写在前面

字节跳动是一直想去实习的公司，3 月份的时候觉得自己学的还不够扎实，暂时没有投简历。4 月 14 号在官网投了简历，4 月 15 号就有小姐姐打电话预约面试时间，今天下午面试。

非本计算机专业出身，在研究生阶段做过基于机器学习和 CNN 的目标识别。没论文，没竞赛，只有所里的公司实习。编码方面也有些生疏，其实劣势蛮大的。

一面（约 1h）

一面面试官是很亲切的小哥哥。在我回答问题的时候一直微笑点头，让我也不那么紧张了。

  • 自我介绍：姓名，年龄，本科和硕士学校，专业，相关经历，来这里实习的原因。
  • 讲一下熟悉的模型：说了项目里用到的 RF，从特征构建、特征选择、模型选择、到模型调优。
  • 为什么选了 RF？：项目里更关注性能和计算量的平衡，RF 相对可控。
  • 用的什么指标进行衡量的？：一开始是 acc，但是对于不平衡数据不够准确，后来基于混淆矩阵计算了一些指标。
  • 不平衡应该怎么做？：过多数据欠采样，过少数据过采样，另外还有一些基于模型的方法比如 SMOTE 方法等。
  • RF 和 GBDT 的区别是什么？：都是集成方法，分别是 Bagging 和 Boosting，并行和串行。
  • GBDT 可以并行吗？：原理上是不行的，这也是训练过程比 RF 慢的原因。但是 XgBoost 作为 GBDT 的一种工程实现方法，在决策树的构建过程中加入了部分并行技巧，加快了速度。
  • GBDT 和 XgBoost 的区别是什么呢？：XgBoost 是 GBDT 的一个工程实现。1）在树的构建过程中加入了一些并行技巧；2）GBDT 本身是没有预剪枝等过程的，XgBoost 在构建的过程中加入了一些正则，起到了缓解过拟合的作用。
  • （因为提到了 CNN 相关的东西）ResNet 的结构特点以及解决的问题是什么？：ResNet 之前，大多认为深度越深，性能越好实际上不是，会出现信息消逝的情况。ResNet 提出了“捷径”概念，将浅处的输出牵到深处，形成一个残差，相当于把信息又往深了传递了一下。
  • 了解 BN 吗？：为了解决网络中数据分布变化大，学习过程慢的问题。采用标准化，又引入两个可学习的参数来重建浅层网络学到的分布。
  • 编程题，构建哈夫曼树：本身不了解哈夫曼树，但是了解哈夫曼编码的一些思想，讲出来后，小哥哥引导着思路，然后我写出了代码。代码本身还有优化空间，但是小哥哥也说通过了。
  • 反问。

让我稍等下一面。

一面总结：

其实一面里问到的东西都还是偏基础的，基本上问题问出来后，一次回答就够了。面试官会再从回答中牵扯到的知识点问起。主要针对做过的项目提问。

二面（约 1h）

二面是个小姐姐面的。难度也确实比一面更难些，问的更细了。

  • 自我介绍。同上
  • 介绍 RF 和 GBDT：串行并行角度。GBDT 是残差学习角度。
  • GBDT 具体细节：大致说了下思路，感觉答的不是很详细。
  • 挑一个熟悉的项目说一下：RF 提特征、选特征、调参、评估。
  • 有自己手写代码实现过 RF 吗？：没有….（得去看看了
  • 特征选择里提到的互信息选择，互信息的计算公式是什么？：忘记了..
  • 为什么选择了 RF 呢？RF 由 DT 组成，有一定的解释性，性能和计算量相对可控。
  • 对于 RF 可解释性这一点，做了什么相关实验吗？：突然想到 RF 本身引入了随机性，可解释性没有很强，就说到对于里面的树的路径可以进行分析得到特征重要性。（这部分有点忘记了，赶紧补充学习）
  • DT 了解吗？：知道的有 ID3,C4.5,CART 树，分别用信息增益，信息增益比，基尼系数作为启发函数。
  • 写出信息增益的表达式