一、秋招战况复盘           美团推荐算法岗（实习转正，比较幸运）          百度机器学习算法岗（已经过了三个技术面，等待下周开奖）          阿里Lazada推荐算法岗（过了三次技术面，10.22结束HR面，等待下周开奖）          vivo推荐算法岗（深圳已offer，已经拒绝）          小米广告算法岗（过了笔试，但是面试选择往后推迟结果没有机会，同志们，给了面试机会一定要好好把握，我是因为实习最后一周出结果，想往后推迟一下，结果无了）          网易传媒推荐算法工程师（笔试a了1-2题，没有通过笔试，还是卷）          字节跳动电商算法工程师（提前批面过一次，但是很可惜当时并没有准备好，错过了机会）        总得来看，做了很多笔试，但是真正通过笔试的并不多，面试有一些稍好的公司给了机会，但是由于当时正在实习并没有投入很多精力刷题准备，实习经历也没有进行提炼，丢失了几个机会，所以还是要好好准备。       二、面试具体内容    2.1 百度三次面试    百度的三次面试是在同一天完成，三次面试每次中间间隔二十分钟，如果有问题可能不会进行三轮。第一轮重点询问项目、paper中涉及的知识，会问的比较细。第二轮重点是项目延伸到的各种机器学习、深度学习细节问题。第三轮重点询问实际落地业务逻辑。    第一轮：paper的主要工作，paper的创新点，遇到的困难，怎么解决的？    实习项目经验，为什么不用nn模型，怎么证明你做的工作有效？    其中用到的损失函数？    数据规模有多大？    怎么取的正负样本比？    算法题一题，字符串去掉无效符号，转换为int型（不能用库函数）。    第二轮：    逻辑回归损失函数手写    XGBoost的优势在哪里？    Bagging 和 Boosting算法哪种对每一个优化器性能要求会更高？    假设Bagging算法中每种基本分类器分类准确率在60%，整体分类的准确率会如何？    GBDT为什么允许分类器为回归树    XGBoost中的决策树寻找分类指标的划分标准的公式是啥？    XGBoost是二阶展开？好处在哪儿？    GCN的原理？   基于谱和基于空间的区别在哪？    那你是自己写的代码？怎么实现的呢？    算法题一道 sql题目两道    第三轮：    实习项目经历，原本效果，你做了什么工作？提升了多少？    为什么有效果？有没有去找不好的原因？有没有归因分析？    你自己的项目中用到了图神经网络，为什么有效果？    觉得研究生最大的挑战是什么？最遗憾的是啥？你怎么排解的？    最有成就感的事情是是什么？    你觉得你有什么优势？    为什么暑期实习不来百度试试？       2.2 阿里lazada算法三次面试    第一次面试：主要是问底层的工作（偏大数据工程师）    了解hadoop吗    hadoop和spark的区别    你怎么使用spark的    词语统计怎么做到的？    实习过程中遇到了什么问题？    有没有调整spark的参数问题？    使用order by为什么会慢    可不可以分区用sort by    sql题两题    你做过什么大数据的统计吗    实习中怎么做数据探查？    第二次面试：电话面试主要是问了基本情况    实习情况、论文情况、项目情况、意向情况、英语水平（很快基本30小时内解决）    第三次面试：实习基本情况，如果想让这个指标提高4倍，你怎么做？    你觉得淘宝有没有什么地方有问题？    你觉得你提出的问题能不能解决，试图给出解决办法？       HR面：一些基本的HR问题，研究生遇到最有成就的事情，最沮丧的事情，对自己未来的规划等等。       2.3 vivo推荐算法    第一次面试：项目基本情况，机器学习中的基本问题 算法：找到一个无序数组中的中位数，不断优化时间复杂度，最后没有优化到最优。