   4.用过什么聚类算法， 什么时候需要用聚类？                   5.神经网络了解过吗， 讲一下权值共享                   6.hmm了解过吗？ 有什么样的应用场景？                   7.lstm了解过吗？用过吗？（这个真的没有                   8.平时什么编程语言用的比较多？                   9. 还有什么你自己的优点我没有问到的.（这里我说了我会分布式框架）                   10.有什么要问我的？                                      总体感觉面试官面的不难， 大概就是说了下项目实习以及一些基础的机器学习算法。                                      -----------------                   - 二面 40min                   0.自我介绍                   1. 实习经历介绍下                   2.xgb与lr相比优缺点在哪里                   3.xgb与gbdt相比的好处                   4.哪些机器学习算法比较了解？                   5. linux了解吗？（出了一个题， 一个文本里面有0 1和其他字符， 要获取除了01 以外的字符输入到另外一个文本）这里我对linux文本处理不太熟悉， 然后我就说不太了解。 后来面试官让我下去了解一下awk的高级用法， 受教了                   6. 九宫格输入法怎么实现单词提示（比如输入a，提示advertise） 什么数据结构实现？                   7.能否实习                   8.有什么要问他的？                                      ----------------------                   等了俩小时终于等来了三面hr小姐姐。                   三面： 大概25min                   摄像头出了点问题， 调了半天， 还好hr小姐姐没有不耐烦。                   0. 没有自我介绍                   1. 为什么实习不转正                   2. 哪儿人                   3. 实验室的工作时间是怎么样的                   4. 工作地点有什么要求？                   5. 目前面了哪几家， offer情况                   6. 推荐算法和安全算法比较喜欢做哪一个、                   7. 有没有什么要问我的（加班， 结果什么时候出来， 测评， hr小姐姐说测评是走流程， 基本不挂了）                                      --------------------                   总体感受： 技术面面的比较基础， 比较在意了解算法的广度。差评的是面试官没有协调好， 牛客里也有不少吐槽的。。。面试官和hr小姐姐倒是都很nice~ 比个心心。                   总算是一天都面完啦~ 希望大家都也都顺利。                                             作者：Jeffery008 链接：https://www.nowcoder.com/discuss/102265 来源：牛客网             今天中午没有吃饭，下午饥肠辘辘中面的快手机器学习，大致情况在猿生活这里记录一下。                   一面：                                           实习项目介绍；                         比赛细节介绍；                         特征与模型的相关性如何计算与表示；                         深度学习特征的hash搜索算法时间复杂度；                         lightgbm的特性以及学习函数；                         Adaboost学习策略；                         决策树种类以及分裂方式；                         RF与lightgbm的区别；                         代码题：求二位矩阵中连通1的最大区域；                               面试过程中，几度暂停，然后很尴尬的告诉面试官小哥哥：稍等一下，我有点饿， 可以让我喝口水吗。。。哈哈，面试官也是很理解的说，不急不急，慢慢来~                          后来一面结束后，我就在面试所在地等待，一面面试官从茶水间拿了好几包饼干过来给我~ 好吧，我被感动了！                                      二面：                   由于我投的是视觉算法，但是要面机器学习，所以在跟二面面试官介绍之后他让我再等一下，他去找机器学习相关方向的面试官过来面我。                                    先写一个A的B次方然后模10e7；（我写了一个logB的算法，最后在这个基础上他说有什么改进，然后从A和B两个方向上改进了。并且还让我推导正确性）这个题看起来比较简单，不过还是挺有挖掘深度的。                         比赛介绍-然后开始问我怎么处理特征的，怎么选模型的，收获是什么。接着问我队伍名称是什么，最后得分怎么样（好吧，问的这么细？~最后他说比赛第三名他认识~原来如此）                         再次介绍实习项目；                         然后问了第一个实习的公司相关的情况；                         给了建议：说我的简历里面的项目跨度太大，以后找其他工作的话最好能够根据岗位来写自己的项目~~（感觉很好啊）                         GBDT、lightgbm、xgboost等的特性；                         ACM队伍中担任什么角色，DP？那写一个DP的题目吧：一个环中有N个结点，每个结点有一个价值，选择结点价值最大（选择的结点不能挨着）。                                  面完后就再次等待，然后就是HR了。                                      HR面：                                    对快手的了解                         对将来职业的规划                         现在面试了哪些公司                         我问了快手现在的发展情况，然后HR给了相应的解答。                              整体而言，其实效率算高的，一下午就面完所有的面试了。今天应该是面试专场，所以很多人都在面试，导致等待时间也较长。面试过程都是如沐春风，一面面试官很让人感动地给我饼干，二面面试官建议我以后找工作最好能够针对性准备简历，都让我对这个666的公司好感倍增~~                                          作者：盛晨晨 链接：https://www.nowcoder.com/discuss/101927 来源：牛客网             约的视频面试。。                                      一面                   1.生成式模型与判别式模型的区别？                   2.贝叶斯是什么？                   3.bn为什么能加快收敛速度。bn解决了什么问题？bn是怎么计算的？基于什么计算的？训练和测试的时候有什么不同？测试时候的均值和方差是怎么来的？                   3.5 池化层的作用？池化层反向传播的时候是怎么计算的？                   3.6 神经网络不断发展的趋势是什么？向着什么方向发展？                   3.7正则化有哪些方法？                   3.8为什么输入网络之前数据要做归一化？                   4.如何加快收敛速度。                   5.SVM为什么能够求解对偶问题，求解对偶问题为什么和原问题一样？为什么要求解对偶问题？svm的公式是什么？如果线性不可分怎么办？                   6.kkt条件具体是什么？                   7.极大似然函数和极大后验函数是啥？                   8.relu有什么缺点。                   9.具体解释adam，二阶矩是什么？为什么要用二阶矩？                   10，ax=b，求x的方法。（求逆矩阵，如果不可逆怎么办。什么情况下可逆。）                   代码：判断一个二叉树是否为二叉搜索树。优化空间                                      二面                   1.正则化与bias，variance的关系                   2.凸函数是什么，有什么良好的性质？极值是什么？                   3.k个独立高斯同分布随机变量的结果是？                   4.推导softmax的梯度，和tanh的梯度（求导~）                   代码：                   4.求两个数的汉明距离。                   5.给一个二叉搜索树，和一个区间，删掉不在区间内的节点。                                作者：一一后 链接：https://www.nowcoder.com/discuss/124931 来源：牛客网           国庆刚过就接到了淳儿姐的offer call，开心。写个面经，机器学习算法工程师。                一面，基础面：                1.precision和recall的定义和公式；                2.不平衡数据集的适用指标有哪些；                3.AUC、ROC的定义、实际意义、画法；                4.画ROC曲线，依照曲线上某点解释意义；                5.除了修改mercy，还可以用哪些方法来处理不平衡数据集；                6.写贝叶斯公式，解释先验、似然、后验；                7.写vc dimension的公式，解释其意义、作用；                8.简单介绍神经网络和CNN，介绍一下CNN对NN的改进之处；                9.介绍inception、VGG、Resnet；                10.为什么VGG要使用小的kernel代替大kernel；                11.目标检测RCNN系列介绍；                补：介绍HMM模型，手推前向后向算法                12.手撕代码，剑指offer原题，分析时间复杂度；                13.场景应用题，我用了simnet解决；                14.simnet介绍；                15.有什么问题问他；                                二面，感觉面能力：                1.自我介绍；                2.项目介绍；                3.挑了三个项目详细介绍了使用的方法、思路等等；                4.深度学习与传统方法的区别；                5.深度学习和机器学习各自的适用场景、举例说明；                6.在CV中用到的机器学习方法介绍；                7.对CV、NLP和ML的偏好、看法；                8.找工作时对公司哪个方面更加看重，为什么要来贝壳面试（汗）；                9.有什么问题问他；                                三面hr面，姐姐超漂亮，一切和谐顺利，聊得很开心，感觉过了CVTE的hr面之后，其他公司的hr面都是so easy难度的。                S面是boss面，聊的项目和学校生活经历。                嗯...贝壳面试体验很好，但当时连现场的吃的都没好意思吃，饿着肚子面了一下午，更不用说搭讪了，后悔，没有去要小姐姐们的微信                                      作者：牛客128229号 链接：https://www.nowcoder.com/discuss/108820 来源：牛客网           讲讲去年在秋招过程中积累的一些粗浅的经验，希望对大家有帮助。                       面试主要是从项目、算法原理、代码以及场景应用这几个方面进行考察。面试开始时，首先对项目进行了解提问，确认项目的真实性，在此基础上对项目上所涉及的算法进行深入提问，所以一定要非常熟悉写在简历上的机器学习算法，包括原理和数学公式推倒。此外，面试心态上的小trick就是在交流过程中要有一定的心里优势，抓住面试官所提问的点，回答逻辑结构要从面到点。                      以下为面试过程中可能会遇到的问题，结合了网络资料以及自我的理解，如果大家需要更全面细致的总结，可以加我的微信：zhengzhixian1468 加我的时候可以备注一下来自牛客。                               支持向量机SVM 在整体框架上，首先要知道SVM的学习策略是间隔最大化，可形式化为一个凸二次规划，等价于正则化的hinge损失函数的最小化问题，最后通过SMO方法解决接下来可根据李航的统计学习方法或者周志华的机器学习的SVM章节从头开始回忆细节。可根据以下问题串联算法原理细节。 1、函数间隔和几何间隔的区别？ 分类超平面可表示为wx+b，y为分类类别(1/-1)，其中函数间隔(function margin)为y(wx+b)，可代表距离超平面的远近即为对样本分类的确信程度。此时会显易见想到如果成比例改变w,b，虽然没有改变分离超平面但是会增加函数间隔，所以需要对分离超平面进行规范化即除以||w||，得到几何间隔。https://blog.csdn.net/maymay_/article/details/80263845 2、怎么得到svm目标函数？ 基本思想为相近样本点使其最大间隔化，这样确保距离超平面很近的点能有足够大的区分度。即为最大化样本(xi,yi)之间的最小几何间隔。实际上以上思想是对数据结构化分布做了描述。 3、 什么是kkt条件?  什么是支持向量? 将含由不等式的约束问题通过拉格朗日法得到了无约束问题，此时得到了KKT条件，通俗来将有以下几个条件 （1）拉格朗日式L对各个参数求导为0 （2）等式约束f(xi)为0 （3）拉格朗日系数alpha>=0 (4) 拉格朗日系数alpha 与不等式约束式子g(xi)的乘积=0  可由以上可的，当alpha>0 时，g(xi) =0即其解x向量就是支持向量这里同时说明支持向量机只依赖于alpha>0的样本点,其他样本点对其没有影响,说明支持向量对噪音不敏感 4、 什么是松弛变量? 所有训练样本并不是线性可分的，意味着不能满足函数间隔大于等于1。为了提高容错率使得函数间隔加上松弛变量 sigm且sigm>=0 。对于每个松弛变量需要支付代价,则改变目标函数+C sum(sigm),其中C为惩罚系数,C越大表示误分类的个数越少。 5、 为什么推到成对偶形式?                 (1) 对偶问题更容易求解                         (2) 能够自然的引入核函数,进而推广到非线性问题         6、核函数的作用是什么?有哪些核函数?如何选择核函数?                 (1) 什么是核函数?  特征函数为将欧式空间映射到希尔伯特征空间, 核函数K(x,z)就为特征函数的内积。                         核技巧为只定义核函数K(x,z),不定义映射函数, 通过核函数直接计算映射函数的内积。                         2 核函数的作用?  将低维的欧式空间映射到高唯特征空间,将线性不可分在高维特征空间中变得线性可分,在svm中拉格朗日对偶问题中的内积xi*xj 可以用核函数代替 。核函数可将两组数据映射为核空间内的两个点,看两个点之间的距离判断是否为同一分布。                         3 有哪些核函数?                         1)高斯核函数RBF: 其嵌入空间(embedding space)非常丰富,使得原空间的不同分布能够映射到不同的点.                         核函数能将连续函数空间填满的kernel叫做general kernel.                         2)多项式核函数:多项式函数不是general kernel. 因为更高阶的多项式不能由低阶多项式的线性组合构成                         3)字符串核函数(string kernel function):核函数不仅定义在欧式空间,还定义在离散数据集合. 字符串核函数是定义在字符串集合上的核函数 7、 模型的优缺点?                   优点: 1 、基于结构风险最小化原则，正则化的合页损失函数(当样本被正确分类且函数间隔(确性度)>1 的时候损失                            数为0,否则损失函数为1-y(wx+b))，有更好的泛化能力                            2 、在对偶问题上可以使用核技巧,避免了高维空间的复杂映射                            3 、SVM问题是凸二次规划函数,可以求得全局最优解                            缺点  1 、有较大的空间消耗，主要是储存训练样本与核函数，适用于训练小样本                                       逻辑回归 LR 1、为什么可以用(要用)sigmoid 函数?                 (1) 为什么可以用: Sigmoid函数定义了逻辑回归的条件概率，<w,x>的内积代表数据属于正类(y=1)的确信度。<w,x>越大则x属于正类的确信度越大。由于建模需求,需要将<w,x>从整个实数空间映射到条件概率P(y=1|w,x)，Sigmoid 函数单调递增能反映确信度，并且能够将实数空间(-无穷,+无穷)映射到(0,1)区间内,能表示概率意义,更加直观。 (2) 为什么要用:指数分布具有最大熵的性质,即在满足前提假设下的分布，分布越均匀越好.在逻辑回归中认为P(Y|x)服从伯努利二分布,并且P(y|x)=f(wx),可根据最大熵的性质推出sigmoid函数。 2、 逻辑回归对于多分类怎么做? P(y=k|x)的概率分布，等价于softmax，计算在哪类的概率值高。 3、逻辑回归能否解决非线性分类?                   (1)非线性超平面可通过变换替换，使得超平面关于新变量线性。                            (2)逻辑回归不是wx+b这样的形式,需要变换为有内积的对偶形式，再利用核技巧。但LR对偶形式系数不稀疏，但是svm对偶形式系数是稀疏的，所以当线性可分会选择svm                            4、逻辑回归有哪些应用场景?                            在特征很多的场景，比如上亿                                       决策树 1、 如何生成决策树？ 决策树思想：表示给定特征条件下的条件概率分布，分类即将该节点分到条件概率大的一边，决策树是一个递归选择最优特征的过程，特征将训练机划分成子集，在当前条件下该状态是最好的分类  1）若子集能被正确分类，则构造叶节点 2）若自己没有完全被正确分类，则对自己选择新的最有特征（递归过程） 终止条件：直到所有训练子集能被正确分类 2、 决策树属性选择的方法?                 1）信息增益                         2) 信息增益比         3、什么是ID3 ID4.5 CART? 特征分裂准则：信息增益（熵H(Y)-条件熵H(Y|X) ：即已知特征X后Y的信息量减少的程度 ID4.5：由于信息增益选择取值较多的特征问题，使用信息增益比进行矫正 CART分类回归树，回归树特征选择标准为最小化平方误差，分类树则为吉尼系数，吉尼系数越大不确定性久越大。 4、 决策树如何后减枝？                 损失函数为C(T)+a|T| ，其中C(T)是训练数据的预测误差，|T|为叶子结点的个数，a为权衡模型复杂度的系数。                         对树任意内部节点，计算以t为单节点的损失函数 与 t为根节点的损失函数，并且由此计算减枝后整体损失函数减少程度。         5、 决策树的优缺点？                 缺点：（1）噪音对决策树生成影响很大，我们所希望的分类器对噪音是健壮的。（ 2）决策树是基于贪婪算法，难以找到全局最优                         优点：（1）对数据类型和缺失值,离群点鲁 （2）可解释性很强，抽取分类规则路径 6、决策树的适用场景 中小型数据集，适合小特征量。若特征量过多则可能被剪枝。                              决策树集成算法 1、 什么是adaboost?                  Adaboost是提升方法的一种特例，其算法主要思想为： (1) 、一个弱分类器在每一轮训练过程中改变数据的权值分布，即提高前一轮被分类器分错类的样本的权值 (2)、将多个弱分类器组合成一个强分类器，即加大分类误差小的弱分类器的权值                         算法模型为加法模型,不能直接用SGD优化方法更新权重，故用前向分步算法更新权重。 2、 什么是GBDT？ 重点是新的模型是在之前模型的残差往梯度方向走 3、什么是xgboost?                   (1)  为什么xgboost是对误差进行建模？                            xgboost是集成学习boosting框架下的学习算法，因为特征空间是用分段函数去逼近的，所以采用additive training去学习我们的模型。additive training 是第t轮的模型预测=第t-1轮的模型预测+新的函数f(t)，新的函数就是我们所学习的，其中q为叶子索引代表树的结构，w为叶子结点的权重，所以新函数为特定的叶子结点的权重                            (2)  如何学习新函数                            通过最小化目标函数得出新函数，目标函数是基于结构风险最小化原则，目标函数=误差拟合+模型复杂度                            对误差拟合函数二阶泰勒展开，对模型复杂度包含（叶子结点数 和 叶子结点权重）                            最后通过对目标函数求导 得到最优权重(该权重与一阶与二阶信息有关) 以及 已知权重下的目标函数（打分函数）          (3) 如何生成xgboost?                   选取最优特征，在最优特征下寻找最佳属性分割点，评判标准为类似于吉尼系数形式，递归生成树 (4)xgboost有哪些参数？                     -学习率 eta ：学习率越小，迭代次数越多。                               -最小孩子权重 min-child-weight：控制叶子结点中二阶导数和的最小值，即样本的数量越少（由于h大约均在0.01附近），越容易过拟合                               -最大深度 max_depth  -最大叶子结点数 max_leaf_node                               -后剪枝参数gamma -L2参数lambda -L1参数alpha (控制模型复杂度)                               -样本随机采样 subsample；列采样比例 colsample_bytree (5)xgboost 有哪些优点？                       -树节点分裂方法，利用近似算法，二阶导数为权重值的分位数作为切分点                                  -自动学习特征缺失值的方向                                  -列抽样(借鉴随机森林)，行抽样                                  -学习率(eta)的shrinkage，增加迭代次数                                  -自定义损失函数                                  -特征预排序 (6)xgboost和gbdt的区别？                         1）GBDT是以CART作为基分类器，xgboost支持线性分类器，其中线性分类器的xgboost相当于正则化的逻辑回归（分类问题）或                                     线性回归（回归问题）                                     2）GBDT的目标函数含有一阶信息，xgboost的目标函数含有二阶信息，最小化目标函数可得关于函数空间f(t)的梯度迭代或牛顿迭代，                                     牛顿法能更快的收敛。同时xgboost加入了正则项，控制了模型的复杂度。             (7) Lightgbm对xgboost有哪些改进？ -Histgram算法 将浮点型数值离散为K个，统计离散值的累积量，遍历直方图找最优特征分裂点 -直方图加速：叶子结点的直方图可由父亲结点的直方图与兄弟结点的直方图做差得到 -leave wise 选取信息增益最大的叶子结点继续分裂（容易过拟合，利用max_depth参数控制)                                                             深度学习 (1)  什么是卷积网络？什么是vgg16-19 ？ vgg16有同样大小卷积核3*3和2*2池化层，最后三层为全连结，全连结耗参数，卷积耗时间，在每次卷积后均有Relu激活函数进行非线性映射。 (2)  为什么多次小核要好于一次大核？ 增强非线性映射 (3) 什么是ResNet? 神经网络存在退化现象(degradation),即会随着深度增加达到饱和后,再持续增加深度准确率下降(测试集和训练集准确率均下降,故不是过拟合). 为了解决这个问题，引入了残差但愿，一个残差单元学习的目标为输入和输出的差别H(x)-x,而不是完整的输入H(x)                                                                作者：vivalazy 链接：https://www.nowcoder.com/discuss/106725 来源：牛客网             先介绍情况：本硕末流985，性别女，无算法比赛。春招运气比较好的拿到了大厂实习，秋招因为转正了所以投的很少（又因为比较好吃懒做，所以目前在大厂和银行间犹豫不定。。。）感觉牛客上容易碰到熟人，哈哈，就不鸡汤了，直接总结一下面试遇到过的题吧。求攒些人品，助我做出正确的选择~                                      【春招】【阿里】                   一面（40分钟）：                           1.自我介绍                      2.介绍项目                      3.xgboost和gdbt                      4.你知道的防止过拟合的方法（回答了正则化项）                      5.L1和L2的区别，数学上解释（等高线）                      6.用到了矩阵分解，所以讲一下。                      7.你还知道哪些机器学习的方法.                      8.写代码：二叉树的深度。                      深度学习完全没问                      面试官评价：知道的机器学习的算法广度不够。                                            二面（30多分钟）：                               没自我介绍 没项目介绍 直接问问题                         二分类的评价指标都有哪些：                         数据不平衡问题如何解决（adaboost就能做到！）                         KNN 复杂度高，怎么解决                         相似文档，相似图片。LSH                         xgboost gbdt                         NLP的问题都答的不好。感觉面试官就是做NLP的。                         深度学习做过哪些？深度学习+推荐？                         LSTM的原理大概说一下，解决RNN的哪些问题。                         如何衡量两个句子的相似度，sentence embedding的方法（给了很多提示我都没达出来）                                                             三面（1小时+）：                         聊项目，主要是两个推荐方面的项目。问的很细，每说一步都会提出问题。                         场景题：判断用户遇到的问题，做推荐。从数据来源到模型，问的很详细。                                                  评价：知识面窄。                 四面：                           自我介绍                      数据处理的流程                      聊项目                      java中实现list的容器都有哪些                      LR和SVM的区别，哪个是参数模型                      怎么解决过拟合 为什么会过拟合                      100！末尾有几个0                      场景题：判断用户query是否是时效性query                      自己的优缺点是什么                      遇到过的最大的困难 有什么反思                      性格是内向外向                      在团队中是扮演什么角色                                            hr面（20分钟）：                      就是一些很常见的问题：                      你一个印象很深的项目。                      读研对你的提升。                      最近看什么书。                      你有什么优点。                      你能为团队贡献什么。                      三个词对自己性格描述，怎么体现的。                                            【春招】【腾讯】                               初试1（1个小时）：                         写卷子：操作系统，TCP，C++，快排。（10道题左右的卷子，只写了一道快排）                         问项目，主要是计算广告相关                         智力题：1000瓶水有一瓶毒药，需要几只小白鼠（10只，二进制编码）                                                  初试2（部门领导面（10多分钟的闲聊））：                         对特征选择的想法                         职业规划                         做过哪些项目                                                  复试（总监面）：                                   推荐项目的介绍                            如何验证模型结果                            42亿排好序的QQ号， 找到其中某个                            全程argue我初试为什么交了白卷（捂脸哭），操作系统、算法基础不好                            实习期间的内容                            面试官给的建议：操作系统、网络（我是算法岗啊？？？？！）、数据结构、算法，这四部分是基础，是必须要会的。                   【春招】【美团】                      1.电话面 20分钟                      自我介绍                      关于计算广告的一些问题                      平时用什么工具                      分类样本不平衡                      场景题：如何判断刷单                                            2.现场面 40分钟                      自我介绍                      写代码：二分查找                      问项目，问的很详细                      场景题：找top10个常出现的ip                      场景题：判断是不是垃圾信息                      防止过拟合的方法                      L1 L2如何选择                      自己的优点是什么                                            3.HR面 20-30分钟                      自我介绍                      哪里人 哪年的 毕业时间 能实习的时间                      学校 实验室的情况 有没有认识的人在美团 等等                      给之前的面试表现打分                      项目中遇到的困难                      开放性问题：一杯水等分成30份，没有度量工具，怎么做                                            【秋招】【携程】                      一面（40分钟）：                      介绍项目，没问到技术问题，也没写代码。                                            二面（15分钟）：                      部门主管，一共面了15分钟，主要是聊是哪里人、杭州上海怎么选、北方人咋不去北京、觉得上海哪好 什么的。。。                      问了个场景问题：怎样给没登录或者没历史行为的用户推荐度假产品。。（整体推荐框架介绍，热门+地理位置）                                            没有HR面就直接发offer了。。                                    【秋招】【美团】撕了三轮代码，今年美团真是难。。                               初试第一轮（50分钟）：                         自我介绍                         项目                         写代码：数组的全排列（我说我不会写），换了个简单的判断是否是回文数，用两种方法。                          初试第二轮（40分钟）：                         自我介绍                         项目                         场景题：推荐附近商户 完整流程，其中涉及到如何判断一个店是网红店                         写代码：找第k大的数（leetcode原题，类似快排的思路），用堆怎么做                          复试（1小时+）：                         介绍项目，每说几句会打断，问怎么做的。                         前向传播和反向传播                         画出DeepFM或FNN或PNN的图                         写代码：一排排的球，从上向下求路径加起来最大（DP）。写好后一行行的看，问这里这样写会有什么问题，如何改进。                         然后闲聊很久。。                               HR面：                      实习做了些什么                      用没用过点评                      闲聊中问HR小姐姐是不是今年HC很少，得到了肯定的回答。。                       ————————————————————————————————————————                      总的来说，今年算法或许是红海，但是有大厂实习或比赛或论文感觉还是比较有优势的。                      还有一点我觉得很重要，也是我很欠缺的地方，就是平时的积累和思考。算法工程师需要具备解决实习场景问题的能力，这种能力并不是背完《统计学习方法》和西瓜书就能有的，在面试中如果能回答好这类问题，或许可以脱颖而出吧。                      以上，就这些，希望对大家能有所帮助！                                             作者：一条不愿透露体重的咸鱼 链接：https://www.nowcoder.com/discuss/138721 来源：牛客网                        个人背景                         211本985硕，本科是嵌入式方向，大学四年沉溺于电子设计竞赛，主要做挑战杯、电赛等等；研究生导师主要偏工程，天天做项目。2017年9、10月份，看实验室一位师兄找机器学习方向工作，自己看书了解了一些机器学习的算法，感觉挺有意思。刷了几本入门书之后，拉了本科做电赛同学参加了两个国内数据挖掘类竞赛, 一直做到了12月份，一个Top5、一个Top20. 后来在天池上又做了一些，但都没进Top30.                         实验室往届师兄很少去互联网公司，缺少秋招经验，自己至到7月份，才开始上牛客网找面经、刷题，认真准备秋招。                         7月初，在牛客网上找了很多机器学习岗的精华贴，自己进行了总结(几个关键点)：                         1. 科班出身，实验室有机器学习相关项目，有相关论文发表； 2. 大厂算法岗实习经历； 3. 数据挖掘类竞赛Top10； 4. 机器学习算法原理熟悉，代码能力强；                          结合自身情况:                                   1 实验室做的项目更偏向于硬件, 论文更是没有；                            2 之前师兄没有实习的先例，导师可能也不让(其实现在想想，应该和导师沟通一下的，两个月可能也会给，主要实验室之前没人出去实习);                            3 有个Top5，还有几个Top30的;                            4 机器学习算法原理及面试代码题；                                  主要是从3&4进行提高， 3就是总结自己比赛项目，从赛题背景到具体算法原理，都进行了总结(对每个比赛都单独建了一个文档，按照STAR法则进行总结，随着面试经历的增加不断进行更新); 4是反复刷《统计学习方法》、《机器学习》、《机器学习实战》等几本书，特别是牛客网上其他同学的面经，会对照着进行回答，并把经典面试题目做个文档进行总结；面试代码题这一块做的不是很好，只刷了《剑指Offer》和一百多道leetcode题，后面吃了不少亏；                         offer情况                         offer: 搜狗、网易、快手、欢聚时代、科大讯飞、其他非互联网公司                         面试挂：阿里、百度、头条、美团、途牛、老虎证券、蘑菇街、大疆                         还有些小厂笔试和面试都放弃了                         面试情况                                              大疆(算法工程师)：最早一批，电话面，面到一半才听出来对面有两个人，而且当时面试环境也不好，实验室楼上装修打电钻，很多问题都没听清，其他同学才20多分钟，我这边一面进行了50多分钟。 面试官并非机器学习算法工程师，问题更像是控制方向的 一面挂                                                  途牛(数据挖掘/机器学习岗): 微信视频面，主要是介绍比赛，针对比赛提问，然后有一些场景问题，自我感觉聊得还行；一面挂                                                  阿里内推(机器学习岗): 一面，看黄渤“一出好戏”时在电影院面的，问的很详细，从专业到课题研究方向，再到比赛项目，然后他们团队在做的事情，面试感觉挺好，聊了将近一个小时，聊完感觉还行，进去看了个结局；隔天二面，感觉是本科校友，主要也是从专业，学校一些基础聊，介绍项目等等，问了些机器学习算法，深度学习是否熟悉等，没啥特别难的问题，30多分钟结束.(面完感觉不太对，时间太短了，果然又隔了一天，变成“已回绝”) 二面挂                                                  美团提前批(算法岗) (也是看“一出好戏”时，接到面试邀请的，整场电影估计就看了30、40分钟吧)：简历投递的时候S-B了，填的都喜欢，还好被捞起来了。一面感觉是简历面，跟阿里面的差不多，主要是项目介绍、针对项目问些问题、常见机器学习算法原理、调参技巧、深度学习是否熟悉等等；二面等了好多天，牛客视频面试，感觉这个面试官应该主要是做开发的，机器学习方面不是懂太多，出了两道代码题，讲讲思路，然后介绍常见的机器学习算法原理，差不多50多分钟吧，跟我说待会儿三面；三面，三面面试官说他就是之前的一面面试官，捞的我，然后继续聊了机器学习相关算法原理、比赛项目细节，出了两道代码题，因为一面聊过，差不多30多分钟就开始聊聊他们团队正在做的事情，完了让我等着待会儿总监面；四面？， 应该是小boss吧，主要聊聊人生、职业规划等等，中间穿插了数据库的问题(但是数据库真的懂的不多), 差不多30分钟的样子结束; 四面挂                                                  腾讯内推(算法岗)： 师兄帮忙内推的他们团队，等了好久才通知面试，那几天每天都看手机，生怕错过了，结果被鸽了一个星期都没面，进度直接超时变灰。 秋招选的部门组织调整，直接没给面试机会？被鸽                                                  头条(算法岗)：参加了第一场笔试，AC2道吧，给了面试机会；一面，是个年轻的面试官，说话很有条理，主要是从简历上项目开始聊，穿插一些机器学习算法原理等等，一道代码题；二面，研究生校友，听说是校友，上来就先给了一道概率题，编程求解；给了提示才吭哧吭哧写出来，让再改进改进;(其实碰到数学题就开始崩了，这个时候脑袋里更是空了,根本没有思路)， 面试官说就这样吧，还有一道更难的还没出呢，就结束了，整个过程大约20分钟左右吧；随后HR小姐姐打电话过来说期待春招再见。二面挂                                                  老虎证券内推(python开发岗)：这个完全是内推投错岗位了，python开发工程师，整个过程很尴尬，我介绍项目，面试官不太懂，而且我也不太懂开发的东西； 一面挂                                                  蘑菇街内推(算法岗)：一面：牛客网视频面，面试官很年轻，自我结束、项目经历，最后写代码，讲了思路，代码没写出来，换了个简单的，写完结束面试； 一面挂                                                  网易提前批(算法岗)：笔试AC了0.8？,给了现场面的机会，去之前看了牛客网上讲面试体验不太好，然后岗位也不是太匹配，担心千里送人头；其实面试官和前台小姐姐都挺好的，还蹭了前台小姐姐小饼干吃，网易食堂也挺好的。 一面，自我介绍，讲解比赛，针对比赛进行提问，算法原理、特征工程怎么做的等等，接着聊了他们目前所做工作，给了场景题，怎么解决，没有手撕代码；二面，算法公式推导，特征工程怎么做的，特征如何筛选，手写一道代码题；HR面，男的，全程在打字，偶尔抬头问我问题，面完感觉是要跪的，所幸后面给了offer. offer                                                  百度(算法岗)：现场面，一面，常规操作，介绍项目，针对项目提问；然后是场景题；最后手撕代码，第一道没写出来，换了一个简单的，写了好几种方法，结束；一面挂                                                  搜狗(算法岗): 现场面，一面，自我介绍，针对项目进行提问，算法原理，手撕代码，介绍他们目前所做工作；HR面，大概是我遇到的最专业的HR了，各种专业术语说的比我还6，常规问题； offer                                                  快手(算法岗)：牛客网视频面，快手大约是头条之外感觉最难的面试了，一面，内推到了机器学习平台开发工程师，上来问了些机器学习算法原理，3道代码题；二面，联系HR更换到数据挖掘岗，介绍比赛经历，常见机器学习算法原理，是否用过Hadoop、spark等等，2道代码题；三面，总监面，聊聊项目、职业规划、为什么选择数据挖掘岗，算法原理(问的非常仔细，比如熵的物理意义等等)， 3道代码题，有一个没写出来；HR面，常见问题、手里有哪些offer， 对快手产品是否了解(这里作死说和抖音类似，后面马上被问两者区别。。。); 过了几天，给了口头offer; offer                                                  欢聚时代：现场面，一面，介绍比赛经历，机器学习算法原理，公式推导，场景题，针对项目进行提问；二面，全程问算法原理，同时边介绍，边进行公式推导(问熟悉的机器学习算法有哪些？回答一个就要推一个公式，后面只敢说些简单的模型~)，一道代码题；HR面，常见问题；四面，总监面，现场面完HR面之后就回去了，当晚通知面试通过，进行总监面，20分钟，主要是自我介绍，聊聊他们团队正在做的事情；offer                                                                         作者：所以只能好好学习天天向上 链接：https://www.nowcoder.com/discuss/138577 来源：牛客网                 7.20 OPPO2019提前批                                                  岗位是计算机视觉算法开发工程师                                                  1.项目                         深度学习：                         迁移学习怎么改进的                         除了inception看过其他网络吗 试过吗                         inception的结构画一下                         inception里面多通路并列有什么作用，1*1卷积有什么作用                         用的数据量是多少，数据集怎么划分的                         做数据增强了吗，做完了数据怎么存放的                         数据预处理怎么做的                         数据量不足怎么解决                         遇到了什么问题，怎么解决的                         超参数怎设置的 ，有什么心得体会不                         卷积的原理，怎么计算                                                  机器学习：                         过拟合的处理                         二范数有什么用，原理是什么，为什么可以防止过拟合                                                                           2.其他问题：                                   目标检测了解吗                            数据缺失怎么解决                            两个矩阵，2*3和3*3矩阵，拼成一个2*3的，tensorflow怎么操作                                   3.开放问题：                         数据中有20%的噪声，标签不准确，怎么解决这个问题？                         eg.找对噪声不敏感的模型建模，or看predict的值，把接近cutoff值的图拿出去看看                                                  4.提问环节                         部门做面部微表情识别                         受到算力的限制，传统方法效果好就用传统方法，否则深度学习，但深度学习用的多                                        作者：所以只能好好学习天天向上 链接：https://www.nowcoder.com/discuss/138474 来源：牛客网             背景：                    985硕士，专业是电子的，转行找图像算法岗。                   论文包括中文的水了5篇一作                   没打过kaggle等比赛但参加过乱七八糟的比赛                   没实习                                      因为代码能力比较差，论文还是发了不少，所以楼主很早就确定了要找算法工程师岗的目标                   也问了历届师兄师姐都去了什么地方，怎么做准备的。去年的时候看着师姐师兄找工作似乎挺简单的，就想着到时候找个工作应该不难，结果后来才知道师兄师姐有笔试的公司基本都没投。。哭死                                      过程：                    其实是三四月份开始投简历的，当时想着找个大厂的暑期实习，就开始各种投，做了一堆笔试，但是当时也没有刷过题，所以就看着一堆编程题，想着春招的时候就感受一下为秋招积累经验吧。。。。上半年就一直在做老师的项目，一直被催着出一篇文章。到了五六月份的时候面了几个实习，第一个面了携程的挂了，后来拿了华为的、上汽的，其他的笔试那么烂肯定都没消息的，然后老师一直让写论文不给实习。                   七月出国开了个会回来感觉再不实习来不及了，就在实习僧上狂投了一波，面了好几家，sap、阿里的一个做自动驾驶的斑马网络、阿里的外包、平安科技8.6、金融一帐通、森亿智能等等积累经验，不太想去或者面不到，就拖到八月初了，感觉提前批都开始了怎么还能继续拖着呢，就没去实习开始补面试中遇到的不会的问题，被问死的东西。看过的东西记不住，就开始总结，写博客                   那时候感觉一堆要补的，简历也要改，还有很多提前批的开始了要开始投，就很忙很忙。很早之前就知道要刷题刷leetcode，有人告诉我寒假就要开始刷题了，但是我就一直拖着，直到面试了让手撕代码，就完全一脸懵逼了。于是暑假了才开始刷题，看书。买了周志华的西瓜书，李航的统计学习方法，看网上的机器学习常见面试题，查面试不会的东西，复习简历里的项目和论文，同时还要稍微继续做做自己学校的项目。。。                                      然后就开始投简历，因为编程差，怕投算法找不到工作，又因为觉得算法比较有发展前景所以只想投算法的，到目前为止差不多投了五六十家吧，拿了5个offer，还有一些没去面的就不管了                                                         面试一个个数一下吧，流水账                   阿里：                   找师兄内推了蚂蚁金服，电面了一下挂了，说对算法理解的深度不够，还说我态度不好。。。。。可能楼主说话的语气平常没有练习好。。。感觉阿里大佬问的确实很深，直接问算法的本质是什么，哑口无言不知道怎么回答                   又内推了口碑，简历挂电面都没                   面经 https://www.nowcoder.com/discuss/138543                                       大疆：                   7.28                   没有上海的机器学习算法岗，我就投的图像岗                   七月份的提前批                   似乎有个笔试，完了电面问了简历，挂了                   面经 https://www.nowcoder.com/discuss/138428                                       oppo：                   一面挂                   投的计算机视觉算法开发工程师，据说就招10个                   https://www.nowcoder.com/discuss/138577                                      腾讯：                   7.29                   内推qq看点，电面了一次说过了，后来去系统里提我简历的时候说我简历 被锁了 但是那个锁定我的部门后来也没找我面过，气                   面经 https://www.nowcoder.com/discuss/138525                    后来正式秋招笔试觉得做不过就没仔细做                   认识携程的面试官，顺便帮我内推了腾讯优图医疗组，但是说当时八月中下就已经没hc了。。。。。                                                  百度：                   提前批投了面了2次                   第一次面凤巢8.10，2面就挂了。问我分布式用过不，计算机操作系统学过不，我都没用过，凉凉                   第2次是垂直行业搜索部门8.13 面经 https://www.nowcoder.com/discuss/138427                                                          爱奇艺：                   8.20                   提前批 openday去的爱奇艺 没图像算法，就投了推荐 真的是 面试官看了我的简历说，你知道你投的是推荐吗 项目都不想问我 出了个算法题我写不出，就凉了                                      浙江大华：                   提前批，八月吧，2个电话技术面，1个hr面，拿到了offer，让签两方，还有违约金。但是觉得价钱太少了而且后来发现上海只有算法岗的办事处，不能落户，就拒了                   不过是拿的第一个offer，还是给了一波自信的                                      携程：                   三月面过一次，当时准备的不好，还没睡醒。让画网络结构，不会，又问了别的也不太会，就挂了                   提前批8.21，面了一面，说我方向不太对，所以换了3个面试官，讲了项目，问我了解别的xgbt，逻辑回归之类的不，大概讲了下，面试官不是很满意。但是之前参加一个活动给大佬内推了一份简历，所以过了一周先通知我去二面，还没面，过了几天跟我说我面试通过了。。。。直接发了提前批意向书。。                   算法二面卷子 https://www.nowcoder.com/discuss/138438                                       网易：                   内推的提前批线下笔试了一下 挂了 8.11                   笔试题 https://www.nowcoder.com/discuss/138437                                       游族网络：                   提前批，8.14，随便面的，介绍项目，感觉还没我面实习难。。。面试官说专门下载看了我发的论文。。。。我很惶恐。。                   面试官很年轻，聊的时候说那边做数据的比较多，组也比较小，十几个人，我自己感觉不是很合适                                      复旦微电子：                   8.29                   提前批                   刚去北京京东参加了三天比赛会学校立马面的                   噼里啪啦问了一堆问题 面完就跟我说凉了                   问了问多xxx应该怎么做。我又没做过= = 就瞎扯                                      美团：                   听说不怎么招，同学去面还挂了，只能面一次，后来就没行动                                      头条：                   笔试太太太难了直接凉凉                                      小红书：                   笔试了，第一批没叫我去面试，10.27第二批叫我去面我没去                                      拼多多：                   不喜欢这公司，没投                                      唯品会：                   岗位投错了，9.15让我去面数据挖掘，当时拿了其他offer就拒了面试                                      DELL EMC：                   提前批现场面了一次，1小时代码卷子，+聊天                   发现公司是做存储的，机器学习不太做，hr就给换了个组                   过几天电面了一次，后来九月15让我去公司笔试面试，我也没去                                      ebay：                   九月才开始校招                   参加宣讲会拿了面试直通卡，10.23去面了下                   分搜索，支付，大数据三个大组                   面了还没出结果。自己感觉方向不是很匹配                                      寒武纪：                   笔试发现是c++，就没做                                      滴滴：                   九月才开始，就没投                                      360：                   提前批投过，笔试考一堆操作系统，计算机组成啥的，不会，凉                                      华为：                   实习投了过了要改文章就没去                   优招因为实习投过所以流程不对不能投                   秋招一面1小时，2面综合面，完了又喊我专家面，四面总裁面，等结果中                                      联影：                   三月实习投过，地理位置太偏了，方向也不喜欢，技术比较传统。但是联影张江我没投，可能会好点                                      sap：                   投过实习，感觉投的那个技术一般般，乱乱的，过了实习面试没去                                      科大讯飞：                   笔试凉                                      英特尔：                   叫我去笔试的时候有offer了，就没去笔试                                      思科：                   见面会去面了一下，说只招1个人，没拿到直通卡，笔试全英而且当时有offer了就没做                                      招商银行信用卡中心、海康、触宝、 ：                   简历挂？？？可能是专业不能改所以看起来不对口的问题                                      交通银行、兴业银行、xx银行：                   喊我去现场笔试/在线笔试，考的很计算机基础知识，不想做/不想去了/瞎写了                                      英语流利说：                   笔试挂 方向也不太契合他们做语音的多 我做图像                                      b站：                   提前批，九月中旬3技术，1hr面                   拿了offer。                   做广告算法的，不喜欢，组也不大。leader看起来不错，薪水开的不错。不过不喜欢，拒了                                      亚马逊、微软：                   不敢投                                      商汤、旷视：                   斗胆内推也是挂                                      58赶集：                   笔试题奇葩，就c++，没做                                      上汽通用泛亚：                   做自动驾驶的，拿了暑期实习offer。钱太少了。。一天才100 没去                                      VMware：                   软件开发岗 英文笔试题 考一堆数据库、操作系统、计算机组成，不会，挂                                      图玛深维：                   面了3小时，创业公司，后来没消息了                                      欢聚时代：                   上海没图像，投了推荐                   面试时候说我知道协同过滤，面试官问我别的还会啥，我不会了。。。。。写了个代码也没写好，挂了                   室友拿了他家的nlp，钱很多                                      汇顶科技：                   笔试后快两个月了让去面试                   本来不想去，说可以给的比华为多，就去面了                   感觉面试官不咋感兴趣我的项目，凉了                                      第四范式：                   面AI反欺诈，2个视频面，过了，三面部门leader问我想做啥，我说做图像但没找到岗位，他就给我推过去了图像组，又4面了下过了，5面是联合创始人，问了几个技术原理，没回答好就挂了                   这公司很奇怪，不让去公司面，2次临时约半小时后的时间电面/视频面，反正也没过，这公司后来的事情大家也都知道了= = 总觉得怪怪的                                      中兴：                   没去面，感觉这公司要凉，而且基本没图像岗位                                      平安科技：                   面了3天，做医疗图像，方向特别匹配，1技术，1 leader，1hr面，每天一面，不去算弃权。。 最后拿了offer，给的也不算少                                      总结：                    5个offer，自己一般满意吧。如果早点刷题可能会有不一样的结果。但是没有那么多如果                                      建议：                    关注招聘公众号，每个公司都有，会有一些活动。比如爱奇艺开放日，京东的比赛，阿里大文娱的开放日，很多同学都不知道                   抓住机会多参加活动，openday，讲座开放日。我携程的offer就是参加活动捡的。。。                   传说给的很少的公司可能也会突然给的很多，比如平安科技、b站                   多刷题，早刷题，多看书，看原理，手推公式，手写代码                   自己的项目细节搞清楚，源代码看会，网络结构会画，                   查查常见面试题，问的很多差不多，记不住就背会，或者总结写下来                   自己没做过的东西如果是基础的话也要稍微了解下，看看科普帖子之类的                   有空可以做kaggle、建模比赛，怎么做的要能讲清楚                   多和师兄师姐打听，别的实验室的别的学校的也都打听一下                                      面试简历关准备建议：                    项目入手：                   项目背景是什么，研究意义是什么                   一般怎么解决这个问题，业界有什么方法，你选了什么方法，为什么选，不同方法差别是什么，为什么不选别的方法，结果对比过吗                   跟别人的方法比，你优化了什么，通过什么方法优化的                   这个项目是之前做的，如果现在让你想，还有什么可以优化的地方                                      论文：                   自己发过的论文都重新看看，创新点是什么，和哪个项目对应                                      个人：                   要自信但不装x                   眼神交流，精神状态要饱满                   如果面试官的问题答不上，千万不要装逼瞎编，面试官会问死你。可以说没用过，稍微了解过，也可以说用过别的xxx然后讲一下，展现出对问题的兴趣，不懂的尽力去解决，或者问问面试官能不能提供一下思路                   多说话不要冷场，引导话题到自己做过的东西上                                                         欢迎关注楼主的csdn博客                   https://blog.csdn.net/sunflower_sara