记录一下面试的内容吧，以前一直不想记，发现没有这样的整理过程，以后遇到问过的题目还是不能很好的应对，所以还是走出这一步吧，只要走了，强迫症地我就自动走上笔记完善之路了。

　　要体现自己实践解决问题的能力，清晰的思维逻辑，扎实的基本功，有条理的陈述交流方式等。

一、腾讯

腾讯视频的数据挖掘工程师

　　去希格码大厦面试，连续面了两面。

一面

  • 为什么在论文中使用了 Triple loss？具体原理是啥？
  • PCA 的具体原理？PCA 求的是什么？

二面

  • 基本上问了下项目的问题。

二、阿里

推荐算法工程师

一面

  • 流程：电话面试，因为方向不是很对口，就大概聊了下一些基础算法。

三、百度

3.1 机器学习算法工程师

一面

  • 编程
    • 一个一维数组，人在 p 点，猫在 q 点，猫不动，人追猫。人每步的步长有三种可以选择，实现一个函数返回最小步数
      • 每次向前走一步
      • 每次向后走一步
      • 当前位置 double
    • 实现一个快速的容器（大小最大为 K），流数据一直往这个容器里放，要求尽量在常数时间和空间下实现下面三种操作
      • push，如果当前大小为 K，则 pop 最早 push 进来的文章
      • pop，弹出最早进来的文章
      • sample(N)，采样第 N 个样本
  • 机器学习算法
    • 卷积神经网络中哪些起到正则化的作用？
    • L1 正则，L2 正则具体为什么服从拉普拉斯分布和正态分布？
    • 贝叶斯原理解释具体细节。
    • CNN 的感受野是啥？如何通过上层的感受野，输入层还有 Kernel 推算出下一层的感受野？也就是计算公式
    • SVM 的原理是什么？为什么用到了 KKT 条件，其中最大化、最小化的变换如何变？
      • 点到直线的公式

3.2 算法工程师——搜索业务

一面

  • 流程：上来先自我介绍一下，然后问了问算法，后来写了两道题，感觉面试官就交差了……
  • 算法
    • 首先问了对传统机器学习的了解程度，我就挨个说了下分类的，回归的模型有哪些
    • 具体让我介绍了下 SVM，口述的时候到 min max 转 max min 的时候又卡壳了，还得回顾一下
    • 点到超平面的距离公式有点儿忘记了！
    • 评价指标：精度，查准率，查全率，AUC
  • 编程
    • 二分查找
    • 找二分查找树比指定元素小的最大元素
  • 项目没问……

二面

  • 流程：上来看了下一面的时候写的代码……很清奇，然后拿着简历问了问项目，后
  • 项目：
    • 问了些项目，先找自己感觉做的比较好的项目，然后找了一些项目问了些关键点
  • 算法没问……放弃了嘛🙃
  • 编程：
    • 改进二叉树，使得子节点能够连到它右边的兄弟节点上
    • 编辑距离的计算，字符串增删改，从一个字符串到达第二个字符串的最小步数，这个没搞定
  • 然后结束……

四、今日头条

1. 数据分析岗位

一面

  • 流程：自我介绍
  • 算法：决策树
  • 编程：sql 语句，找到最大的

二面

  • 流程：自我介绍，机器学习算法问一些
  • 算法：
    • LightGBM 为什么快？
  • 编程：
    • 给你一个正整数，找到最小的平方和等于这个数的最小组合，比如 $1^2+2^2=5$，$1^2+1^2+1^2+1^2+1^2=5$，我们选第一种，最少数目的组合。
    • Hash 表怎么实现？

三面

  • 流程：上来拿着简历就问一些比较核心的问题
  • 算法：
    • SVM 训练为什么慢？底层用什么实现的？
      • SMO 怎么实现？
    • XGBoost 介绍一下，原理都没说清楚。
    • 随机森林介绍下；如何更新权重？
    • Adaboost 介绍下；损失函数是什么？

五、360

1. 奇安信——机器学习/深度学习研发工程师

一面

  • 流程：了解情况，为什么离职？为什么想做算法？
  • 算法：
    • 如何判断一个数据集是否能够线性可分？比如说就用 SVM 的话，如果只用线性模型，会发现什么现象才能觉察到线性不可分？
    • PCA 的思想是什么？

二面

  • 流程：了解情况，TensorFlow 熟练程度怎么样？
  • 算法：问的少。
  • 代码：
    • 写树的深度遍历。如果不用递归实现呢？
    • 递归有什么缺点？

　　两面技术面就过了，HR 直接通知了通过和薪酬，感觉太低直接忽略了。

2. 360 QA——机器学习/深度学习研发工程师

一面

  • 流程：没写代码……问了一堆算法问题
  • 算法：
    • SVM 满足什么条件才能从 Primal 转到 Dual
    • L1、L2 正则
    • 1x1 卷积的意义
    • 如果在训练集上效果好，测试集上效果不好，过拟合修改了之后再训练集上效果又差了
    • SVR
    • 为什么要用 fine-tuning？

二面

  • 流程：没有怎么介绍，上来就是问了一些技术问题，主要考察了一下 Python 的掌握熟练度，然后就闲聊了一下，关于我目前的薪资，住所等情况。
  • 编程：
    • Python 的多变量
    • Call_back 函数
    • Spark 和 Strom 的熟练使用情况，ZooKeeper 的使用情况等。
  • 算法：
    • XGBoost、LightGBM 的理解

六、京东

1. 京东物流——机器学习算法工程师

一面

  • 流程：采用了电话面试，问了比较细致的项目问题，然后问了些机器学习的算法和编程
  • 算法：
    • AAAI 展开、KTT 如何推导
    • 怎么判断一个函数是凸函数
    • 如果加了 L1 正则不可导要怎么办？
  • 编程：
    • 平衡二叉树的概念，如何遍历，特点。
    • 打印平衡二叉树每层的最右节点。

二面

  • 流程：二面到六面都是在一起面完
  • 算法：
    • Triplet Loss 公式
  • 编程：
    • 找到二叉树中的最近公共父节点

三面

  • 流程：主要问了项目

四面

  • 算法：
    • GBDT 的流程，与 XGBoost 的区别
    • XGboost 如何实现防止过拟合
    • AAAI 做法会不会出现过拟合现象

五面

  • 流程：应该 HR，问了些中规中矩的 HR 问题吧

六面

  • 流程：领导面试，瞎扯淡。

2. 京东商城——推荐算法工程师

一面

  • 算法：
    • 如何在 LR 实现降维？
  • 编程：
    • 实现快排

二面：

  • 算法：
    • LSTM 的基本原理
  • 编程：
    • MR 思想，超大的 HDFS 上的数据，一行是类似(A, BCDE)的记录，利用 MR找出二度人脉

3. 京东数科——图像识别算法工程师

一面

  • 流程：了解基本情况，三个项目做了大概的展开，没有将技术细节。

二面

  • 算法：
    • 怎么尽量减少 pooling 层丢失的信息？
      • 在后面多加入一些卷积核提取一些特征
      • 使用较小的 pooling 大小
      • 尽量少避免使用 pooling，使用新型的 CapNet
    • 迁移学习的了解？五个例子。
    • Segmentation 有无了解？
    • 相机的前置处理，有没有遇到需要做的问题？
    • 激活函数的特性和区别？
    • 对于深度学习中二分类和多分类的情况，如果在设计网络时做对应的设定？
      • 说是对目标函数做一定的修改
      • 具体场景是，比如说检测猫和狗的二分类，
    • 边缘检测有了解嘛？
    • BN 层了解过吗？具体实现细节是什么？
    • IOU 应对一定问题下的操作，比如值相同，但是重叠的方式有较大差别，怎么进行区分？
      • GIOU
    • NMP 怎么找到那些簇？
    • Faster RCNN
    • Attention 机制

4. 京东商城——搜索算法工程师

　　突然说年底 HC 特别多，于是叫我去我也就去了，没想着现在跳。两轮面试活活面了三个半小时，真棒！

一面：

  • 流程：
    • 问项目，问算法，写代码。
  • 算法：
    • 手推逻辑斯特回归
    • 问了 SSD 算法实现思想
  • 编程：
    • 分段有序的数组，做搜索

二面：

  • 流程：
    • 上来就怼代码
  • 代码：
    • 给你京东搜索的一堆候选词，要求每隔五个候选词中不能出现三个以上相同品牌的候选词，编程实现思路
  • 算法：
    • 决策树 ID3
    • XGBoost 问得很细，我有点儿忘记后拿出论文让我对着论文讲解，也是神奇……让我感觉有点儿套思路和方案的嫌疑

5. 京东商城——推荐算法工程师

　　问的还是比较专业的，学习到了不少东西，还蛮有意思！而且面试官都蛮 nice，没有接触过得关于推荐算法的部分，还耐心跟我说。

一面：

  • 流程：
    • 问项目，问算法细节，此面试官还是比较有经验的
  • 算法：
    • 真阳率，假阳率
    • PR 曲线、ROC 曲线区别，为什么 PR 对付不了不平衡问题
    • XGBoost 多分类，权重加在哪儿
      • DMatrix 上？
    • RF 和 GBDT 哪个树可以比较深
      • 对于机器学习来说，泛化误差可以理解为两部分，分别是偏差（bias）和方差（variance）；偏差指的是算法的期望预测与真实预测之间的偏差程度，反应了模型本身的拟合能力；方差度量了同等大小的训练集的变动导致学习性能的变化，刻画了数据扰动所导致的影响。当模型越复杂时，拟合的程度就越高，模型的训练偏差就越小；但此时如果换一组数据可能模型的变化就会很大，即模型的方差很大，所以模型过于复杂的时候会导致过拟合。
      • 对于RF来说由于并行训练很多不同的分类器的目的就是降低这个方差（variance）。所以对于每个基分类器来说，目标就是如何降低这个偏差（bias），所以我们会采用深度很深甚至不剪枝的决策树。
      • 而对于GBDT来说由于利用的是残差逼近的方式，即在上一轮的基础上更加拟合原数据，所以可以保证偏差（bias），所以对于每个基分类器来说，问题就在于如何选择 variance 更小的分类器，即更简单的分类器，所以我们选择了深度很浅的决策树。
    • RNN 了解

二面：

  • PCA 原理，LDA 区别
  • XGBoost 如何分特征，如何优化的
  • Libucb

面试

  • 小米
    • MR 中的 Shuffle
    • LFBS 和另外一个，与梯度下降的区别
  • 华为
    • MR 思维训练 K-Means
    • 尽量利用 CPU 资源
      • 多线程，多进程，尽量用矩阵乘法，不要用 for
    • 如何把 SVM 并行拆分有效利用
    • LightGBM 的优化在哪里，为什么快？！
  • 阿里口碑
    • 优化器的对比！
    • 手写 SVM 和 LR
    • 为什么数据或者特征要符合正态分布？
    • 正则化有什么优势，有什么作用？防止过拟合，特征选择
    • 池化层有什么用？非线性
    • 正态分布是对均值还是方差做了限定
    • tanh 激活函数！各个激活函数！！！
    • 如果出现了梯度弥散要怎么办？换
    • NN 里如果选择合适的初始值？
    • CNN 的卷积有什么作用？大小有什么影响？
    • 在浅层中加入 BN 是否有帮助？如果是换用 tanh 激活函数呢？
    • 阈值设定除了显示还有什么其他考虑
    • BN 除了减少过拟合还有什么作用？
      • 归一化之后的数据，能够减少计算复杂度，加快神经网络收敛
      • 避免造成梯度过饱和
      • 还将数据归一化到以 0 为中心，激活函数的输出是以“零为中心”，便于后续迭代优化
    • 在线学习了解嘛？
    • 紧凑度
    • Embedding 的作用？NLP
    • 池化层的作用有哪些？
    • 特征化成离散特征的好处？
    • 代码是找到日志信息中第 44% 的 CTR 数据

不要一上来就讲原理，先将每个算法的思想，怎么用。

  • 腾讯
    • C++ 的堆栈
    • Python 深拷贝浅拷贝
      • 直接复制，传递引用
      • 浅拷贝只拷贝对象，对象中的元素依然是原始的引用
      • 深拷贝不光拷贝对象，同时拷贝了对象中的元素
    • 业务场景
      • 王者荣耀的挂机和送人头的建模
  • 百度
    • 优化器
    • 激活层
    • 卷积的优势
    • 池化层的优点
    • 编程：
      • 排序数组的旋转，然后找到对应的数
    • 智力题：
      • 面百度有这样的题，一个草原上有100只狼和1只羊，狼可以吃草也可以吃羊，狼吃了羊会变成羊，假设狼都足够聪明，请问这只羊会不会被吃？😂😂